LLMs mudaram o jogo pra makers. Em 2024, pedi pro ChatGPT gerar código pra um sensor VL53L1X (ToF, medição de distância a laser) num ESP32. Em 30 segundos ele devolveu código funcional com biblioteca correta, pinos certos, tratamento de erro. Três anos atrás eu gastaria 45 minutos lendo datasheet, fuçando fórum e debugando I2C. Hoje, com um prompt bem escrito, saio na frente.
Mas não é mágica. LLMs alucinam — inventam bibliotecas que não existem, sugerem pinagens impossíveis, geram código com bugs sutis que só aparecem em produção. A IA não substitui conhecimento de eletrônica — ela multiplica o conhecimento que você já tem.
Este post é sobre usar IA como ferramenta maker de forma pragmática: o que funciona, o que explode, e como integrar no fluxo de trabalho sem virar dependente cego do output da máquina.
Geração de Código: ChatGPT + Claude no Arduino
O caso de uso mais imediato: gerar código pra Arduino e ESP32. E aqui os LLMs são genuinamente úteis:
Funciona bem:
- Escrever boilerplate: inicialização de sensores I2C/SPI, configuração de Wi-Fi, estrutura de loop com millis() pra non-blocking
- Traduzir entre bibliotecas: código da Adafruit pra SparkFun, ou migrar de Arduino pra ESP-IDF
- Gerar funções utilitárias: médias móveis, filtros digitais (Butterworth, Kalman), interpolação, comunicação serial com protocolo customizado
- Debugar erros: copie e cole o erro de compilação e ele geralmente acerta a causa
Não funciona (ou alucina feio):
- Pinagens específicas de placas: O ChatGPT frequentemente sugere GPIOs que não existem na sua placa específica. ESP32-S3 tem pinagem diferente do ESP32 original, e ele mistura. Sempre confirme no pinout oficial.
- Bibliotecas inexistentes: Já vi LLM sugerindo Adafruit_MCP9808 (existe), SparkFun_MS5803 (existe, parcialmente) e SensorMaster5000 (não existe, inventado). Sempre jogue o nome da biblioteca no GitHub ou PlatformIO registry antes de aceitar.
- Timing crítico: Código que depende de microssegundos (bit-banging, NeoPixel, protocolos proprietários). LLMs não “pensam” em ciclos de clock.
- Otimização de memória: ESP32 e Arduino Uno têm restrições severas de RAM (~2KB no Uno). LLMs geram código como se memória fosse infinita.
Exemplo real de um prompt eficaz: “Escreva código Arduino para um sensor BME280 conectado via I2C no ESP32. Use a biblioteca Adafruit_BME280. Pinos: SDA=21, SCL=22. Leia temperatura, umidade e pressão a cada 5 segundos usando millis() em vez de delay(). Exiba no Serial Monitor. Trate erros de leitura do sensor com retry de 3 tentativas.” — Especificidade é tudo. Quanto mais preciso o prompt, menor a chance de alucinação.
GitHub Copilot + PlatformIO: Pair Programming Realmente Útil
O Copilot (e alternativas como Cursor com Claude, Codeium, Supermaven) brilha no editor. Você escreve um comentário descrevendo o que quer e ele sugere a implementação. No PlatformIO (extensão do VS Code), o Copilot entende o contexto do projeto — bibliotecas incluídas, estruturas de dados definidas, funções existentes.
O segredo é usar o Copilot como acelerador de digitação, não como arquiteto. Ele é excelente pra completar padrões repetitivos (inicialização de múltiplos sensores, mapeamento de pinos, callbacks de interrupção), mas você precisa saber o que esperar como output pra validar.
Fluxo que funciona: escreva a estrutura → comente cada bloco com o que ele deve fazer → aceite as sugestões do Copilot por bloco → compile e teste a cada bloco. Não aceite 50 linhas de sugestão de uma vez — debug fica exponencialmente mais difícil.
IA Pra Design: Stable Diffusion e Gabinetes
Seu projeto funciona no protoboard. Agora precisa de um gabinete. Você pode modelar no Fusion 360, mas e a identidade visual?
Stable Diffusion (via Automatic1111, ComfyUI ou Fooocus) gera conceitos de design de produto em segundos. Prompts como “futuristic cyberpunk desktop sensor enclosure with OLED display, anodized aluminum and dark acrylic, octane render, product photography” geram imagens de referência pra você modelar depois. Não é o produto final, mas é um norte visual.
Pra gabinetes impressos em 3D com estética aprimorada: gere texturas no SD (knurling patterns, carbon fiber weave, geometric grids), aplique como displacement map ou lithophane no slicer (PrusaSlicer e Bambu Studio suportam lithophane em superfícies curvas). O resultado é um acabamento que parece muito mais profissional do que plástico liso.
Ferramentas emergentes como Meshy.ai geram modelos 3D a partir de texto ou imagens. Ainda são modelos low-poly com precisão limitada pra peças mecânicas, mas pra peças decorativas ou gabinetes estilizados, funcionam surpreendentemente bem.
Limitações: Onde a IA Falha (e Você Precisa Saber)
Vamos ser honestos sobre onde LLMs são perigosos no contexto maker:
- Esquemáticos: Pedir pra IA gerar um circuito é loteria. Ela pode sugerir um regulador de tensão sem capacitor de desacoplamento, inverter polaridade de diodo, omitir pull-up em I2C. Circuitos “gerados por IA” que circulam no Twitter são quase sempre corrigidos por humanos antes de postar.
- Dimensionamento de potência: A IA não calcula dissipação térmica, corrente de pico, ou margem de segurança. Se ela sugerir ligar um motor DC direto no GPIO do ESP32, você vai queimar o pino (e talvez o chip).
- Protocolos de segurança: IA não entende normas de segurança elétrica, isolamento galvânico, proteção contra surto. Se seu projeto lida com tensão de rede (110/220V), a responsabilidade é 100% sua.
- Datasheets: LLMs têm conhecimento congelado na data de treinamento. Um sensor novo lançado em 2025 não está na base de treinamento. Sempre cheque o datasheet real — em espressif.com, ti.com, ou direto no fabricante.
A regra de ouro: use IA pra acelerar o que você já sabe fazer. Use pra aprender o que você está disposto a verificar. Nunca use pra decidir algo que você não tem como validar.
Um Fluxo Maker + IA Que Funciona
- Defina o projeto você mesmo: O que o dispositivo faz, quais sensores, qual MCU. Decisões de arquitetura são humanas.
- IA gera primeiro rascunho de código: Prompt detalhado com bibliotecas, pinos, comportamento esperado.
- Copilot acelera a edição: Dentro do VS Code + PlatformIO, refine o código com auxílio do Copilot.
- IA pra debugar: Erro de compilação? Cole no ChatGPT/Claude. Funciona 80% das vezes.
- SD pra inspiração de design: Gabinete, painel, interface — gere conceitos visuais.
- Você faz o design mecânico final: Fusion 360, FreeCAD, OnShape — IA não substitui CAD paramétrico (ainda).
- Teste, itere, publique: Documente o que a IA acertou e errou — isso melhora seus prompts futuros e cria um ciclo de feedback real.
A interseção maker + IA não é sobre delegar o trabalho pra máquina. É sobre multiplicar seu alcance como criador — fazendo em horas o que antes levava dias. O conhecimento técnico continua sendo o lastro. A IA é o turbo.