Como entrar em uma profissão ligada à IA: plano de 90 dias sem formação técnica

A conversa sobre profissões em IA geralmente quebra em dois extremos. O primeiro: “é preciso matemática e mestrado, sem isso não entra”. O segundo: “basta fazer um curso e ganhar duzentos mil”. Nenhum dos dois descreve a realidade em que as pessoas migram para essas funções vindas de suporte, revisão, análise, vendas e ensino.

A realidade é mais simples e mais dura ao mesmo tempo. As empresas precisam não de quem treina redes neurais do zero, mas de quem transforma a tarefa vaga “queremos IA aqui” em um conjunto verificável de requisitos, exemplos e critérios de qualidade. Faltam esses especialistas porque o trabalho exige não um diploma em ML, mas disciplina de pensamento e capacidade de falar com equipes diferentes.

Quem pode ingressar nas profissões de IA e para quem elas não servem

É útil desde já dividir a entrada em três níveis: eles diferem não pelo prestígio, mas por quanta preparação técnica é necessária no início.

Nível de entrada	O que é necessário no início	Funções típicas
Sem código	Comunicação clara e correta, atenção aos detalhes, habilidade de seguir instruções e explicar decisões	Treinador de IA, avaliador de respostas, curador de dados, editor de IA, especialista em implementação
Low-code	Planilhas, expressões regulares, JSON, compreensão de API, fundamentos de SQL, automação no-code	Analista de qualidade de modelos, especialista em evals, operador de dados, gerente de conteúdo RAG
Com código	Python, API e bancos de dados vetoriais, compreensão do funcionamento dos modelos e das métricas	Engenheiro de ML, engenheiro de dados, desenvolvedor de aplicações de IA, MLOps

O primeiro nível não é uma 'versão júnior' do segundo. A pessoa que formula critérios de qualidade e encontra contradições na instrução influencia se o produto será minimamente utilizável.

Agora, sejamos honestos sobre quem não se encaixa nessas funções. Para quem busca um trabalho sem decisões e comunicação: quase todas as funções de entrada em IA envolvem alinhamento. Para quem precisa de um resultado rápido e garantido: o mercado é jovem, os nomes dos cargos variam, parte das vagas é um experimento da empresa. E para quem tolera mal a rotina: a avaliação de respostas consiste em centenas de tarefas monótonas com o mesmo padrão de qualidade no tricentésimo exemplo.

Cinco funções para as quais realmente contratam sem formação técnica

Os nomes nas vagas variam: as mesmas tarefas podem ser chamadas de 'AI trainer', 'data annotator', 'AI quality analyst' ou 'especialista em treinamento de IA'. Oriente-se pela descrição das tarefas, não pelo título.

1. Treinador de IA

Lê pares “consulta — resposta”, compara variantes, encontra defeitos: fato inventado, violação de instrução, tom inadequado, condição omitida. Depois escreve uma resposta de referência ou corrige a instrução para que o erro não se repita. A segunda camada é inventar cenários complexos: em que o usuário se confunde, fica irritado, pede o impossível. Na entrada, verificam se você consegue explicar a escolha por critérios, e não com “parece que é assim”, e se você encontrará uma contradição na instrução ao longo de uma página.

O erro típico de iniciante é reescrever a resposta conforme o próprio gosto. A avaliação exige a intervenção mínima que elimina o defeito específico. A segunda falha é a inconsistência: no primeiro exemplo você considerou uma coisa erro, no quadragésimo, outra. Por isso, nessas equipes há calibrações, em que avaliadores analisam os mesmos exemplos e entram em acordo sobre os limites.

2. Avaliador de qualidade das respostas (evals)

Não é responsável pelos exemplos, mas pelo sistema: critérios, escalas, amostra representativa e relatório sobre o que degradou após uma mudança no prompt ou no modelo. A função está mais próxima da análise: são necessárias tabelas consistentes, métricas simples e capacidade de escrever conclusões. Valoriza-se a capacidade de distinguir uma métrica que mede utilidade de uma métrica que mede conveniência de relatório.

3. Curador de dados e bases de conhecimento

Quando o modelo é conectado a documentos internos, a qualidade da resposta não depende do modelo, mas do que foi dado a ele na entrada. O curador remove duplicatas e contradições, rotula versões e garante que toda resposta tenha uma fonte. A falha clássica: há duas edições do regulamento na base, o modelo pega a antiga e o suporte responde ao cliente com regras desatualizadas. Editores, designers instrucionais e especialistas de suporte fazem bem essa transição.

4. Especialista em implantação de IA em processos

Função para empresas em que a IA já foi comprada, mas ninguém a usa. A tarefa é encontrar áreas em que o modelo economiza tempo, montar um piloto com dez pessoas, medir o efeito e transformar a experiência em instrução. A habilidade-chave é a comunicação: explicar a mesma coisa para um contador, um gerente e um advogado em três linguagens diferentes e não causar a sensação de que estão sendo substituídos. Por isso, costuma-se contratar mais pessoas de dentro da própria empresa.

5. Editor de IA e operador de conteúdo

Responsável por garantir que o texto final esteja alinhado à marca, aos fatos e à tarefa: remover o léxico que a empresa não usa, verificar números, reescrever um parágrafo que soe como um press release de robô. Metade do trabalho é construir o processo: quais etapas de geração se repetem, onde é necessária a verificação humana. Um bom ponto de entrada para jornalistas, filólogos, tradutores e profissionais de marketing.

O que aconteceu com o «engenheiro de prompt»

Uma vaga separada é menos comum do que nas primeiras ondas de hype: a escrita de prompts se dissolveu em outras funções. Como profissão, ela se manteve onde os prompts são o produto: em equipes que constroem agentes e cenários complexos. Conclusão para a entrada: construa o plano não em torno do nome, mas da habilidade — formular a tarefa para o modelo de modo que o resultado seja verificável.

O mínimo técnico sem o qual não se é contratado nem para uma «função sem código»

«Sem código» não significa «sem técnica». Em funções de entrada, não perguntam fórmulas, mas a compreensão de como a ferramenta funciona e onde ela falha.

Como o modelo gera uma resposta

Basta um modelo prático de entendimento: um modelo de linguagem prevê a continuação do texto com base em probabilidades aprendidas em um grande corpus. Ele não busca fatos em uma base e não os «sabe» no sentido humano. Daí duas consequências que é preciso explicar com suas próprias palavras: por que o modelo inventa com confiança e por que a formulação do pedido muda o resultado. Além disso, três termos que quase sempre são perguntados: token, janela de contexto e temperatura.

Por que o modelo erra

Os erros se dividem em grupos: fato inventado, informação desatualizada, referência incorreta, violação de formato, ignorar parte da instrução, resposta excessivamente genérica, recomendação perigosa. O trabalho começa quando você deixa de dizer «o modelo é burro» e começa a classificar: o que exatamente aconteceu e em qual etapa. A classificação transforma a reclamação em tarefa.

RAG, métricas e amostragem

RAG — quando o modelo primeiro busca trechos nos seus documentos e depois responde com base neles. O esquema explica metade das vagas: as empresas precisam de pessoas que coloquem ordem nos documentos. À parte, vale entender a diferença entre avaliação manual e automática: a primeira é cara e subjetiva, a segunda é rápida e fácil de enganar. Na prática, elas são combinadas, e a palavra-chave aqui é «amostragem»: avaliar em dez exemplos convenientes não significa nada.

Dados e dados pessoais

O tema em que mais reprovam, e com razão. Tudo o que você insere em um chat de terceiros vai para um servidor alheio. Dados pessoais de clientes, informações médicas, documentos de acesso restrito e segredos comerciais não devem ir para serviços externos sem fundamento jurídico. Na prática russa, isso é regulado pela Lei Federal 152-ФЗ «Sobre Dados Pessoais»: o tratamento exige fundamento legal e consentimento, e o armazenamento e o tratamento de dados de cidadãos da Federação Russa têm requisitos de localização. Em entrevistas, essa pergunta é feita para entender se você colocará a empresa em risco já no primeiro mês.

Ferramentas

Planilhas no nível de tabelas dinâmicas, JSON como formato, a ideia de API (requisição — resposta, chave, limites), noções básicas de SQL no escopo de «selecionar linhas e agrupar», uma ferramenta de automação sem código. Isso basta para passar no teste e não parecer perdido na primeira semana.

Plano de 90 dias: de “leio sobre IA” a dois convites para entrevista

O plano é pensado para 6–8 horas por semana, ou seja, para uma pessoa que trabalha e estuda à noite. Em três meses, isso dá aproximadamente 80–100 horas. A meta é modesta e verificável: não “dominar a IA”, mas conseguir duas ou três entrevistas para uma vaga de entrada.

Período	O que você faz	Artefato de saída
Semanas 1–2	Você entende como o modelo funciona e onde ele erra; escolhe o setor e a função	Resumo de duas páginas; lista de 15 vagas com análise dos requisitos
Semanas 3–4	Todos os dias você analisa 5–10 respostas do modelo: defeito, classificação, correção	30 casos de teste com avaliação e comentários
Semanas 5–6	Você cria critérios e escalas, aplica-os a uma amostra e calcula o resultado	Minissistema de avaliação com exibição na página
Semanas 7–8	Você monta uma base de conhecimento da sua área e verifica respostas com base nela	Análise: o que há na base, como foi dividida em fragmentos, onde houve melhoria
Semanas 9–10	Você elabora um estudo de caso didático de implementação: processo, hipótese, piloto, métrica	Estudo de caso de duas páginas com números «antes/depois»
Semanas 11–12	Você prepara o portfólio, reescreve o currículo, se candidata e ensaia a entrevista	Página pública com portfólio e currículo, três ensaios

As primeiras duas semanas são sobre a linguagem, não sobre carreira: aprender a distinguir prompt de instrução, RAG de ajuste fino, alucinação de erro nos dados. Em paralelo, você escolhe um setor: “IA em geral” não vende na entrada, enquanto alguém que entende como funciona o suporte em e-commerce parece mais forte. Sua experiência anterior aqui não é peso morto, mas vantagem.

Depois vêm os artefatos. Trinta respostas do modelo analisadas já são um portfólio, porque mostram uma forma de pensar. O sistema de avaliação transforma opiniões dispersas em uma medida mensurável. A base de conhecimento gera um segundo artefato para a função de curador de dados. Um estudo de caso com números de “antes/depois” mostra que você sabe levar uma ideia até um resultado mensurável, e a seção sobre os dados que você decidiu não enviar ao modelo acrescenta credibilidade.

As últimas duas semanas não são para estudar, mas para vender: uma página pública com quatro artefatos, um currículo para a função específica, cinco candidaturas por semana e um ensaio da conversa. Candidaturas sem preparação viram treino com pessoas reais, das quais você não tem tantas assim.

Portfólio em vez de experiência

Para funções de entrada, quase não se contrata por diploma e certificado — contrata-se por evidências de pensamento. Os quatro artefatos do plano são o portfólio.

1. Conjunto de casos de teste. Trinta linhas: consulta, o que o modelo deveria ter feito, o que fez, tipo de defeito, gravidade, correção. Ruim: “resposta ruim”. Bom: “formato violado: era exigido JSON com três chaves, o modelo retornou texto”.
2. Análise do erro e correção da instrução. Como descobriram, por que ocorre, o que mudaram, o que melhorou e o que continuou quebrado. O último item é obrigatório: ele mostra que você não está vendendo mágica.
3. Minissistema de avaliação. Critérios, escalas, amostra, tabela de resultados e conclusão em meia página. As conclusões devem decorrer dos critérios, e as ações, das conclusões. «É preciso melhorar a qualidade» não é uma conclusão.
4. Caso de implementação com métrica. Processo anterior, hipótese, limitações, resultado «antes/depois» e uma seção sobre os dados que conscientemente não foram enviados ao modelo. Até um estudo de caso funciona: não se avalia a escala, mas a forma de raciocinar.

Uma única página pública basta: quem você é, em que área você tem experiência, quatro blocos com links, contato. Não vale a pena juntar cem prompts, postar capturas de tela de chats sem análise ou mostrar apenas exemplos bem-sucedidos — isso não responde à principal pergunta de quem contrata: essa pessoa conseguirá tomar decisões sobre qualidade quando não houver ninguém por perto para orientar?

Currículo, vagas e conversa sobre transição

O erro mais comum é escrever o currículo «de forma ampla, para servir em qualquer lugar». Na IA, isso não funciona: as funções são diferentes, e o gerente busca correspondência pelas tarefas, não pelo entusiasmo.

Busque não apenas um título, mas um grupo: treinador de IA, analista de qualidade de IA, avaliador de qualidade, editor de conteúdo de IA, especialista em adoção de IA, gestor de conhecimento, curador de base de conhecimento, especialista em treinamento de IA. Acrescente ao termo de busca o seu setor — “suporte com IA”, “medicina com IA”, “banco com IA”: assim aparecem vagas em que a experiência anterior se torna uma vantagem. Nos requisitos, separe o obrigatório (entendimento dos critérios, atenção aos detalhes, disposição para a rotina) do desejável (ferramentas específicas, que se aprendem em uma semana).

A linha de experiência é escrita segundo a fórmula “tarefa — ação — resultado”: não “respondia a solicitações de clientes”, mas “analisava 40 solicitações por dia, montei uma base de respostas padrão para 60 cenários, o tempo de resposta à pergunta frequente caiu pela metade”. Um bloco separado “Projetos em IA” — quatro artefatos com links e uma linha de resultado para cada um. A carta de apresentação — quatro parágrafos curtos: o cargo e um detalhe concreto sobre a empresa, o que você já tem com link para o portfólio, como a experiência anterior se transfere, o que você está disposto a fazer na entrada.

Entrevista para uma função inicial em IA

A teoria raramente é perguntada. Normalmente, dão um material e observam como você raciocina. Na maioria das vezes, são três tarefas.

Avaliar duas respostas do modelo. Dão um prompt e duas opções, pedindo que você escolha a melhor. Não avaliam o gosto, mas a capacidade de construir critérios: nomear o que era exigido (fatos, formato, tom, completude), comparar por cada item e explicar em que a opção rejeitada perde. A resposta “a primeira é mais clara” perde para a resposta “a primeira é mais precisa em fatos e mantém o formato, a segunda é melhor em tom, mas erra na soma — para uma devolução, isso é crítico”.

Encontrar um defeito nas instruções. Dão uma página de regras. Defeitos típicos: contradição entre itens, um critério impossível de verificar, ausência de tratamento de exceção, uma regra ampla demais. Instruções que duas pessoas aplicam de maneiras diferentes quebram toda a avaliação — por isso essa habilidade é mais valorizada do que a capacidade de escrever prompts bonitos.

Minicaso de implementação.«O suporte recebe quinhentas solicitações por dia e queremos responder mais rápido. O que você propõe?» Uma boa resposta não começa com «vamos conectar um modelo», mas com a pergunta «quais são as solicitações mais frequentes e qual é o custo do erro em cada tipo». Depois vêm a hipótese, a métrica, as restrições e o plano do piloto.

Estrutura da resposta a qualquer pergunta: tese — argumento — exemplo — conclusão. Primeiro uma resposta curta e direta, depois o motivo, depois um caso do seu portfólio, depois a conclusão em uma frase. E pergunte de volta: «só para confirmar, por qualidade você quer dizer precisão dos fatos ou cumprimento do formato» — isso mostra que você fará esse tipo de pergunta no trabalho, em vez de adivinhar.

Pergunte ao recrutador três coisas: como é o sucesso nos primeiros três meses, quem decide nos casos controversos e o que mais dói hoje. E tenha em mente os sinais de alerta: rotulagem sem critérios e calibrações, «fazer tudo o que envolve IA» sem equipe e sem métricas, promessa de crescimento para engenheiro de ML sem nenhum engenheiro na empresa, pagamento pelo curso antes da contratação.

Ensaie a conversa com antecedência. Improvisar na primeira entrevista ao vivo é uma péssima estratégia. Fale as respostas em voz alta e depois faça um diálogo completo com um treinador de IA: ele faz as perguntas, você responde e, depois da conversa, veja a análise — onde a resposta ficou fraca e onde faltou um exemplo.

Quanto tempo leva e quanto custa

O prazo realista de transição sem formação técnica é de três a seis meses com 6–8 horas por semana: três meses para habilidades e portfólio, mais um ou dois para candidaturas e testes. Conversas sobre «mudar de carreira em três semanas» pertencem a outro gênero.

No começo, quase não é preciso dinheiro: a documentação dos modelos, os guias abertos das empresas, as versões gratuitas das ferramentas e os materiais abertos sobre avaliação de qualidade cobrem a maior parte do programa. Vale a pena pagar pela assinatura de um modelo se o limite gratuito não bastar, e por uma consultoria pontual com alguém que já trabalha na função. Não é preciso comprar curso de “profissão do futuro” com promessa de empregabilidade e “certificado de prompt engineer”: para funções de entrada, olham os artefatos e como você fala.

E paciência. As primeiras vinte candidaturas podem não render nenhuma resposta — o mercado é jovem, e parte das vagas é preenchida por candidatos internos. O parâmetro não são as recusas, mas a quantidade de conversas: se depois de dez entrevistas você não entende o que está faltando, é hora de coletar feedback e refazer o portfólio.

Riscos sobre os quais os cursos não falam

• Parte das funções é temporária. A rotulagem em massa e a avaliação simples são automatizadas e ficam mais baratas. As funções que exigem julgamento, conhecimento especializado e responsabilidade pela decisão parecem mais sustentáveis.
• A avaliação automática muda o trabalho. O modelo cada vez mais atua como “primeiro filtro”, e a pessoa analisa os casos duvidosos. Há menos rotina, mas é preciso saber verificar a própria verificação.
• Existe um teto na entrada. A rotulagem repetitiva seguindo o checklist de outra pessoa atinge o teto em dois anos. Uma boa função de entrada se diferencia por ter critérios, calibrações e um caminho claro de crescimento.
• Pressão para «fazer mais». A IA acelera o trabalho, e isso rapidamente se transforma na expectativa de que a pessoa fará o dobro pelo mesmo dinheiro. Pergunte na entrevista como a equipe mede a carga de trabalho.
• Infoprodutos sobre o tema. Garantia de contratação, salários em anúncios sem fonte, depoimentos apenas com capturas de tela, «restam duas vagas» — sinais de que estão vendendo fumaça para você. Peça para mostrar três portfólios de formandos que atualmente trabalham na função.

Checklist da primeira semana

1. Escolha um setor em que você já tem conhecimento e uma função de entrada.
2. Liste quinze vagas reais e sublinhe os requisitos recorrentes.
3. Explique em voz alta, com suas próprias palavras, o que são token, janela de contexto e temperatura.
4. Faça uma lista de dez tipos de erros do modelo com os quais você já se deparou.
5. Analise cinco respostas segundo o esquema “solicitação — expectativa — fato — defeito — correção”.
6. Crie uma tabela para casos de teste e adicione as primeiras cinco linhas.
7. Registre a regra sobre quais dados do seu trabalho não podem ser enviados a serviços externos.
8. Observe como está estruturada a base de conhecimento aberta da sua área.
9. Formule uma frase sobre você: “eu domino X e quero me responsabilizar pela qualidade das respostas de IA em X”.
10. Ensaie em voz alta a conversa sobre a transição e anote as perguntas que deixaram você sem saber o que responder.

Perguntas mais frequentes

É possível entrar na profissão de IA sem formação técnica?

Sim, em cargos de entrada — treinador de IA, avaliador da qualidade das respostas, curador da base de conhecimento, especialista em implementação, editor de IA. Não é exigido diploma em aprendizado de máquina, mas é necessário conhecimento técnico: entender como o modelo gera uma resposta, onde erra, o que são contexto, RAG e métricas de qualidade.

É preciso aprender Python?

Para funções sem código, basta saber planilhas, JSON e entender a ideia de API. Python é necessário se você está avançando para avaliação automatizada, engenharia de dados ou desenvolvimento de aplicações de IA.

Quanto tempo leva a transição?

De três a seis meses com 6–8 horas por semana: três meses para habilidades e portfólio, mais um ou dois para candidaturas, testes e busca.

O que é mais importante: certificado ou portfólio?

Portfólio. Nas vagas de entrada, observam-se a análise das respostas, o sistema de critérios e o estudo de caso de implementação, porque eles mostram como você toma decisões. O certificado ajuda a passar pelo filtro inicial, mas a conversa ainda será sobre prática.

Qual função escolher primeiro?

Aquela em que a experiência anterior se torna uma vantagem: suporte e vendas migram para treinador de IA e implementação, editores e tradutores — para editor de IA e curador da base de conhecimento, analistas — para avaliação de qualidade.

Como distinguir uma boa vaga de uma vaga sem saída?

Há critérios de qualidade descritos, há calibrações e uma pessoa que toma decisões em casos controversos, e está claro onde crescer daqui a um ano. A anotação seguindo instruções sem descrição dos processos e sem equipe leva a um teto.

O que vem a seguir

Comece com uma ação hoje: anote cinco respostas do modelo que irritaram você e, ao lado, o que exatamente estava errado. Em uma semana, você terá uma lista de defeitos; em um mês, uma tabela de trinta linhas; em três, um portfólio com o qual pode ir a uma entrevista.

Se você quiser primeiro ver o quadro completo, leia o mapa das novas profissões em torno da IA: lá é explicado como o ciclo de criação de produto muda e quais papéis surgiram em cada etapa. Para a parte de conversação, serão úteis a preparação para a entrevista e o material sobre soft skills, e para treinar o diálogo ao vivo — o modo “Treinador” no HintMeTalk AI.