Novas profissões criadas pela IA: mapa de papéis, PDLC e como passar na entrevista

“A IA vai substituir profissões” é uma conversa inútil: gera ansiedade e nada mais. Uma leitura mais prática: dentro das empresas o processo muda, a lista de tarefas muda com ele e surgem papéis que não existiam há três anos. São esses que estão sendo contratados hoje.

O que muda dentro da empresa

O ciclo clássico de desenvolvimento de produto repete os mesmos passos: entender o problema, projetar a solução, construir, testar, lançar e medir. A IA entra em cada passo, mas de forma diferente.

• Discovery. Síntese de entrevistas, análise de feedback e tickets, hipóteses — mais rápido, com trabalho novo: verificar se o modelo inventou um padrão.
• Design. Protótipos e textos saem em minutos; o valor migra para a formulação do problema e os critérios de qualidade.
• Build. O código sai mais rápido, mas revisão, testes e leitura de código gerado ocupam mais tempo.
• Test. Nasce uma disciplina própria: avaliar a qualidade dos modelos — conjuntos de teste, métricas, execuções manuais e automáticas.
• Lançamento e medição. Alguém precisa acompanhar custo, deriva de qualidade e explicar ao negócio o que mudou de fato.

Desse deslocamento nascem as novas profissões: o trabalho não desaparece, redistribui-se — parte da rotina vai para o modelo e o tempo liberado vai para formular, verificar e explicar.

Os papéis que surgiram

• Engenheiro de IA / LLM: constrói cenários sobre modelos prontos — escolha do modelo, contexto, ferramentas, cache, tratamento de erros.
• Engenheiro de avaliação: desenha o sistema de checagens: quais casos precisam funcionar, como medir regressões, quanto custa um erro.
• Product manager de IA: decide onde a IA faz sentido, estima efeito, risco e custo, e sabe dizer não a demos vistosas que não resolvem nada.

As habilidades que realmente são avaliadas

As vagas estão cheias de nomes de ferramentas, mas a entrevista avalia outra coisa: se você leva um cenário até o resultado e explica seus limites.

1. Pensamento sistêmico: você vê o caminho do dado — de onde vem a requisição, o que entra no contexto, onde fica a resposta, quem responde pelo erro.
2. Conforto com incerteza: a stack muda a cada seis meses; buscam velocidade de aprendizado, não uma biblioteca decorada.
3. Critérios mensuráveis: “funciona bem” não é critério. Destacam-se os que propõem checagens concretas.
4. Economia da solução: custo por requisição, latência e volume fazem parte da decisão técnica.
5. Segurança e dados: o que nunca deve ir para um modelo, como tratar dados pessoais.
6. Comunicação: explicar ao time e à liderança por que a solução funciona e onde ela quebra.

Como passar na entrevista

1. Prepare histórias, não respostas

Quase sempre pedem um caso real. Quatro partes: tarefa e restrições, o que você fez, o que aconteceu, o que faria diferente. Sem a última parte, soa como relatório, não experiência.

2. Espere o caso “traga IA para este processo”

“O suporte recebe 3.000 tickets por dia, o que você propõe?” Uma boa resposta começa com perguntas, não com um modelo: volume, custo do erro, quem verifica o resultado, quais dados existem. Depois, um piloto estreito e uma métrica.

3. Nomeie os limites antes que perguntem

Valoriza-se a honestidade sobre onde a solução falha: alucinações, dados desatualizados, custo, risco jurídico. Quem declara os limites parece mais confiável do que quem promete tudo.

Checklist de preparação

1. Escreva três histórias no formato “tarefa — ação — resultado — lição”.
2. Descreva um rollout de IA seguindo o PDLC e esboce uma métrica.
3. Defina cinco checagens de qualidade para um cenário imaginado.
4. Estime o custo: requisições por dia × preço × margem.
5. Treine em voz alta — em português e em inglês, se a vaga for internacional.

As profissões novas assustam pelos títulos, mas os requisitos são pé no chão: entender o processo, definir critérios, chegar a um resultado e explicá-lo às pessoas. Essas habilidades treinam-se — inclusive na conversa: quanto mais você disser sua história em voz alta, mais tranquila será a entrevista real.

• Curador de dados: responde pela qualidade da entrada e pela rotulagem; costuma ser subestimado, mas define o teto de qualidade.
• AI Ops / MLOps: versões de modelos, monitoramento, custo por requisição, latência, rollback. Sem isso o piloto quebra ao virar produto.
• Responsável por adoção e treinamento: ajuda as pessoas a refazer o trabalho: diretrizes, treinamento, revisão de erros. Tecnicamente simples, a parte mais conflituosa.