TL;DR
· Um empreendedor de IA afirma que agentes que escrevem código estão a alterar a hierarquização de competências no início de carreira.
· Tarefas avaliáveis são mais adequadas para modelos; os humanos devem aprender a identificar problemas, alocar tempo e ferramentas.
· O retorno financeiro não é o único objetivo; relações, reputação e qualidade de entrega farão a diferença.

Um empreendedor, que segundo o seu próprio relato trabalhou em empresas como Scale AI, DeepMind, OpenAI e Google e que agora está envolvido numa startup nativa de agentes, reescreveu conselhos de carreira para jovens num longo artigo em inglês. O contexto é que as ferramentas de codificação com IA evoluíram de completar código para agentes de engenharia de software mais completos. Quando a OpenAI lançou o Codex em 2025, afirmou que ele poderia processar tarefas em paralelo na nuvem, como escrever funcionalidades, corrigir bugs e propor PRs, mas ainda exigia revisão e validação humana do código. A questão que se coloca é: quando respostas padrão, código comum e tarefas avaliáveis se tornam cada vez mais baratos, onde devem os jovens investir o seu tempo?

O cerne deste artigo não é que «os programadores vão ser substituídos», mas sim que os critérios de triagem no início de carreira estão a mudar. As escolas e as entrevistas tradicionais treinam extensivamente problemas bem definidos, com respostas claras e que podem ser corrigidos – exatamente onde os modelos mais evoluem. No futuro, o que poderá diferenciar as pessoas será a capacidade de identificar problemas importantes, escolher ambientes de alto valor, construir uma reputação fiável e refinar os resultados medianos gerados por agentes até que sejam entregáveis.

A oferta em dinheiro já não é a única resposta; tempo e reputação são mais escassos

Na opinião do autor, no ambiente de startups de IA, o capital e as ferramentas são mais fáceis de obter do que no passado, mas o tempo de alta qualidade, relações fortes e reputação fiável continuam escassos.

Ele explica isto com a sua experiência pessoal. Antes de se juntar à Scale AI, afirma que recebeu ofertas de posições quantitativas com maior garantia financeira, mas acabou por escolher a Scale porque oferecia uma comunidade mais forte, cenários de produto mais amplos e maior exposição a problemas de ponta. Segundo as suas memórias, foi através da Scale que teve contacto com fornecedores de inferência de grandes modelos, obteve oportunidades na DeepMind e na OpenAI, e conheceu colegas com quem mais tarde fundou a sua startup.

Estas experiências não podem ser simplesmente extrapoladas para uma fórmula de carreira universal, mas o alerta é direto: as escolhas no início de carreira não devem considerar apenas o dinheiro imediato. Especialmente depois de a IA ter reduzido a barreira para construir software, criar rapidamente uma pequena ferramenta que gere dinheiro já não é raro; os retornos a longo prazo vêm geralmente de problemas mais difíceis, grupos mais fortes e sinais de currículo mais fiáveis.

Os jovens não devem perguntar «qual oportunidade dá mais dinheiro já», mas sim se vale a pena investir tempo nela, se podem trabalhar com pessoas excelentes, se o seu bom trabalho pode ser visto por pessoas de confiança, e se servirá como base de crédito para a próxima oportunidade.

O valor do engenheiro passa de «resolver problemas» para «encontrar problemas»

Quando os agentes conseguem lidar com cada vez mais problemas de limites claros, o valor do engenheiro já não é apenas «conseguir resolver», mas «conseguir escolher o problema certo».

O autor menciona que a sua equipa redesenhou o processo de entrevistas. A razão é que, se no trabalho real já não é preciso escrever cada linha de código à mão, então testar apenas algoritmos e design de sistemas tradicionais perde correlação com o desempenho no trabalho. Um teste mais significativo é ver se o candidato consegue compreender rapidamente o ambiente, identificar problemas que valem a pena resolver e depois mobilizar ferramentas de IA e recursos externos para avançar com os resultados.

Esta é também a nova divisão de trabalho depois de os agentes escreverem código. Os modelos são bons a lidar com tarefas com objetivos claros e feedback definido; os humanos precisam de avaliar que problemas são importantes, que caminhos vale a pena experimentar, e quanto tempo e custo de chamadas de modelo devem ser investidos.

Para os estudantes, o facto de a IA conseguir fazer os trabalhos de casa pode trazer frustração. Mas, do ponto de vista da contratação, as diferenças entre candidatos não desapareceram. Mesmo que todos consigam obter respostas com IA, uns precisam de muitas tentativas e palavras-passe, enquanto outros, com intuição de negócio, background técnico e contexto, conseguem colaborar com o agente para encontrar direções mais rapidamente.

O chamado «saber usar IA» não se resume a atirar problemas para o modelo. Capacidades mais fortes incluem decompor problemas, identificar informação em falta, decidir quando iterar ou mudar de rota, e verificar se os resultados realmente resolvem as contradições chave do negócio ou da tecnologia.

Quanto mais fácil é fazer software, mais próximo se deve estar dos problemas difíceis

A IA reduziu a barreira para construir software e tornou mais fácil replicar sistemas simples. O autor recorre à «amarga lição» da investigação em machine learning para explicar escolhas de carreira: a longo prazo, expandir métodos gerais tende a superar a otimização refinada para uma única tarefa.

Aplicado a empresas e carreiras individuais, isto significa que o fosso protetor de resultados simples se torna mais fino. Qualquer um pode mais facilmente criar um sistema que pareça utilizável; o valor duradouro concentra-se, em vez disso, em problemas suficientemente difíceis e ambiciosos.

Ao escolher uma empresa, o autor dá o seguinte critério: será que esta empresa está a resolver a versão mais ambiciosa do problema e tem realmente hipóteses de o resolver? Ao escolher um cargo, importa ver se o papel permite contacto direto com os problemas de ponta que a empresa está a resolver.

Ele também menciona que não se deve focar apenas no aspeto inicial do produto ou se a demo é impressionante. Segundo a sua avaliação subjetiva, a demo inicial da Anthropic parecia, na altura, um Slackbot inferior ao ChatGPT, mas isso não impediu a empresa de seguir uma trajetória completamente diferente. As startups mudam, os produtos mudam; a qualidade da equipa, o espaço de mercado e a dificuldade do problema têm mais impacto nos resultados a longo prazo.

As oportunidades de carreira seguem uma lógica semelhante. Oportunidades de alta qualidade nem sempre se transformam em resultados, mas uma pessoa precisa primeiro de estar na posição de as ver. Conseguir estar nessa posição depende ainda de capacidades e reputação acumuladas a longo prazo, bem como da disposição dos outros em partilhar oportunidades consigo.

Resultados medíocres tornam-se mais baratos; os últimos 10% valem mais

Quando um simples prompt permite que um agente gere um resultado de qualidade mediana, o valor do output comum diminui e o valor do polimento final aumenta.

O artigo cita Alfred Lin, da Sequoia Capital, que disse que os últimos 10% são muitas vezes 90% do trabalho e 90% do retorno. Na era da IA, esta afirmação ganha ainda mais relevo. Como resultados de 70% são cada vez mais fáceis de obter, o que realmente diferencia as pessoas são perspetivas únicas, atenção aos detalhes, capacidade de iteração, qualidade da arquitetura, escalabilidade e criatividade.

A primeira versão do output da IA raramente é perfeita. O trabalho real acontece muitas vezes nas iterações seguintes: descobrir o que está errado, o que precisa de ser reestruturado, que experiências não são fluidas, que casos limite não foram cobertos, e quando se deve usar a próxima geração de modelos para recomeçar do zero.

Estas capacidades podem ser desenvolvidas através de projetos, estágios e trabalho real. Gastar um pouco mais de tempo a polir, a limpar a arquitetura, a pensar na escalabilidade e a aperfeiçoar os detalhes até que os utilizadores queiram realmente usar o produto – tudo isso deixa marcas nos portefólios e nas entrevistas.

As competências tradicionais de engenharia não se tornaram obsoletas. A mudança é que a raridade de escrever código diminuiu, enquanto a capacidade de julgamento, o sentido estético, a compreensão do sistema e a qualidade da entrega se tornaram mais valiosas. A IA permite que mais pessoas atinjam um nível mediano; a diferença restante torna-se, por sua vez, mais difícil de superar.

A barreira para a investigação baixou, mas investigação não é um título

O artigo termina estendendo a discussão a «como entrar na investigação». O autor acredita que a IA não fez com que a investigação pertencesse apenas a laboratórios de topo; pelo contrário, baixou a barreira de entrada inicial.

A investigação moderna depende, claro, mais de poder computacional, mas o ponto de partida pode ser simples: usar modelos existentes, transformar a sua intuição em avaliações, participar em rankings de otimização públicos, aproveitar os créditos que plataformas de cloud oferecem a estudantes e investigadores, e testar ideias cedo. A maioria das ideias acaba por falhar quando escalada, mas compreender o fracasso faz parte da construção do discernimento em investigação.

Um investigador é antes de mais uma forma de trabalhar, e não apenas um cargo. A investigação em laboratórios de ponta mistura frequentemente curiosidade, experimentação de novas ideias, interação com infraestruturas, compreensão de detalhes do sistema, depuração rápida, e a capacidade de comunicar o valor dos resultados para conseguir mais recursos. Grande parte do treino não precisa de esperar até se obter o título de «investigador».

Os conselhos de carreira deixados por este artigo não são pessimistas. A IA torna as respostas padrão, o código comum e as tarefas avaliáveis mais baratos, e permite que os jovens entrem mais cedo em contacto com problemas reais. As oportunidades ainda existem, apenas a forma como são distribuídas mudou: quem conseguir encontrar problemas importantes, entrar em ambientes de alta qualidade, acumular reputação fiável e levar os resultados até ao último quilómetro terá mais facilidade em obter a próxima oportunidade.

Clique para conhecer as vagas abertas na BlockBeats

Bem-vindo a juntar-se à comunidade oficial da BlockBeats:

Grupo de subscrição no Telegram: https://t.me/theblockbeats

Grupo de conversa no Telegram: https://t.me/BlockBeats_App

Conta oficial no Twitter: https://twitter.com/BlockBeatsAsia