O caos das vagas de AI Engineer: os 7 cenários reais

Na aula anterior vimos o “especialista em IA” que é, no fundo, usuário de autocomplete glorificado. Entender que “IA é só isso mesmo” é justamente o que vai te diferenciar. Agora a pergunta é outra: o que o mercado quer quando abre uma vaga de AI Engineer? Vale o risco? E como isso afeta quem já é de dados ou de software?

O mercado não sabe o que é um AI Engineer

Hoje a definição de “AI Engineer” é um “depende” gigante. A vaga funciona como um teste de Rorschach: quem contrata enxerga nela o que precisa desesperadamente naquele momento.

Estes são os 7 cenários mais comuns que aparecem por aí, sempre disfarçados de vaga dos sonhos:

O “Solo Founder” de aluguel (startup early stage). Eles têm uma ideia e pouco dinheiro por mês. Você será o time inteiro: da limpeza de dados no Pandas ao deploy da landing page e ao marketing.
O faxineiro de “vibe coding”. O fundador tentou fazer o MVP só com prompts e o app não escala, ou nem funciona direito. Sua missão é trazer engenharia de verdade para o caos.
O mantenedor de produto. A empresa já tem clientes e o produto funciona. Você vai otimizar latência, reduzir custo de API e criar features. É o cenário mais próximo da engenharia de software tradicional.
O auditor de LLM (Evaluation Engineer). Garante que, ao atualizar o modelo, você não quebrou 15% das respostas que estavam boas. Cria golden datasets, LLM-as-a-judge e o rigor que o contexto da empresa exige.
A fábrica de PoCs (big techs). Você valida hipóteses: dez provas de conceito por trimestre para a diretoria ver. Muito otimismo, pouca chance de o código ver produção.
O redutor de custos (PME). O foco é eficiência interna, por exemplo conectar o Slack a um LLM para poupar o tempo de três estagiários.
A exceção (os realistas). Empresas que entenderam que IA não faz milagre, mas automação de processos sim. Querem alguém que integre IA ao fluxo de trabalho e gere valor imediato.

Na dúvida, pede-se tudo

Quem é de ciência de dados conhece bem este fenômeno. Descrição de vaga não é retrato do dia a dia, é lista de desejos. Muitas vezes procuram um unicórnio inexistente: alguém que faça front-end, back-end, otimize modelos, cuide dos custos e fale com o cliente.

O tamanho da bomba é proporcional à falta de clareza do escopo. Se for entrar nos cenários 1 ou 2, negocie a remuneração pelo nível de responsabilidade e alinhe expectativas. Sem um exemplo claro do que é a entrega final, você vira o culpado pelo fracasso de um sonho mal planejado.

Quem tende a brilhar onde

Devs de software tendem a performar melhor nos cenários 1, 2 e 3. Precisam de perfil full-stack, algo como 20% front e 80% back.
Cientistas de dados tendem a brilhar nos cenários 4, 5, 6 e 7, onde rigor analítico e entendimento do que acontece “por trás das cortinas” dos LLMs são vitais. Saber mineração de texto com técnicas tradicionais também ajuda muito.

O mapa de habilidades

O que vale dominar hoje:

Habilidade	Profundidade	Por quê
Engenharia de contexto	Alta	Muito além do prompt: é como você organiza os dados para o modelo responder bem.
Comunicação entre sistemas	Alta	HTTP, autenticação, streaming, tratamento de erro, rate limiting. Sem isso não há produção segura, escalável e viável.
Modelos como serviço	Alta	APIs, contratos, validação de entrada e saída, versionamento, observabilidade (FastAPI, Flask, Express, Spring).
RAG e fine-tuning	Intermediária	Saber quando usar cada um, e perceber que muitas vezes nenhum dos dois é necessário.
RLHF	Básica	Para entender como os modelos são alinhados; mais curiosidade do que requisito.
No-code (ex.: n8n)	Opcional	Útil no cenário 6, mas raramente exigido nas vagas.

Empregabilidade e o preço do hype

A boa notícia: hoje o AI Engineer não fica desempregado, porque o hype criou uma demanda que o mercado não consegue suprir. A má notícia: quantidade não é qualidade. Tem ambiente tóxico, expectativa desalinhada e salário “médio” em todo lugar.

Cuidado com vaga que oferece salário em dólar como benefício quando, na ponta do lápis, um CLT no Brasil sairia melhor. A conta é simples: quanto você gera versus quanto você recebe.

O maior estresse da área raramente é o código que não funciona. É:

reunião infinita para “definir o que é um agente”;
discussão para colocar agente onde um if/else resolveria;
lidar com quem quer “IA” mas não tem processo definido.

Resumo

“AI Engineer” é um guarda-chuva para pelo menos 7 trabalhos diferentes. Identifique o cenário antes de aplicar.
Software tende a ir melhor nos cenários de produto (1–3); dados, nos de avaliação, PoC, custos e automação (4–7).
Prioridade de estudo: contexto, comunicação entre sistemas e modelos como serviço. RAG e fine-tuning em nível intermediário.