TL;DR
· Um empreendedor de IA afirma que agentes escrevendo código estão mudando a classificação de habilidades no início da carreira.
· Tarefas pontuáveis são mais adequadas para modelos; humanos precisam aprender a julgar problemas, alocar tempo e ferramentas.
· Retorno financeiro não é o único objetivo; relacionamentos, reputação e qualidade de entrega criam diferenciação.

Um empreendedor que, segundo seu próprio relato, trabalhou em empresas como Scale AI, DeepMind, OpenAI, Google e agora atua em uma startup nativa de agentes, escreveu um longo artigo em inglês com novos conselhos de carreira para jovens. O contexto é que 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 pode processar tarefas em paralelo na nuvem, como escrever funções, corrigir bugs e criar PRs, mas ainda precisa de revisão e validação humana. A questão então se torna: quando respostas padrão, códigos comuns e tarefas pontuáveis se tornam mais baratos, onde os jovens deveriam investir seu tempo?

O cerne do artigo não é "programadores serão substituídos", mas sim que os critérios de filtragem no início da carreira estão mudando. Escolas e entrevistas tradicionais treinam intensamente problemas bem definidos, com respostas claras e que podem ser corrigidos — e é justamente aí que os modelos mais avançam. No futuro, o que pode diferenciar as pessoas é a capacidade de descobrir problemas importantes, escolher ambientes de alto valor, construir uma reputação confiável e polir resultados intermediários gerados por agentes até torná-los entregáveis.

Oferta em dinheiro não é mais a única resposta; tempo e reputação são mais escassos

Na avaliação do autor, no ambiente de startups de IA, capital e ferramentas são mais fáceis de obter do que no passado, mas tempo de qualidade, relacionamentos fortes e reputação confiável ainda são escassos.

Ele explica isso com sua experiência pessoal. Antes de entrar na Scale AI, ele afirma ter recebido ofertas de cargos quantitativos com salário mais alto, mas acabou escolhendo a Scale porque havia lá uma comunidade mais forte, cenários de produto mais amplos e maior exposição a problemas de ponta. Ele lembra que, mais tarde, foi através da Scale que teve contato com fornecedores de inferência de grandes modelos, conseguiu oportunidades no DeepMind e na OpenAI, e conheceu colegas com quem fundou startups.

Essas experiências não podem ser simplesmente extrapoladas como fórmula de carreira para todos, mas o alerta é direto: a escolha inicial de carreira não deve olhar apenas para o dinheiro imediato. Especialmente depois que a IA reduziu a barreira para construir software, criar rapidamente uma ferramenta pequena que gere receita não é mais raro. O retorno de longo prazo geralmente vem de problemas mais difíceis, grupos de pessoas mais fortes e sinais de currículo mais confiáveis.

Os jovens não devem perguntar "qual oportunidade me dará mais dinheiro agora", mas sim se o trabalho vale o investimento de tempo, se pode ser feito com pessoas excelentes, se seu bom trabalho será visto por pessoas confiáveis, e se isso se tornará a base de crédito para a próxima oportunidade.

O valor do engenheiro muda de "resolver problemas" para "encontrar problemas"

Quando os agentes conseguem lidar com cada vez mais problemas de limites claros, o valor do engenheiro não está mais apenas em "conseguir resolver", mas em "conseguir escolher o problema certo".

O autor menciona que sua equipe reformulou o processo de entrevistas. A razão é que, se no trabalho real não for mais necessário escrever cada linha de código manualmente, então apenas testar algoritmos tradicionais e design de sistemas perde correlação com o desempenho no trabalho. Um teste mais significativo é ver se o candidato consegue entender rapidamente o ambiente, descobrir problemas que valem a pena resolver, e depois usar ferramentas de IA e recursos externos para avançar nos resultados.

Essa é a nova divisão de trabalho após os agentes escreverem código. Os modelos são bons em tarefas com objetivos claros e feedback direto; os humanos precisam julgar quais problemas são importantes, quais caminhos valem a tentativa, e quanto tempo e custo de chamada de modelo devem ser investidos.

Para os estudantes, o fato de a IA poder fazer lições de casa pode gerar frustração. Mas, do ponto de vista da contratação, as diferenças entre candidatos não desapareceram. Mesmo que todos possam usar IA para obter respostas, alguns precisam de muitas tentativas e erros e prompts elaborados, enquanto outros, com intuição de negócios, background técnico e contexto, colaboram com o agente e encontram o rumo mais rápido.

O chamado "saber usar IA" não é apenas jogar o problema para o modelo. Habilidades mais fortes incluem decompor problemas, identificar informações faltantes, julgar quando continuar iterando ou mudar de rota, e verificar se o resultado realmente resolveu a contradição chave no negócio ou na tecnologia.

Quanto mais fácil for fazer software, mais é preciso se aproximar de problemas difíceis

A IA reduziu a barreira para construir software, tornando sistemas simples mais fáceis de replicar. O autor empresta a "amarga lição" da pesquisa em machine learning para explicar escolhas de carreira: no longo prazo, expandir métodos gerais tende a superar otimizações refinadas para tarefas únicas.

Aplicado a empresas e carreiras individuais, isso significa que o fosso de resultados simples está ficando mais raso. Qualquer um pode criar mais facilmente um sistema que parece funcional; o valor realmente durável se concentra em problemas suficientemente difíceis e ambiciosos.

Ao escolher uma empresa, o autor dá o critério: esta empresa está resolvendo a versão mais ambiciosa daquele problema? Ela realmente tem chance de resolvê-lo? Ao escolher um cargo, veja se ele permite contato direto com os problemas de ponta que a empresa está enfrentando.

Ele também alerta para não se prender apenas a produtos iniciais bonitos ou demos impressionantes. Em sua avaliação subjetiva, o demo inicial da Anthropic parecia, na época, apenas um Slackbot inferior ao ChatGPT, mas isso não impediu a empresa de seguir uma trajetória completamente diferente. Empresas iniciais mudam, produtos mudam; a qualidade da equipe, o espaço de mercado e a dificuldade do problema influenciam mais os resultados de longo prazo.

Oportunidades de carreira seguem lógica semelhante. Oportunidades de alta qualidade nem sempre se transformam em resultados, mas a pessoa precisa primeiro estar em uma posição onde possa vê-las. E chegar lá ainda depende de habilidades acumuladas ao longo do tempo, reputação e da disposição dos outros em compartilhar oportunidades com você.

Resultados comuns ficam mais baratos; os últimos 10% valem mais

Quando um prompt simples pode gerar resultados de qualidade mediana com agentes, o valor da produção comum cai, e o valor do polimento final sobe.

O artigo cita Alfred Lin, da Sequoia Capital, que diz que os últimos 10% costumam ser 90% do trabalho e também 90% do retorno. Na era da IA, essa frase ganha mais peso. Como resultados de 70 pontos são cada vez mais fáceis de obter, o que realmente diferencia as pessoas são perspectivas únicas, atenção aos detalhes, capacidade de iteração, qualidade da arquitetura, escalabilidade e criatividade.

A primeira saída da IA raramente é perfeita. O trabalho real geralmente ocorre nas iterações subsequentes: descobrir o que está errado, o que precisa ser refatorado, que experiência não está fluindo, quais casos extremos não foram cobertos, e quando vale a pena refazer tudo com a próxima geração de modelo.

Essas habilidades podem ser desenvolvidas em projetos, estágios e trabalho real. Dedicar um pouco mais de tempo ao polimento, deixar a arquitetura limpa, pensar na escalabilidade e nos detalhes para que o usuário realmente queira usar — tudo isso deixa marcas nos portfólios e nas entrevistas.

As habilidades tradicionais de engenharia não perderam a validade. A mudança é que a escassez do ato de escrever código diminuiu, enquanto julgamento, estética, compreensão de sistemas e qualidade de entrega se tornaram mais caros. A IA permite que mais pessoas atinjam um nível mediano; a lacuna restante, porém, fica ainda mais difícil de preencher.

A barreira para pesquisa diminuiu, mas pesquisa não é um título

O artigo encerra a discussão com "como entrar em pesquisa". O autor acredita que a IA não tornou a pesquisa exclusiva de laboratórios de ponta; pelo contrário, diminuiu a barreira de entrada inicial.

A pesquisa moderna depende mais de poder computacional, mas o ponto de partida pode ser simples: usar modelos existentes, transformar sua intuição em avaliações, participar de rankings de otimização abertos, aproveitar créditos de plataformas de nuvem para estudantes e pesquisadores, testar ideias o mais cedo possível. A maioria das ideias falha quando ampliada, mas entender o fracasso faz parte do desenvolvimento do julgamento de pesquisa.

Um pesquisador é, antes de tudo, um modo de trabalho, não apenas um cargo. A pesquisa em laboratórios de ponta geralmente combina curiosidade, experimentação de novas ideias, integração com infraestrutura, compreensão de detalhes do sistema, depuração rápida e a capacidade de comunicar claramente o valor dos resultados para obter mais recursos. Grande parte desse treinamento não precisa esperar até que se obtenha o título de "pesquisador".

Os conselhos de carreira deixados pelo artigo não são pessimistas. A IA torna respostas padrão, códigos comuns e tarefas pontuáveis mais baratos, e também permite que os jovens entrem em contato com problemas reais mais cedo. As oportunidades ainda existem, mas sua distribuição mudou: quem conseguir encontrar problemas importantes, entrar em ambientes de alta qualidade, acumular reputação confiável e levar os resultados até o último quilômetro terá mais facilidade para conseguir a próxima rodada de oportunidades.

Clique para saber mais sobre as vagas abertas na BlockBeats

Bem-vindo a se juntar à comunidade oficial BlockBeats:

Canal de inscrição no Telegram: https://t.me/theblockbeats

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

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