Introdução
Na era da IA, os jovens enfrentam uma pergunta de carreira diferente da das gerações anteriores: se os modelos conseguem resolver muitas tarefas bem definidas, que tipos de trabalho ainda terão valor?
Este artigo baseia-se numa publicação partilhada por Phil Chen, antigo investigador da OpenAI, DeepMind e Scale AI. A sua ideia é direta: os modelos de IA estão a tornar-se extremamente bons em tarefas que podem ser claramente especificadas, avaliadas e otimizadas. Grande parte da formação escolar é exatamente assim — um problema definido, uma resposta conhecida e uma regra de avaliação.
Por isso, o trabalho valioso da próxima década poderá não ser aquele que mais se parece com trabalhos de casa. Muitas vezes, será o trabalho que é difícil de avaliar dentro de um ciclo de treino de modelos: escolher o problema certo, construir relações, desenvolver discernimento, percorrer a última milha e aprender a transformar oportunidades em resultados reais.
Abaixo está a versão reescrita em inglês, mantendo a estrutura original e as ideias principais, mas com uma linguagem mais fluida para publicação em blog.
Nota sobre a Fonte
- Fonte original: artigo do BAAI Hub, que indica que o conteúdo veio originalmente do WeChat.
- O artigo foi organizado por 夏千斯.
- A página original inclui um banner decorativo de “acompanhar manchetes académicas” e imagens finais de plataforma/promoção. Esses elementos não foram incluídos porque não são necessários para compreender o artigo.
- Um link de imagem final na página de origem não carregou durante a verificação e parece estar fora do corpo principal do artigo, por isso não foi inserido.
- Não havia blocos de código nem tabelas técnicas no artigo original.
Artigo Principal
Os modelos de IA continuam a melhorar em tudo aquilo que pode ser expresso como uma função de perda. Muitos trabalhos escolares são semelhantes nesse aspeto: o problema é bem definido, a resposta é conhecida e o resultado pode ser avaliado.
É por isso que o trabalho mais valioso da próxima década será provavelmente aquele que não pode ser facilmente avaliado dentro de um ciclo de treino de modelos.
Ao longo dos últimos seis anos, Phil Chen trabalhou com pessoas em fases muito diferentes de empresas: a sua própria startup, a Helm AI, a Scale AI, a OpenAI e a Google. Esses ambientes iam desde pequenas equipas até grandes organizações com mais de 100.000 colaboradores.
Como fundador de uma empresa construída de forma nativa em torno de agentes, ele tem passado muito tempo a pensar no tipo de pessoas de que uma empresa precisa agora e no tipo de talento de que precisará no futuro. Uma empresa construída à volta de agentes não contrata exatamente da mesma forma que uma empresa em que a maior parte da produção ainda depende de humanos a escrever tudo manualmente.
Para pessoas ambiciosas no início da carreira, isto altera os conselhos práticos. Algumas ideias clássicas continuam válidas. A velha expressão das startups — “quando entras num foguetão, não faças”
não se preocupar demais com o lugar exato” ainda contém verdade. Mas, com a ascensão da programação orientada por agentes, os detalhes mudaram.
- Foque nos recursos que são realmente escassos
Antes de entrar na Scale, Phil recebeu uma oferta com remuneração em dinheiro mais alta para um cargo em trading quantitativo. Ele escolheu a Scale porque estava mais entusiasmado com as pessoas de lá, com a comunidade em torno da empresa e com a chance de ver muitos produtos diferentes e aplicações de IA no mundo real.
Essa escolha valeu a pena de maneiras que não eram óbvias na época. Por meio da Scale, ele teve contato com provedores de inferência de LLMs, o que mais tarde ajudou a conduzi-lo à DeepMind e à OpenAI. Ele também conheceu colegas ambiciosos que depois passaram a fazer parte de uma rede mais ampla de fundadores oriunda da Scale.
Olhando para trás, os relacionamentos e as oportunidades de aprendizado foram mais valiosos do que o dinheiro extra teria sido.
O capital está mais acessível do que nunca. Mas o tempo ao lado de pessoas excelentes ainda é escasso. O mesmo vale para relacionamentos fortes, confiança e reputação.
A excelência passada em trabalhos relevantes continua sendo um dos sinais mais fortes. O conselho prático é simples: faça um bom trabalho e garanta que outras pessoas excelentes e confiáveis possam vê-lo.
Seja muito deliberado na forma como você aloca seu tempo. Projetos escolares, projetos paralelos, estágios e os primeiros empregos não devem apenas ser marcados como itens de currículo. Eles devem estar voltados para problemas que importam para você.
Com vibe coding e o desenvolvimento assistido por IA, está mais fácil do que nunca lançar pequenos projetos e perseguir oportunidades de curto prazo. Algumas dessas oportunidades podem gerar dinheiro rapidamente. Mas, se o objetivo é criar valor duradouro, geralmente é melhor investir tempo onde o aprendizado, os relacionamentos e a reputação se acumulam.
Tempo, relacionamentos e reputação são os recursos verdadeiramente escassos. Trate-os como tal.
- Aprenda a encontrar problemas, não apenas a resolvê-los
Uma empresa que trabalha de forma nativa com agentes precisa repensar o que a capacidade de engenharia realmente significa.
Quando o código deixa de ser escrito principalmente linha por linha, à mão, os sinais tradicionais se tornam mais fracos. Quebra-cabeças no estilo LeetCode e até muitas perguntas padrão de design de sistemas nem sempre mostram como alguém vai se sair no ambiente real.
A pergunta mais importante passa a ser: essa pessoa consegue entender rapidamente o ambiente, identificar o que realmente vale a pena corrigir e resolver o problema sob restrições reais?
No futuro, as habilidades mais importantes estarão ligadas à seleção de problemas e à alocação de recursos.
Os agentes já são fortes para lidar com problemas complexos que estejam claramente definidos. As pessoas com maior impacto serão aquelas capazes de identificar problemas importantes e depois direcionar tempo, atenção, tokens, capacidade computacional e pessoas para resolvê-los.
Muitos estudantes se sentem desmotivados quando um agente consegue resolver suas tarefas. Mas candidatos fortes ainda diferem bastante na eficiência com que chegam a uma boa solução. As melhores pessoas geralmente trazem intuição de alto nível, conhecimento de domínio e contexto para a colaboração com o agente.
Na prática, os candidatos com sinais mais fortes costumam estar profundamente imersos em ambientes reais de resolução de problemas. Às vezes isso vem de projetos pessoais sérios. Às vezes vem de empresas em rápido crescimento onde há
há problemas muito mais importantes do que pessoas disponíveis para resolvê-los.
- Escolha os Problemas em que Mais Vale a Pena Trabalhar
Um dos modelos mentais mais úteis na pesquisa em IA é “The Bitter Lesson”. A ideia central é que, no longo prazo, métodos gerais que escalam com computação tendem a superar abordagens concebidas manualmente e específicas para cada tarefa.
Essa lição também se aplica à carreira e à escolha de empresas.
Os resultados das empresas e os resultados de carreira sempre seguiram leis de potência. A IA faz com que essas leis de potência se manifestem mais rapidamente, porque desenvolver software se tornou muito mais fácil. Muitas pessoas agora conseguem construir sistemas simples rapidamente. Isso significa que o valor duradouro virá menos de simplesmente construir algo e mais de um foco intenso em problemas verdadeiramente ambiciosos.
Ao escolher uma empresa, a questão não é apenas se ela parece empolgante agora. Pergunte-se se ela está trabalhando em um problema grande o suficiente para importar e se tem um caminho real para resolvê-lo.
Ao escolher uma função, pergunte se essa função o coloca perto da fronteira do problema que a empresa está tentando resolver.
Uma boa função deve lhe dar proximidade com as decisões importantes, os trade-offs e as restrições. É aí que o aprendizado se acumula.
- Corra pela Reta Final
Para startups, Alfred Lin escreveu sobre os 10% finais: os últimos 10% podem representar 90% do trabalho, mas também 90% da recompensa.
A IA está tornando a qualidade do trabalho mais polarizada. O trabalho mediano está ficando mais fácil de produzir, porque um agente mais um prompt básico já conseguem gerar algo utilizável. Isso significa que a verdadeira diferenciação vem de gosto singular, compreensão profunda de um problema e atenção séria aos detalhes.
É na reta final que essa diferença aparece.
Acertar os detalhes finais exige prática. Nada fica perfeito na primeira tentativa, então a reta final geralmente significa iteração: lapidar, testar, reconstruir, simplificar e melhorar.
Como os agentes de programação estão melhorando rapidamente, o melhor caminho nem sempre é continuar corrigindo indefinidamente a mesma versão. Às vezes, é melhor absorver as lições de uma iteração e então recomeçar do zero com um modelo mais novo ou uma arquitetura mais limpa.
Você pode praticar isso em seus próprios projetos. Dedique tempo extra para melhorar a arquitetura. Pense em escalabilidade. Acrescente criatividade em vez de parar no “funciona”. Pequenos projetos se tornam muito mais valiosos quando demonstram discernimento e acabamento, e não apenas velocidade.
Crie um site de apresentacao e gere leads em minutos
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
- Melhore tanto o xG quanto a Eficiência de Conversão
No futebol, xG significa gols esperados. Ele estima quantos gols um time deveria marcar com base na qualidade de suas chances, usando fatores como distância, ângulo e posição do goleiro.
Essa é uma analogia útil para a carreira.
Alguns movimentos de carreira aumentam seu xG: eles o colocam em uma posição em que grandes oportunidades têm mais probabilidade de surgir. Mas a qualidade da oportunidade é apenas metade da equação. Você também precisa de eficiência de conversão — a capacidade de transformar essas oportunidades em resultados reais.
Phil compartilhou que, em 2023, recusou ofertas da Anthropic e da Cursor, escolhendo em vez disso trabalhar com inferência e treinamento de modelos de fronteira na DeepMind. Em 2024, ele novamente abriu mão dessas duas oportunidades e escolheu a OpenAI porque ela combinava melhor com seus interesses, cultura e
objetivos naquela época.
Do ponto de vista da carreira, essas oportunidades alternativas tinham alto xG. Mas a melhor escolha depende da sua direção pessoal, da equipe, do mercado e do que você está tentando aprender.
Uma carreira é longa. Oportunidades vêm e vão. O objetivo não é dizer sim a tudo que parece impressionante. O objetivo é estar em lugares onde oportunidades significativas possam chegar até você — e então tomar decisões melhores quando isso acontecer.
Reputação e expertise ainda importam. Algumas oportunidades surgem porque as pessoas já confiam no seu trabalho. Outras surgem porque você dedicou tempo real a problemas com os quais certas equipes se importam.
Em algum momento, a vida não é apenas sobre enxergar oportunidades. É sobre convertê-las. Isso significa reunir informação suficiente, fazer perguntas melhores e tomar decisões com mais contexto.
Para empresas em estágio inicial, os fatores mais importantes geralmente são a equipe e o mercado. Muitos candidatos focam demais no produto atual. Mas, se a equipe for excepcional, o produto muitas vezes mudará para algo muito melhor com o tempo.
- Você Pode Começar a Fazer Pesquisa Agora
Muitas pessoas perguntam como entrar em pesquisa em IA. Um ponto de partida útil é não esperar permissão.
Você nem sempre precisa de capacidade computacional em escala de laboratórios de fronteira para começar. Um bom ponto de partida é usar modelos existentes e transformar suas próprias intuições em avaliações. Se você acha que um modelo falha em um certo tipo de raciocínio, fluxo de trabalho ou tarefa, crie uma avaliação simples que capture isso.
Rankings públicos de otimização e comunidades abertas de pesquisa também podem tornar a exploração mais estruturada. Eles dão às pessoas uma forma de testar ideias, comparar abordagens e aprender com o fracasso.
Capacidade computacional ajuda, claro. Mas a pesquisa começa antes da computação massiva. Ela começa com curiosidade, experimentos cuidadosos e o hábito de perguntar por que algo funciona ou falha.
Muitas ideias falharão quando forem ampliadas em escala. Isso é normal. Entender por que elas falham é como você constrói intuição sobre o que realmente funciona.
No fim, ser pesquisador não é apenas um cargo. É uma mentalidade.
Dentro dos laboratórios de fronteira, a pesquisa frequentemente combina várias coisas:
- Curiosidade forte o suficiente para explorar novas ideias.
- Disposição para lidar com a infraestrutura até que a ideia realmente funcione.
- Entendimento detalhado do sistema, para que os problemas possam ser depurados com eficiência.
- Comunicação clara sobre por que o resultado importa, para que a equipe possa justificar mais capacidade computacional e atenção.
Você pode praticar essas coisas mesmo se não estiver dentro de um laboratório de fronteira.
O mundo ainda tem muitas oportunidades em aberto. A chave é procurar problemas interessantes e depois entregar um trabalho que esteja claramente acima do nível padrão.
FAQ
Qual é o principal conselho de carreira para jovens na era da IA?
O conselho central é focar em um trabalho que seja difícil para sistemas de IA avaliar ou automatizar diretamente. Isso inclui escolher problemas importantes, construir relações de confiança, desenvolver discernimento e executar bem os detalhes finais.
Por que identificar problemas importa mais à medida que os agentes de IA melhoram?
Os agentes de IA estão se tornando muito fortes na resolução de tarefas claramente definidas. Isso torna mais valiosa a capacidade de identificar o problema certo. As melhores pessoas saberão o que merece
atenção antes de pedir a um agente para resolvê-lo.
A programação ainda é útil se a programação agentiva continuar a melhorar?
Sim, mas o valor muda. Em vez de apenas escrever código manualmente, quem constrói precisa compreender sistemas, orientar agentes, depurar resultados, projetar arquiteturas melhores e decidir, antes de tudo, o que deve ser construído.
O que significa “recursos escassos” neste contexto de carreira?
Recursos escassos incluem tempo, relacionamentos, reputação e acesso a pessoas excelentes. Dinheiro e ferramentas básicas podem se tornar mais fáceis de obter, mas redes de confiança e excelência comprovada continuam a se acumular ao longo do tempo.
O que é a “última milha” no trabalho da era da IA?
A última milha é o trecho final em que um resultado mediano se transforma em um resultado excelente. Ela inclui testar, refinar, simplificar, melhorar a arquitetura e acrescentar o discernimento que um resultado preliminar gerado por IA geralmente não tem.
Os estudantes podem começar a fazer pesquisa em IA sem entrar em um laboratório de ponta?
Sim. Os estudantes podem começar usando modelos existentes, criando pequenas avaliações, testando hipóteses e participando de benchmarks abertos ou rankings. A pesquisa começa com curiosidade e experimentos cuidadosos, não apenas com um cargo ou escala de computação.
Como alguém deve escolher uma empresa de IA em estágio inicial?
Observe a equipe, o mercado e a ambição do problema. O produto atual importa, mas equipes fortes frequentemente mudam e melhoram os produtos ao longo do tempo. Um bom cargo também deve colocá-lo perto do problema mais importante da empresa.
Ferramentas relacionadas
- OpenAI: Uma empresa de pesquisa e produtos de IA que trabalha com modelos de fronteira e sistemas de IA.
- Google DeepMind: A organização de pesquisa em IA do Google, focada em inteligência de máquina avançada.
- Scale AI: Uma empresa de dados e infraestrutura de IA ligada a muitos fluxos de trabalho de produtos e modelos de IA.
- Anthropic: Uma empresa de segurança e pesquisa em IA, mais conhecida pelo Claude.
- Cursor: Um editor de código com IA frequentemente citado no contexto da programação agentiva.
- Modal: Uma plataforma de computação serverless para executar cargas de trabalho de IA, dados e GPU.
- GitHub: Uma plataforma para publicar código, implementações de pesquisa e benchmarks de código aberto.
Links relacionados
- Artigo original do BAAI Hub: A página-fonte em chinês usada para este artigo reescrito.
- Artigo de Phil Chen no X: Conselhos de carreira na era da IA: O artigo original no X referenciado pela publicação do BAAI.
- The Bitter Lesson: O influente ensaio de Richard Sutton sobre a escalabilidade de métodos gerais em IA.
- Alfred Lin: Os 10% finais: Uma publicação sobre por que o trecho final da execução pode gerar a maior parte da recompensa.
- Vlad Feinberg: Como conseguir um emprego em um laboratório de ponta: Conselhos de carreira para pessoas que querem trabalhar em laboratórios de IA de fronteira.
- KellerJordan/modded-nanogpt: Uma otimização pública e
Repositório do speedrun do NanoGPT relevante para a prática prática de pesquisa em IA.
- Site oficial da Modal: Uma plataforma de computação mencionada no contexto de facilitar a execução de experiências de IA.
Resumo
Este artigo explica por que o crescimento profissional na era da IA tem menos a ver com simplesmente resolver os problemas atribuídos e mais com identificar problemas importantes, escolher ambientes ambiciosos e construir o tipo de reputação que gera oportunidades de alta qualidade.
Também enfatiza que a programação agentiva muda o valor do trabalho técnico. A produção mediana torna-se mais fácil de obter, por isso o discernimento, o bom gosto, a compreensão de sistemas e a execução na reta final tornam-se mais importantes.
Para os jovens que estão a entrar na IA, o caminho prático é claro: passar tempo com pessoas excelentes, trabalhar em problemas significativos, praticar uma execução profunda e começar a fazer investigação por meio de pequenas experiências e avaliações.
Na era da IA, a vantagem pertence a quem consegue escolher os problemas certos e entregar trabalho para além do padrão.
