Profissões em Transformação: O Que Aprender Agora

Quando comecei em tecnologia há mais de quinze anos, o ambiente técnico das empresas era bem diferente do que vemos hoje. Ao longo dessa jornada, atravessei ciclos profundos: passei por administração de bancos de dados, infraestrutura física e em nuvem, arquitetura de sistemas, engenharia de dados e, agora, a integração prática de inteligência artificial na operação. Cada uma dessas viradas tecnológicas me obrigou a guardar o ego na gaveta e aprender de novo.

Essa vivência na trincheira não me dá uma bola de cristal com os títulos exatos dos cargos de 2035. Mas me entrega uma pergunta muito mais útil para quem constrói carreira: qual problema real vale a pena aprender a resolver agora?

O que já mudou segundo os dados globais (OIT, WEF e MIT)

Modelos de linguagem e ferramentas de IA generativa já aceleram a escrita de código, resumem documentos técnicos, apoiam pesquisas e organizam informações brutas em segundos. Porém, qualquer engenheiro que já colocou um sistema crítico em produção sabe que a qualidade desse auxílio varia drasticamente conforme a complexidade da tarefa, a limpeza do contexto e a revisão feita por pessoas.

Mais importante ainda: alta exposição de uma ocupação à inteligência artificial não é sinônimo de extinção do profissional. Em maio de 2025, a Organização Internacional do Trabalho (OIT), em parceria com o instituto de pesquisa NASK, publicou o estudo refinado Generative AI and Jobs: A Refined Global Index of Occupational Exposure. A pesquisa analisou dezenas de milhares de tarefas ocupacionais e demonstrou que, para a grande maioria das funções expostas à IA generativa, o efeito concreto é a transformação e automação parcial de atividades rotineiras, exigindo cada vez mais supervisão e julgamento humano, em vez da substituição completa do emprego.

Na mesma direção, o Future of Jobs Report 2025, do Fórum Econômico Mundial, ouviu mais de 1.000 grandes empregadores globais e projetou que, até 2030, a transformação tecnológica e econômica deve deslocar cerca de 92 milhões de funções, mas criar simultaneamente 170 milhões de novos papéis, gerando um saldo líquido positivo de 78 milhões de empregos, com forte demanda em dados, IA, segurança e engenharia de software.

Esse movimento confirma na prática o que o economista do MIT David Autor explicou no artigo clássico Why Are There Still So Many Jobs? The History and Future of Workplace Automation (Journal of Economic Perspectives, 2015): quando a tecnologia automatiza etapas repetitivas de uma profissão, ela não reduz o valor do especialista; pelo contrário, ela multiplica o valor econômico das tarefas complementares que exigem julgamento crítico, arquitetura de sistemas, leitura de contexto humano e responsabilidade final pela decisão.

Onde eu prestaria atenção agora

Em vez de perseguir rótulos da moda, vejo quatro frentes concretas onde as empresas já enfrentam dores abertas e procuram profissionais preparados:

1. Integração e supervisão de agentes em sistemas reais

Montar uma demonstração bonita de chat em uma tarde é simples. O desafio real da engenharia começa na segunda-feira seguinte: conectar modelos a bancos de dados transacionais, APIs legadas e regras financeiras sem quebrar a operação. Alguém precisa projetar o que o agente pode ou não acessar, em qual limite financeiro ele é obrigado a pedir aprovação humana, como cada ação é auditada no log e qual é o plano de contingência quando o modelo erra. Esse trabalho exige engenharia de software sólida combinada com visão de operação.

2. Qualidade, segurança, custo e governança de IA

Empresas que usam IA em processos de atendimento, crédito, saúde ou logística precisam testar resultados de forma sistemática, blindar dados sensíveis contra vazamentos, monitorar desvios de resposta e controlar a fatura de inferência em nuvem para que o custo não supere o retorno do projeto. A demanda por profissionais capazes de construir essas travas técnicas e deixar claro quem responde pelas decisões só tende a crescer, independentemente do nome que o cargo receba em cada setor.

3. Contexto limpo e engenharia de dados confiáveis

Nenhum modelo de última geração faz milagre em cima de cadastros duplicados, regras contraditórias e tabelas sem dono. A qualidade de qualquer automação inteligente depende diretamente do que o sistema sabe e da confiabilidade da origem dos dados. Organizar pipelines, permissões de acesso, linhagem de informação e métricas de validação continua sendo o alicerce invisível de toda inovação tecnológica.

4. Conhecimento profundo do negócio e da operação

Um modelo pode gerar uma resposta matematicamente plausível e gramaticalmente perfeita que, ainda assim, causaria um prejuízo enorme na vida real da empresa. Quem percebe esse erro antes de ir ao ar é o profissional que entende como a operação vende, produz, entrega e atende o cliente. Esse discernimento não vem de prompt pronto: vem de conversar com quem executa na ponta, observar os gargalos do processo e assumir as consequências das escolhas técnicas.

O que minha trajetória me ensinou sobre atravessar ciclos

Quando migrei de banco de dados para infraestrutura, precisei voltar a ser aprendiz. Quando mergulhei em arquitetura de dados e depois em inteligência artificial, o processo se repetiu. Em todas essas fases, o que segurou minhas entregas nunca foi decorar os botões de uma ferramenta passageira: foi manter fundamentos fortes de computação e focar em problemas concretos que precisavam de solução na empresa.

Eu jamais apostaria toda a minha carreira na sigla de um software específico ou em um título de cargo que talvez nem exista daqui a cinco anos. Eu investiria em fundamentos técnicos, na capacidade de comunicar ideias complexas com simplicidade para outras áreas e no hábito rigoroso de medir o retorno real do que construímos.

O trabalho técnico vai continuar mudando, em velocidades diferentes para cada indústria. Mas, para quem constrói todos os dias, a bússola continua a mesma: o que preciso aprender hoje para resolver de forma mais segura, simples e eficiente os problemas reais que já estão na minha frente?

---

Referências e leituras verificáveis

• International Labour Organization (ILO) & NASK (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper, maio de 2025.
• World Economic Forum (2025). The Future of Jobs Report 2025. World Economic Forum, Genebra.
• Autor, D. H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3-30.