Como não ser substituído pela IA?

Tenho recebido muitas perguntas sobre o mercado de trabalho e sobre como não ser substituído pela IA.

Recentemente, publiquei no Instagram uma sequência de stories com a minha opinião. Como esse conteúdo desaparece, quis preservar a ideia e transformá-la neste artigo.

O que você vai ler aqui é a minha opinião sincera, construída a partir do que tenho observado morando nos Estados Unidos, acompanhando a indústria daqui e mantendo contato constante com o mercado brasileiro.

Essa opinião começa por uma distinção importante: existem dois tipos de estudo — o estudo imediato e o estudo dos fundamentos.

A diferença entre o estudo imediato e o estudo dos fundamentos

O estudo imediato responde ao que precisa ser executado agora. Você aprende Python, uma biblioteca nova, uma ferramenta exigida pelo mercado ou uma técnica necessária para construir um projeto. Também prepara o portfólio e acompanha o que as vagas estão pedindo.

O estudo dos fundamentos opera em outro horizonte. Ele inclui matemática, estatística, algoritmos, engenharia de software, ML System Design e pensamento crítico. É o estudo que permite entender por que uma solução funciona, quais são suas limitações e como adaptá-la quando as ferramentas mudam.

As duas camadas são necessárias. O estudo imediato mantém sua capacidade de execução atual. Os fundamentos sustentam sua capacidade de aprender, avaliar e se adaptar. O problema começa quando toda a formação de um profissional se resume à primeira camada.

O estudo imediato permite aplicar e entregar; os fundamentos permitem entender, julgar e continuar evoluindo.

Onde que os projetos práticos entram?

É óbvio que você precisa estudar a parte técnica, escrever código, construir projetos, aprender ferramentas e entender o que as vagas estão pedindo. Isso faz parte da profissão.

Projetos práticos são fundamentais porque transformam conhecimento em capacidade de execução. É durante um projeto que você precisa organizar dados, escolher métodos, implementar soluções, diagnosticar falhas e concluir uma entrega. O portfólio, por sua vez, torna essa capacidade visível para outras pessoas.

O que eu estou dizendo é que você não pode pautar uma vida inteira de estudos pelas vagas para as quais está aplicando.

Infelizmente, muitas pessoas estudam apenas por demanda. Surge uma vaga, estudam para aplicar. Conseguem o emprego, aprendem o necessário para entregar e interrompem o processo. Quando aparece uma atualização ou uma nova ferramenta, recomeçam a correr atrás dela.

Elas até estudam. O problema é que estão sempre evoluindo na superfície.

Computer Vision, Machine Learning e Data Science não são conhecimentos superficiais. O que pode ser superficial é a forma de estudá-los: limitada a ferramentas, tutoriais e projetos pontuais, sem compreender os princípios que permanecem quando a tecnologia muda.

Construa sua carreira de longo prazo sobre as rochas

Sabe a parábola de construir uma casa sobre a areia ou sobre a pedra? Desconsidere por um momento o sentido religioso e observe a analogia, porque ela se encaixa perfeitamente no momento atual.

Projetos, ferramentas, bibliotecas, portfólio e requisitos de vagas são a parte visível da construção. Eles importam. Representam o estudo imediato: aquilo que está acontecendo agora, o que o mercado está utilizando e o que uma vaga exige.

Mas tudo isso permanece na superfície. A fundação é construída com matemática, estatística, algoritmos, engenharia de software, ML System Design, teoria e experiência acumulada.

É essa base que permite entender por que uma solução funciona, reconhecer suas limitações e mudar de ferramenta sem recomeçar do zero.

O que tenho visto, morando nos Estados Unidos, entendendo a indústria daqui e acompanhando o Brasil, é que os profissionais que se tornaram mais seguros em suas carreiras desde que a IA começou a se popularizar foram os que dominam essa base.

São profissionais que se mantiveram atualizados, aprimorando sua capacidade de execução, mas que também mantêm uma relação muito forte entre prática e estudo. Acompanham publicações e papers acadêmicos, observam as novidades apresentadas em congressos e estudam a base matemática com maior profundidade, seja na faculdade ou por conta própria.

Agora, se você construir apenas na superfície, uma mudança tecnológica acelerada, como a adoção da IA, pode fazer sua carreira desmoronar. A estrutura não possui profundidade suficiente para absorver a mudança.

Em contrapartida, quando você investe tempo construindo uma base sólida — uma fundação sólida — passa a ter condições de incorporar novas ferramentas, compreender novas arquiteturas e continuar evoluindo quando o mercado mudar.

A IA acelera a execução e transforma o mercado, mas são os fundamentos que sustentam uma carreira no longo prazo.

Por que tantos profissionais passaram a se sentir ameaçados?

Durante o período de expansão após a pandemia, muitos profissionais com uma formação técnica superficial se acomodaram. O analista continuou analista. O cientista de dados continuou repetindo o mesmo pipeline, o mesmo notebook e o mesmo treinamento de modelo durante anos.

A popularização da IA tornou essa fragilidade mais visível. Atividades repetitivas e previsíveis passaram a ser executadas com muito mais velocidade.

Por isso, a pergunta relevante não é apenas se a IA consegue escrever código. A pergunta é: qual é o seu diferencial?

Você apenas reproduz um pipeline conhecido ou entende o suficiente para escolher a abordagem, avaliar as hipóteses, diagnosticar falhas, projetar o sistema e responder pelas decisões tomadas?

A IA não criou essa diferença. Ela aumentou a distância entre quem apenas executa uma sequência conhecida e quem compreende o problema que está tentando resolver.

Como você vai saber se a resposta da IA é boa?

“Mas, Carlos, o Claude me entrega um sistema lindo, um relatório com um dashboard impecável.”

A verdade é que muitos sistemas e relatórios podem estar errados, mesmo quando parecem convincentes. E esse é o ponto central: como você vai saber se aquela informação é boa ou não?

Um modelo fundacional produz respostas a partir de relações estatísticas aprendidas durante o treinamento. Ele pode escrever código bem estruturado, organizar uma análise e apresentar uma conclusão com enorme fluidez. Nada disso garante que as hipóteses estejam corretas, que os dados sejam adequados ou que a conclusão corresponda ao problema real.

Se você não estudou a teoria e os fundamentos nem acumulou experiência prática, simplesmente não vai saber o que verificar. Também terá dificuldade para reconhecer as limitações do modelo e formular uma solicitação tecnicamente adequada.

Eu vou ser sincero: minha produtividade decolou depois que incorporei a IA ao meu dia a dia. Exatamente por isso, estou estudando ainda mais.

A ferramenta amplia aquilo que eu consigo executar, mas o estudo é o que permite decidir o que merece ser executado.

Como não ser substituído pela IA em um mercado que mudou?

Na mesma semana em que publiquei esses stories, recebi várias mensagens de recrutadores nos Estados Unidos procurando profissionais para posições em Data Science e Machine Learning. Depois do almoço, chegaram mais duas.

Essas mensagens não constituem uma análise estatística de todo o mercado. São, porém, um sinal concreto da minha experiência pessoal e ajudam a questionar a narrativa de que essas profissões simplesmente deixarão de existir.

Como o mercado pode estar em extinção e, ao mesmo tempo, continuar procurando profissionais qualificados?

A demanda mudou. Tarefas foram automatizadas, expectativas aumentaram e o nível exigido tende a subir. Isso não significa que bons profissionais tenham emprego garantido, mas indica que profissionais com base sólida, capacidade de execução e aprendizado constante continuam valorizados.

No Brasil, onde a escassez de profissionais qualificados ainda é significativa, essa diferença pode se tornar ainda mais evidente.

Como saber o que estudar?

Recentemente, voltei a uma passagem de A Vida Intelectual, de A.-D. Sertillanges, um dos livros que mais impactaram a minha vida de estudos.

O desejo de conhecer é naturalmente bom, mas precisa ser ordenado pela razão. É preciso querer conhecer o que convém.

É muito fácil estudar aquilo que dá prazer: aquele tutorial hands-on, aquela biblioteca nova ou o assunto que apareceu no seu feed. Mas você está estudando aquilo que precisa? Está estudando os fundamentos?

O livro apresenta a estudiosidade como uma virtude situada entre dois desvios: a negligência e a curiosidade vã.

De um lado, a pessoa deixa de estudar o que deveria. Do outro, estuda muito, mas direciona sua atenção para aquilo que apenas satisfaz seus interesses imediatos, sem relação com suas obrigações e objetivos.

Essa distinção é especialmente atual. O problema não é ter curiosidade nem acompanhar novidades. O problema é permitir que o algoritmo, as vagas e a recompensa imediata decidam todo o seu plano de formação.

Os anos vão passar, independentemente do que você decidir. Nos estudos, assim como nos investimentos, construir algo no futuro exige abrir mão de algo no presente. Algumas horas semanais de lazer podem se transformar, no longo prazo, em uma carreira mais consistente.

Se você precisa de ajuda para transformar essas ideias em um plano, pode conversar diretamente comigo durante uma hora para analisarmos sua situação. Marque uma reunião de mentoria de carreira.

Eu posso ajudar você a montar um cronograma de estudos, identificar caminhos possíveis para sua carreira, avaliar oportunidades profissionais — inclusive em mercados internacionais — e analisar os desafios profissionais que enfrenta atualmente.

Takeaways

• O estudo imediato é necessário. Ferramentas, código, projetos e portfólio fazem parte da profissão.

• Os fundamentos sustentam a adaptação. Matemática, estatística, algoritmos, engenharia de software e ML System Design permitem compreender e evoluir.

• Projetos demonstram capacidade de execução. Eles transformam conhecimento em entregas, mas não substituem a fundação teórica.

• A IA amplia a competência existente. Quanto maior sua base, melhor você consegue orientar, verificar e aproveitar a ferramenta.

• O mercado não deve definir toda a sua formação. Requisitos de vagas orientam decisões de curto prazo, não uma vida inteira de estudos.

• Uma carreira de longo prazo exige constância. Se a construção permanecer apenas na superfície, uma mudança tecnológica rápida pode comprometer toda a estrutura.