Os números não mentem: o trabalho de ciência de dados está mudando radicalmente. Em vez de passar horas treinando modelos em notebooks, os profissionais da área estão cada vez mais atuando como supervisores de sistemas de IA — orquestrando agentes, calibrando guardrails e fechando o abismo entre protótipos e produção.
Dados do LinkedIn de 2025 mostram que alfabetização em IA e proficiência em LLMs estão entre as habilidades que mais crescem globalmente. A Lightcast identificou que 51% das vagas relacionadas a IA já estão fora dos departamentos de TI tradicionais. O prêmio salarial é significativo: profissionais com habilidades em IA ganham 56% a mais, com adicional médio de US$ 18.000 por ano nos EUA. Mas o prêmio não vai para quem sabe treinar redes neurais do zero — vai para quem domina engenharia de prompts, integração RAG, MLOps e governança.
Orquestrando agentes em vez de treinar modelos
O sinal mais claro está na explosão dos sistemas multi-agente. Frameworks como LangGraph, CrewAI e AutoGen já lidam com ingestão de dados, engenharia de features e avaliação de modelos com pouca intervenção humana. O Gartner registrou um salto de 1.445% nas consultas sobre sistemas multi-agente entre Q1 2024 e Q2 2025. A projeção é que 40% das aplicações empresariais terão agentes de IA até o fim de 2026 — em 2025 era menos de 5%.
Na prática, o trabalho se parece menos com desenvolvimento de modelos e mais com design de sistemas distribuídos. Agentes passam estado entre si, retries precisam ser limitados, e um único campo alucinado pode contaminar cada etapa seguinte.
Fechando o gap entre piloto e produção
O entusiasmo com agentes autônomos esbarrou na realidade da produção no final de 2025. O mercado migrou para fluxos estruturados com checkpoints de supervisão humana. Pesquisa da McKinsey de abril de 2026 mostra que quase dois terços das empresas já fizeram experimentos com agentes, mas poucas escalaram. Oito em cada dez citam limitações de dados como principal obstáculo.
O relatório MIT Sloan/BCG de 2025 identificou o dilema central: supervisão excessiva elimina ganhos de eficiência, supervisão insuficiente cria exposição regulatória. Calibrar esse limite exige conhecimento de domínio — não é automatizável.
Engenharia de prompts como disciplina de qualidade
A engenharia de prompts cresceu 135,8% em 2025. Ela cobre gerenciamento de contexto, grounding, redução de alucinações e testes sistemáticos. O que une avaliação de modelos e engenharia de prompts é que ambas tratam o modelo como componente, não produto acabado.
Governança como requisito técnico
O AI Act europeu, o NIST AI RMF e o OWASP Top 10 para LLMs criaram uma superfície de compliance que exige testes de injeção, validação de outputs e controles de acesso. “AI governance lead” já aparece como cargo dedicado — categoria que praticamente não existia em 2023.
O que isso significa para a carreira
A pesquisa da Monte Carlo em 2025 mediu acurácia de agentes entre 75% e 90% por etapa — compondo para ~50% em três etapas. Nesse nível, o profissional que entende o domínio e os modos de falha é a camada de confiabilidade do produto. Para quem planeja os próximos passos, o recado é claro: o próximo portfólio não é mais um notebook do Kaggle. É um harness de avaliação ou um fluxo multi-agente com falhas documentadas.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
