--- title: "Conselhos de Carreira em IA — Andrew Ng e Lawrence Moroney na Stanford" author: "Andrew Ng & Lawrence Moroney · Stanford CS230" description: "Andrew Ng abre a palestra sobre conselhos de carreira em IA na Stanford. Ele observa que este é o melhor momento de todos os tempos para construir com IA e desenvolver uma carreira na área." source: "https://adhenawer.net/posts/pt_br/conselhos-de-carreira-em-ia-andrew-ng-lawrence-moroney-stanford.html" lang: pt-BR --- TL;DR · principais pontos 1. Andrew Ng abre a palestra sobre conselhos de carreira em IA na Stanford. 2. Há alguns meses, a mídia questionava se o progresso da IA estava desacelerando. 3. Temos blocos de construção muito poderosos que eram muito difíceis ou não existiam há um ou dois anos: modelos de linguagem grandes, RAG, workforce de agentes, voice AI e deep learning. ## INTRODUÇÃO — A ERA DOURADA PARA CONSTRUIR COM IA 0:31 Andrew Ng abre a palestra sobre conselhos de carreira em IA na Stanford. Ele observa que este é o melhor momento de todos os tempos para construir com IA e desenvolver uma carreira na área. Há alguns meses, a mídia questionava se o progresso da IA estava desacelerando. Andrew cita um estudo da METR que o influenciou profundamente: conforme o tempo passa, a complexidade das tarefas que a IA consegue realizar — medida pelo tempo que um humano levaria para fazê-las — está dobrando a cada sete meses. No caso específico de codificação com IA, o tempo de duplicação é ainda mais curto: cerca de 70 dias. Temos blocos de construção muito poderosos que eram muito difíceis ou não existiam há um ou dois anos: modelos de linguagem grandes, RAG, workforce de agentes, voice AI e deep learning. Você pode agora construir software que faz coisas que ninguém no planeta poderia ter feito um ano atrás. Andrew destaca a importância de ficar na fronteira das ferramentas de codificação com IA, porque elas mudam extremamente rápido. Há alguns meses, sua ferramenta favorita passou a ser o Claude Code. Depois do lançamento do GPT-5, o OpenAI Codex fez um progresso tremendo. E naquela mesma manhã, o Gemini 3 foi lançado. A cada três a seis meses, sua ferramenta favorita provavelmente muda, e estar meia geração atrás significa ser significativamente menos produtivo. O GARGALO DA GESTÃO DE PRODUTO Com a capacidade de construir software mais poderoso e muito mais rápido do que nunca, Andrew dá um conselho com mais força do que nunca: simplesmente vá e construa coisas. Mas há uma implicação peculiar. Quando fica cada vez mais fácil ir de uma especificação de software claramente escrita para código, o gargalo se desloca para decidir o que construir — ou seja, escrever aquela especificação clara do que você realmente quer construir. Andrew pensa no processo como um loop: escrever código, mostrar para usuários, obter feedback, revisar a concepção do que construir, e iterar muitas vezes. Com a codificação por IA, o processo de construir software ficou muito mais barato e rápido. Mas ironicamente, isso desloca o gargalo para decidir o que construir. No Vale do Silício, a proporção de engenheiros para product managers costumava ser de quatro a oito para um. Agora está tendendo para dois ou até um para um. Engenheiros que também conseguem moldar produtos se movem incrivelmente rápido. Esses engenheiros que aprendem a conversar com usuários, obter feedback e desenvolver empatia profunda são algumas das pessoas mais rápidas que Andrew vê no Vale do Silício hoje. ## AS PESSOAS AO SEU REDOR 4:56 Um dos preditores mais fortes para a velocidade de aprendizado e nível de sucesso é com quem você se cerca. Somos criaturas sociais e aprendemos com as pessoas ao nosso redor. Se seus cinco ou dez amigos mais próximos são pessoas muito trabalhadoras, determinadas, aprendendo rapidamente e tentando tornar o mundo melhor com IA, é quase certamente verdade que você tem mais chance de fazer o mesmo. Stanford tem um tecido conectivo único: muitas pessoas trabalhando nos laboratórios de IA de fronteira foram ex-alunos de professores da Stanford. Esse tecido conectivo significa que informações não amplamente conhecidas circulam pelas relações e amizades. Quando alguma empresa faz algo, alguém liga para um amigo na empresa e pergunta se realmente funciona. Andrew conta a história de um estudante de Stanford que recebeu uma oferta de emprego de uma empresa com marca hot em IA. A empresa se recusou a dizer em qual time ele trabalharia antes de assinar. Depois de assinar, foi designado para o sistema de processamento de pagamentos em Java do backend. Ficou frustrado por um ano e saiu. A lição: o que importa mais do que o logo da empresa são as pessoas com quem você trabalha no dia a dia. ## TRABALHE DURO — UM CONSELHO POLITICAMENTE INCORRETO 15:18 Andrew reconhece que em alguns círculos não é politicamente correto encorajar outros a trabalhar duro. Mesmo assim, ele encoraja: trabalhe duro. Há pessoas que por razões válidas não estão em posição de trabalhar duro — após o nascimento dos filhos, por lesões, deficiências — e devemos respeitá-las e apoiá-las. Dito isso, todos os seus ex-orientandos de doutorado que se tornaram muito bem-sucedidos trabalharam incrivelmente duro. Se você tem a sorte de estar em posição de trabalhar muito, há tantas oportunidades agora. O custo de uma falha é muito menor do que antes — você desperdiça um fim de semana mas aprende algo. Isso parece justo. A HISTÓRIA DO CANDIDATO QUE FALHAVA EM TODAS AS ENTREVISTAS Lawrence Moroney entra e conta a história de um jovem muito qualificado que foi demitido e passou por mais de 300 candidaturas sem sucesso. Ele chegava ao final de processos seletivos em empresas como Meta, Microsoft e Blue Origin, resolvia todos os desafios de código, mas era rejeitado toda vez. Lawrence fez entrevistas simuladas com ele e não conseguia entender o que estava errado — até que deu uma entrevista realmente difícil. Ao apontar falhas no código, o candidato reagiu de forma hostil. Ele estava seguindo o conselho de panfletos de recrutamento: “tenha backbone, não ceda.” Sua interpretação era ser extremamente duro. Do ponto de vista do entrevistador, esse cara era um engenheiro 10x clássico, mas ninguém o queria no time por causa da atitude. Trabalharam nisso, ajustaram, e no próximo processo seletivo — em uma empresa que valoriza muito trabalho em equipe — ele conseguiu o emprego e dobrou seu salário. A lição: empresas também estão escolhendo você. Se recebeu o conselho de ter backbone nas entrevistas, ótimo — mas não seja um idiota enquanto faz isso. ## TRÊS PILARES DO SUCESSO EM IA 25:37 Lawrence apresenta três pilares fundamentais: O primeiro é compreensão em profundidade — tanto academicamente (arquiteturas de modelos, papers, como aplicar na prática) quanto estar com o dedo no pulso das tendências, separando sinal de ruído. O segundo é foco no negócio. Trabalho duro não é sobre horas gastas (9 às 9, seis dias por semana não é métrica de trabalho duro — é métrica de tempo gasto). É sobre output. Lawrence mede trabalho duro pelo que criou no tempo que gastou. A frase clássica “vista-se para o emprego que quer, não para o que tem” ganha uma nova versão: “produza output para o emprego que quer, não para o que tem.” O terceiro é viés para entrega. Ideias são baratas. Execução é tudo. Lawrence entrevistou muitas pessoas que chegaram com ideias muito fluffy e nenhuma forma de fundamentá-las, e pessoas que chegaram com ideias meio prontas mas muito bem fundamentadas. Adivinhe quais foram contratadas. A REALIDADE DO TRABALHO EM IA HOJE Lawrence traça a história recente: a pandemia causou uma desaceleração industrial massiva. Em 2022-2023, as empresas saíram da pandemia com um logjam enorme de contratações não feitas, ao mesmo tempo em que a IA explodia. Todas as empresas contrataram loucamente, gerando super-contratação. Pessoas não qualificadas para posições mais altas acabaram em posições mais altas por causa da guerra de ofertas por talentos. Em 2024-2025 veio o grande despertar: muitas empresas perceberam a super-contratação. Muitas pessoas foram contratadas apenas porque tinham “IA” no currículo. Agora as empresas são muito mais cautelosas sobre as habilidades de IA que contratam. Quatro realidades do trabalho em IA hoje: (1) foco no negócio é inegociável; (2) mitigação de riscos é parte do trabalho; (3) responsabilidade está evoluindo — de definições fluffy de “IA para todos” para “garantir que a IA funcione, gere negócio, e então funcione para todos”; (4) aprender com erros é constante. O CASO GEMINI E A IA RESPONSÁVEL Lawrence demonstra um caso real de filtros de segurança mal implementados no Gemini. Ao pedir imagens de mulheres asiáticas, indianas, negras e latinas em um cenário específico, o modelo gerou imagens bonitas sem problemas. Mas ao pedir uma mulher caucasiana, recusou-se alegando que gerar imagens de pessoas poderia levar a estereótipos. O hack que Lawrence usou: pediu uma mulher irlandesa. O modelo gerou sem problemas — mas com cabelos ruivos em todas as imagens. Apenas 8% dos irlandeses são ruivos, então associar uma etnicidade inteira a uma cor de cabelo é igualmente problemático. Uma visão muito estreita de mundo sobre o que é responsável acabou danificando a reputação do modelo e da empresa. IA responsável evoluiu de questões sociais fluffy para coisas concretas que previnem danos à reputação do negócio. ## DÍVIDA TÉCNICA E VIBE CODING 49:05 Lawrence apresenta o conceito de dívida técnica como framework para entender o poder do vibe coding. Toda vez que você constrói algo, assume dívida: bugs, suporte, novos requisitos, documentação. A única forma de evitar dívida é não fazer nada. A pergunta é: vale a dívida técnica que você está assumindo? Uma boa dívida é como comprar uma casa — você obtém mais valor do que paga. Uma dívida ruim é como uma compra por impulso no cartão de crédito de juros altos. Boa dívida técnica vem de: objetivos claros atendidos, valor de negócio entregue, e compreensão humana (seu código é compreensível por outros). Dívida técnica ruim vem de: soluções procurando problemas, código espaguete, e autoridade sobre mérito (aquele VP que assinou Replit e começou a gerar código que agora é problema seu). ## ANATOMIA DO HYPE E COMO NAVEGAR 1:06:46 A moeda das redes sociais é engajamento, não acurácia. LinkedIn está inundado de influencers usando IA para escrever posts engajadores. Se você é o tipo de pessoa que consegue filtrar sinal do ruído e encorajar outros sobre o sinal, isso te coloca em enorme vantagem. Lawrence conta a história de uma empresa europeia que pediu ajuda para implementar um agente. A primeira pergunta dele: “Por quê?” Depois de descascar camadas, o CEO realmente queria tornar seus vendedores mais eficientes. “Em nenhum lugar dessa frase ouço a palavra IA ou agente.” Descobriram que os vendedores gastavam 80% do tempo pesquisando e 20% vendendo. Construíram um piloto agêntico que economizou 10-15% do tempo desperdiçado — e como efeito colateral, os vendedores ficaram mais felizes e fizeram mais vendas. Se você entra guiado pelo hype dizendo “agente isso, agente aquilo” sem descascar os requisitos de negócio, a empresa se perde. McKinsey estima que 85% dos projetos de IA em empresas falham — principalmente porque não são bem definidos. A BIFURCAÇÃO: IA GRANDE VERSUS IA PEQUENA Lawrence vê uma bifurcação nos próximos cinco anos. De um lado, IA Grande — os Gemini, Claude, OpenAI do mundo continuando a crescer em busca de AGI. Do outro, IA Pequena — modelos open-weight/self-hostable que estão explodindo. 80% das empresas no Y Combinator usam modelos pequenos, particularmente da China. O caso de uso é claro: Hollywood não vai compartilhar IP de filmes com um GPT ou Gemini, mas pode hospedar um modelo pequeno internamente para análise. Escritórios de advocacia, clínicas médicas — qualquer lugar onde privacidade importa. O modelo de 7B de hoje é tão inteligente quanto o de 50B de ontem. Daqui a um ano, o 7B será tão inteligente quanto o 300B de antigamente. Skills fundamentais para desenvolvedores nos próximos dois a três anos: fine-tuning de modelos para tarefas downstream. Além disso, a computação está mudando: não é mais só CPU + GPU. A tecnologia SME (Scalable Matrix Extensions) permite rodar workloads de IA na CPU. Apple é líder nisso com os chips da série A e M. Modelos menores + dispositivos de menor consumo = IA embarcada em todo lugar. O PODER DA COMPREENSÃO ARTIFICIAL Lawrence argumenta que uma parte escondida da inteligência artificial é a compreensão artificial. Quando modelos conseguem entender coisas em seu nome e, a partir dessa compreensão, criar coisas novas, você desenvolve superpoderes. Ele demonstra com vídeo gerado por IA: um prompt simples de seu filho jogando hockey produziu resultados ruins (arena cheia de pessoas inventadas, dois tacos na mão, torcida aplaudindo um chute errado). Mas ao usar um workflow agêntico em quatro etapas — entender a intenção, planejar com as ferramentas disponíveis, executar e refletir — os resultados melhoraram dramaticamente. O LLM gerou prompts muito mais descritivos e loquazes, com compreensão de bons ângulos, boa emoção e restrições técnicas da ferramenta Veo. ## HISTÓRIAS INSPIRADORAS E A BOLHA QUE VEM 1:24:29 Lawrence conta a história de seu amigo, ex-jogador profissional de hockey que largou a escola aos 13 anos. Ele gerencia uma ONG de pistas de gelo e gastava US$ 150 mil por ano com consultores para gerar relatórios trimestrais. Depois de uma conversa sobre ChatGPT, começou a fazer tudo sozinho em duas horas com IA. Os US$ 150 mil economizados agora vão para equipamentos de hockey para crianças desfavorecidas. Sobre a bolha: a bolha das pontocom foi a maior da história, mas as empresas que fizeram certo — Amazon, Google — não apenas sobreviveram, prosperaram. O mesmo acontecerá com IA. As empresas e pessoas que fazem IA direito, com foco nos fundamentos e no negócio real, serão as que prosperarão quando a bolha estourar. Sinais de bolha já presentes: investimento de VC secando, avaliações irrealistas de empresas que não geram receita, produtos “me too” em toda parte. ## CONSELHO FINAL 1:38:38 Os conselhos convergem: foque nos fundamentos, construa soluções reais, entenda o lado do negócio e diversifique suas habilidades. Não seja o pônei de um truque só que sabe apenas uma coisa. Quando a indústria muda, essas pessoas ficam para trás. Diversificar não significa apenas LLMs versus visão computacional — significa quebrar para fora da bolha técnica: construir aplicações, entender escala, experiência do usuário, engenharia de software. Como disse Andrew no início: as pessoas ao seu redor são o preditor mais forte do seu sucesso. Cerque-se de pessoas trabalhadoras, determinadas e que estão aprendendo rápido. E não se esqueça: o número de ideias no mundo é muito maior do que o número de pessoas com habilidade para construí-las. Se você não construir, provavelmente ninguém mais vai. Não precisa esperar permissão. Não precisa esperar alguém fazer primeiro. Vá e construa.