FDE: A Nova Fronteira em Funções de Engenharia Impulsionadas por IA

Nos últimos trinta dias, encontrei quatro amigos preparando-se para mudar de carreira — desenvolvedor frontend, arquiteto de soluções, gerente de produto e engenheiro de algoritmos tradicional — com diferentes origens, idades e cidades, mas todos fizeram a mesma pergunta: o FDE [2] vale a pena eu seguir?

FDE, sigla para Forward Deployed Engineer [2]. Há dois anos, era apenas gíria dentro do círculo da Palantir; hoje, tornou-se silenciosamente uma frase inicial de recrutadores, um cargo frequente em anúncios de emprego e uma das candidatas a “cargo mais valioso da era da IA” nas redes sociais. A OpenAI criou diretamente, em maio de 2026, uma empresa chamada Deployment Company [3], com investimento inicial de 4 bilhões de dólares, afirmando explicitamente que enviaria engenheiros para trabalhar nos locais dos clientes e integrar-se aos fluxos de trabalho deles; a equipe de Applied AI da Anthropic também está recrutando FDE simultaneamente em quatro fusos horários. Essa transformação de gíria interna para termo explícito levou pouco mais de um ano.

No artigo anterior, "Carta aos Superindivíduos" [4], discuti o "motor humano" — curiosidade, autodidatismo, autodisciplina e habilidade prática — e como eles são estimulados dentro de um Closed-loop completo. Mas as pessoas não são flutuantes; precisam ser sustentadas por um sistema de coordenadas de cargo específico. Se os superindivíduos são a "matéria-prima" das relações de produção na era da IA, então o FDE é a forma de cargo mais visível que o mercado desenvolveu neste ano.

Na minha opinião, o FDE não está na caixa de consultoria nem na caixa de terceirização. Ele está mais próximo dos superindivíduos — a diferença está apenas no fato de que o FDE é um superindivíduo organizado na fenda entre “empresa de modelo × cliente”.

Você sabia — de onde vem o termo Forward Deployed? Originalmente, era um termo das forças armadas dos EUA, Forward Deployed Forces, que se refere a tropas posicionadas no exterior ou na frente, capazes de responder rapidamente, em contraste com as forças que permanecem em bases no território nacional. A Palantir introduziu esse termo no setor de software no final dos anos 2000, para descrever o modelo de trabalho de “enviar engenheiros para fora da sede e morar nos locais dos clientes”, até mesmo nomeando equipes internas com o alfabeto fonético militar: Delta e Echo. Agora, ele foi retomado pela OpenAI e pela Anthropic — não por acaso — a essência de enviar engenheiros para a frente nunca mudou.

As três dúvidas específicas abordadas neste artigo são as que o autor foi perguntado recentemente por esses quatro amigos:

- A FDE é uma consultoria disfarçada de IA? Qual é a fronteira entre ela e a consultoria tradicional?

- FDE é uma terceirização de software mais avançada? Qual é a diferença entre ela e o que eu faço atualmente como terceirizado?

Sou adequado para o cargo de FDE? Quais tipos de pessoas são amplificadas por essa posição e quais são desgastadas?

A atitude do autor é cautelosamente otimista: o FDE está realmente se desenvolvendo, mas longe de ser a saída de transformação para todos. É mais importante explicá-lo claramente do que torná-lo popular.

Se só pudesse escolher um único evento para marcar o momento do retorno da FDE nesta rodada, o autor escolheria 11 de maio de 2026 — nesse dia, a OpenAI anunciou a criação da Deployment Company [5], com o COO Brad Lightcap saindo da sua linha de negócios original para assumir projetos especiais, relatando diretamente a Sam Altman e dedicando-se integralmente a esse projeto. Na mesma semana, a OpenAI adquiriu a empresa britânica de consultoria em IA Tomoro, incorporando de uma só vez 150 Forward Deployed Engineers e Deployment Specialists à nova empresa.

É digno de nota que a página de carreiras da OpenAI está atualmente listando mais de uma dúzia de cargos de FDE: em São Francisco, Nova York e Washington, além de verticais setoriais como Life Sciences, Semiconductor e Gov. Até mesmo o cargo de recrutador de FDE [6] está sendo procurado. Analistas estimam que essa equipe se expandirá para 2.000 a 4.000 pessoas em três anos. Isso não é o tamanho de um grupo de pesquisa; é um exército organizado.

A Anthropic está realizando quase uma ação espelhada. A vaga de Forward Deployed Engineer, sob a equipe de Applied AI [7], está aberta simultaneamente em seis locais: Boston, Nova York, Seattle, São Francisco, Washington e Londres, com exigência de 25%–50% de viagens ao local do cliente. Um exemplo recente frequentemente citado é a empresa de tecnologia financeira FIS — que, em seu anúncio, escreveu diretamente: “A equipe de Applied AI e os engenheiros forward-deployed da Anthropic já estão integrados à FIS, colaborando no design do Financial Crimes AI Agent e transferindo conhecimento à FIS para que ela possa expandir independentemente mais agentes no futuro”.

Esta frase esconde a verdadeira natureza do trabalho da FDE. Não é um arquiteto de pré-vendas, nem um SDR, nem um evangelista que vem treinar clientes. É um engenheiro que traz modelos e se instala dentro do repositório de código do cliente. Brad Lightcap colocou de forma ainda mais direta: “Nossos clientes nos disseram que precisam da capacidade de ir do pilot para a produção. A Deployment Company é colocar nossos engenheiros dentro das equipes deles, fornecendo os recursos necessários para entregar.”

Desenhe isso em um gráfico e as relações entre as três partes ficarão muito claras:

Observe as duas linhas mais informativas nesta imagem: os feedbacks enviados pelo FDE em ambas as direções. Em direção aos clientes, o FDE não vende o modelo como SaaS, mas sim integra os dados, permissões, conformidade e sistemas internos do cliente em um único fluxo capaz de executar o modelo. Em direção às empresas de modelos, o FDE traz de volta as dores reais dos clientes e amostras de falhas para o produto e a pesquisa, influenciando o roadmap — um padrão de chamada de ferramenta que falha repetidamente pode se tornar a próxima abstração incorporada no SDK.

É por isso que a FDE foi reativada simultaneamente por duas das principais empresas de modelos nesta rodada — o motivo não é tão simples quanto “também queremos aprender com a Palantir e fazer consultoria”. É um dispositivo de coleta de sinais das empresas de modelos: os pontos de dor dos clientes mais densos no front-line só podem ser capturados com pessoas próprias no local; as demandas transmitidas por parceiros sempre chegam distorcidas. A Anthropic adotou um caminho híbrido: opera a FDE por conta própria ao mesmo tempo em que constrói uma rede de joint ventures com consultorias e grandes fundos de private equity. Um focado mais em operação própria, o outro mais em ecossistema, mas o núcleo é o mesmo: as empresas de modelos já não são apenas fornecedoras de API — elas precisam enviar engenheiros diretamente para dentro dos produtos dos clientes.

A próxima resposta aborda as duas perguntas mais comuns em comparação — onde está a fronteira entre FDE e consultoria tradicional (como McKinsey, Accenture etc.)? E é a mesma coisa que a terceirização de software com a qual estamos familiarizados?

Muitas pessoas, ao ouvir pela primeira vez a descrição do trabalho da FDE, têm a reação inicial: “Isso não é apenas a nova McKinsey ou Accenture?”

Entendo essa associação. Vestir terno, viajar para o local do cliente, desenhar no quadro branco em reuniões com clientes e alinhar-se com executivos de nível C — visualmente, FDE e consultores parecem muito semelhantes. Mas, ao aprofundar um pouco, a essência do trabalho de ambos é totalmente diferente. Consultores vendem limites de processos; FDE vende limites de modelos.

Colocando esses dois lado a lado em uma tabela, as diferenças ficam imediatamente evidentes.

A linha mais digna de uma pausa nesta tabela é "depreciação de ativos".

O modelo mais lucrativo da consultoria tradicional é a reutilização de ativos — um plano para um banco é ligeiramente modificado e vendido novamente para o próximo; um playbook de digitalização para o varejo pode ser aplicado repetidamente a trinta clientes. Esse é o modelo econômico subjacente que permitiu à Accenture, Deloitte e McKinsey Digital crescerem ao longo das últimas três décadas.

FDE não possui esse ativo. As capacidades do modelo estão evoluindo rapidamente — hoje ainda são necessárias cadeias de prompts cuidadosamente projetadas, mas na próxima versão do modelo, uma única frase pode resolver tudo. A “consolidação metodológica” das consultorias se desvalorizará rapidamente diante dessa velocidade. Por isso, o FDE não pode usar o modelo de reutilização de ativos; cada ciclo fechado precisa ser executado novamente — reavaliar os limites do modelo, escolher novamente a pilha de ferramentas e reconstruir a forma do produto. Parece ineficiente, mas é a única maneira de acompanhar a velocidade do modelo.

Você sabia — o que é Product Overhang? O autor explicou esse termo no artigo anterior, “Para os Superindivíduos” [4]: a capacidade do modelo já ultrapassou a forma de produto atual, mas não há entrada de produto, permissões nem contexto para concretizá-la. O valor do cargo FDE é, essencialmente, transformar esses Overhangs suspensos nos cenários dos clientes em um produto concreto e funcional. Os clientes não compram cotas de chamadas de API do modelo, mas sim a capacidade de “alguém conseguir realmente implementar esse conjunto de Overhangs na minha operação”.

Isso também explica a diferença na linha “estrutura do projeto”. A estrutura padrão de um projeto de consultoria é o SOW (Statement of Work) + WBS (Work Breakdown Structure) + aprovação por fase: o contrato especifica claramente o que será entregue, quando será entregue e segundo quais critérios será aprovado. Essa estrutura pressupõe que os objetivos já estão claramente definidos antes da assinatura do contrato.

O projeto da FDE não segue esse modelo. A frase mais comum dos clientes é: “Sei que a IA deveria me ajudar de alguma forma, mas não sei exatamente como.” O próprio objetivo faz parte do projeto. Por isso, a FDE não aceita SOW, mas sim missões — uma direção relativamente vaga; depois, por meio de iterações, vai esclarecendo gradualmente essa direção; por fim, em alguma iteração, transforma o modelo acumulado em um produto concreto.

A linha “entregáveis” também merece ser expandida. Após a saída do FDE, o que permanece no sistema do cliente é uma funcionalidade operacional — talvez pequena, talvez feia, talvez sem interface de usuário, mas que é realmente chamada, modificada e criticada todos os dias. Os entregáveis de consultoria são PPTs e relatórios de gestão de mudança; mesmo que tenha sido escrito código ou configurado ERP durante o projeto, o que permanece nas mãos dos executivos do cliente ainda é um documento metodológico.

A linha “barreira competitiva” é a mais sutil. A barreira competitiva da FDE é a sensibilidade em tempo real sobre os limites das capacidades do modelo — quantos cenários reais de clientes você executou este mês determina o quão bem você sabe o que o Claude 4.7 consegue fazer e o que precisa esperar pelo Claude 5. Essa sensibilidade não pode ser escrita em um PowerPoint nem armazenada em uma base de conhecimento; ela só existe na mente dos engenheiros que atuaram nos últimos 90 dias.

Então, da próxima vez que alguém disser “FDE não é só a nova versão da Accenture?”, você pode responder assim: os engenheiros da Accenture reprojetam os processos dos clientes, enquanto os da FDE reexploram os limites dos modelos. Os ativos do primeiro podem se consolidar por dez anos; os do segundo precisam crescer novamente após 90 dias.

Se dizer que "FDE é a nova versão da Accenture" é a primeira camada de mal-entendido, então "FDE é terceirização de software cara" é a segunda. Essa camada é mais enganosa, pois as evidências aparentes parecem muito convincentes: FDE realmente vai aos locais dos clientes para escrever código, realmente personaliza funcionalidades de acordo com os negócios dos clientes e realmente está disponível durante as horas de trabalho dos clientes. À primeira vista, não parece diferente de engenheiros terceirizados.

Mas assim que se olha para o ciclo de feedback, a diferença não pode ser escondida.

A diferença mais importante nesta imagem não é o quão simples é a parte superior, mas sim a adição de uma cadeia de feedback que se estende até a empresa de modelos na parte inferior. Essa cadeia não é decorativa; é a razão real da existência do cargo de FDE. Ao analisar essa diferença, pelo menos quatro pares de contraste podem ser identificados.

As coisas que são contratadas são diferentes. Contratar um SOW — uma lista de requisitos claramente definida antes da assinatura do contrato: quais funcionalidades devem ser desenvolvidas, qual pilha tecnológica usar, quais critérios de aceitação e como compensar em caso de descumprimento. O FDE recebe uma missão — o cliente nem sabe exatamente o que quer, só sabe que “a IA deveria ser capaz de me ajudar de alguma forma”. O SOW pressupõe certeza; a missão pressupõe exploração. São posturas completamente diferentes para iniciar um projeto.

O escopo é diferente. O trabalho terceirizado realiza entregas parciais — um módulo, um site, um pipeline de dados — e, após concluído, embala e sai, indo para o próximo cliente. O FDE realiza entregas end-to-end — desde a identificação da dor do negócio, passando pela seleção do modelo e pelo design da forma do produto, até a retenção e churn de usuários reais após o lançamento.

A forma de cobrança é diferente. Isso é o mais contra-intuitivo. Uma empresa de modelos envia um FDE para o local do cliente, e o que realmente importa não é apenas quanto será cobrado por este projeto, mas sim: quantos tokens este cliente consumirá a seguir? Ele se tornará um cliente de retenção? Ele expandirá para mais linhas de negócio? O verdadeiro KPI do FDE é a curva de consumo de tokens do modelo a longo prazo, não o número na lista de aceitação do projeto.

Os retornos têm destinos diferentes. Este é o grupo mais profundo entre os quatro. Em projetos terceirizados, o feedback do cliente não vai além da empresa terceirizada e não afeta futuros produtos que a empresa terceirizada venderá a outros. Já o feedback do FDE retorna ao roadmap da empresa de modelos — cada obstáculo, cada falha de prompt e cada bug de chamada de ferramenta encontrados pelos clientes em cenários reais tornam-se entradas para os próximos conjuntos de dados de treinamento, design de ferramentas e funcionalidades do produto. Ou seja, cada cliente que implementa o FDE é, para a empresa de modelos, um parceiro de design natural.

Essa é a verdadeira razão pela qual as empresas de modelos estão dispostas a pagar altos salários para contratar FDEs. Elas não estão apenas vendendo um serviço; estão coletando sinais do mundo real sobre a forma do produto nos locais dos clientes. Esses sinais não podem ser comprados, capturados ou obtidos por pesquisas por questionário — só podem ser trazidos de volta por um engenheiro específico, após enfrentar algumas vezes obstáculos dentro do fluxo de trabalho específico de um cliente.

Você sabia — qual é o pacote total de compensação para FDE da OpenAI e da Anthropic? De acordo com os dados públicos da Anthropic no Levels.fyi [8], a mediana do pacote total para SDE sênior já atingiu US$ 710K. O cargo de FDE apresenta riscos maiores — envolve incertezas quanto à capacidade do modelo, à incerteza dos negócios do cliente e à incerteza da forma do produto; portanto, conforme indicado por pesquisas da indústria [9], os pacotes totais para FDE de nível médio a sênior em laboratórios de IA前沿 geralmente variam entre US$ 350K e US$ 550K, enquanto os de nível Staff ou superior podem chegar a US$ 630K+. Esse valor não é pago por “horas terceirizadas”, mas sim por quem assume a responsabilidade pela combinação de três riscos: produto + cliente + modelo. > Lembre-se de 2006, quando eu comecei minha carreira em uma empresa estatal chinesa, em plena transformação digital. Naquela época, nossos consultores da Accenture estavam alocados no local, e a empresa pagava US$ 3.500 por dia em taxas de consultoria — permanecendo por anos — e era chamado pela mídia da época de “elite dourada”. Mais tarde, migrei para a empresa alemã SAP, que cunhou um termo para a indústria de consultoria: consultores SAP tornaram-se sinônimo de “elite dourada”. Dessa forma, pode-se ver que os salários dos FDE provavelmente continuarão a aumentar nos próximos 24 a 36 meses, com demanda estável em crescimento.

Terceirização é arbitragem de mão de obra, e o FDE é um sensor de frente. Confundir essas duas coisas fará com que o cliente acredite erroneamente que pode contratar o FDE por meio de um SOW, e fará com que os candidatos tratem o FDE com a atitude de um trabalho terceirizado. Ambos os lados chocar-se-ão rapidamente.

Muitas pessoas acreditam erroneamente que o termo FDE foi inventado pela OpenAI. Na verdade, não foi. Ele tem duas raízes históricas: uma proveniente da Palantir e outra das empresas de modelos da nova geração após 2023. Olhando essas duas raízes lado a lado, é possível compreender melhor o que realmente faz o cargo de FDE.

Primeiro, veja um cronograma.

A primeira raiz é a Palantir.

A Palantir foi fundada em 2003 por Peter Thiel, Alex Karp, Joe Lonsdale e outros, com seus primeiros clientes sendo agências de inteligência dos Estados Unidos. Karp, por sua vez, não tinha formação em Ciência da Computação — ele fez seu doutorado em Filosofia com Jürgen Habermas em Frankfurt e só foi recrutado por Thiel para ser CEO após retornar aos Estados Unidos. O cargo de FDE surgiu exatamente dessa combinação de “CEO atípico + clientes altamente confidenciais”: um retrospecto da 36Kr [10] descreve claramente que, nos estágios iniciais, a Palantir foi fortemente criticada pelas agências de inteligência porque os engenheiros não tinham acesso a cenários reais de negócios, e as demandas, ao serem traduzidas em múltiplas camadas, já estavam distorcidas. Posteriormente, a Palantir conseguiu um acordo — permitir que seus próprios engenheiros trabalhassem diretamente nos locais dos clientes, ao lado dos analistas de inteligência. Esse modelo foi posteriormente sistematizado por Shyam Sankar, tornando-se a origem do FDE.

Em 2009, o FDE se expandiu para o setor comercial. Quando o JPMorgan implantou a plataforma Metropolis da Palantir, 120 FDE foram alocados para monitoramento de ameaças internas. A partir desse momento, o FDE deixou de ser apenas “enviar engenheiros em viagem” e tornou-se uma abordagem sistemática de integração com o cliente: integrar verdadeiramente o Foundry/Gotham nos fluxos de negócios do cliente, em vez de apenas entregar uma licença e partir.

A contratação de FDE da Palantir tem um critério contraintuitivo — não exige formação em CS. Isso pode ser incluído em "Sabia que?".

Você sabia que o Palantir FDE não exige formação em Ciência da Computação? De acordo com os critérios de contratação do Palantir compilados pelo SkillScouter [11] e pela página de carreiras oficial do Palantir [12], a empresa acolhe explicitamente candidatos sem formação em CS; recentes contratações de FDE vieram de áreas como engenharia mecânica, economia e filosofia. Os dois aspectos realmente essenciais são: agir com informações incompletas e conseguir se comunicar diretamente com clientes executivos. Um diploma em CS é um diferencial, não um requisito obrigatório. O próprio Karp é o primeiro exemplo dessa filosofia — um CEO formado em filosofia, liderando uma equipe de FDE com formação em física, matemática e filosofia.

A segunda raiz é uma empresa de modelos da nova geração após 2023.

Após o lançamento do ChatGPT no final de 2022, a OpenAI rapidamente percebeu uma coisa: colocar a API do modelo no documento e deixar os clientes se conectarem sozinhos era totalmente inviável. Os clientes não queriam não usar, mas não sabiam como usar — eles tinham problemas de negócio, mas nenhuma forma de produto. Por isso, empresas como OpenAI, Anthropic, Cohere, Scale, Glean, Sierra, Hebbia e Decagon começaram a contratar em grande escala FDE.

Esta onda de FDE aprende exatamente o playbook da Palantir — enviar engenheiros para os locais dos clientes para executar um fluxo de trabalho de ponta a ponta. Mas o veículo do produto já é completamente diferente: enquanto o FDE da era Palantir se concentrava em integração de dados e personalização de UI, o FDE de nova geração atua em design de prompts, orquestração de agentes, chamada de ferramentas e incorporação de fluxos de trabalho.

No artigo de Pragmatic Engineer sobre FDE [13], essa nova versão é chamada de “embedded with enterprises to make Claude solve real, specific, high-value problems” — a formulação é quase idêntica à da Palantir na época, apenas substituindo “dados” por “modelos”.

Ao analisar essas duas raízes juntas, é possível identificar um conjunto claro de pontos em comum e diferenças.

Ponto em comum: os clientes não estão comprando software. Eles estão comprando “engenheiros + conjunto de ferramentas que resolvem meu problema”. Isso foi anormal na história de 30 anos do software empresarial. SAP, Oracle e Salesforce vendiam o próprio software — os engenheiros existiam como recursos de apoio para “tornar esse software acessível ao cliente”. Palantir faz o oposto: as ferramentas existem como alavancas para “permitir que os FDE resolvam problemas para os clientes”. As novas gerações de empresas de modelos herdaram essa relação invertida — a OpenAI não vende licenças do GPT-4, mas sim “nossos FDE usando o GPT-4 para ajudá-lo a automatizar seu atendimento ao cliente”.

Diferença: A era da Palantir foca em integração de OPS — o ponto principal é integração de dados, modelagem ontológica e governança de permissões. A nova geração foca na implementação de capacidades de modelos — o ponto principal é design de Prompt, orquestração de Agentes e otimização de retenção. A primeira é como uma versão aprimorada de um integrador de sistemas, a segunda é como uma extensão de um engenheiro de produto.

Por fim, um fato interessante: muitos dos primeiros FDE da Palantir acabaram se tornando empreendedores ou entraram diretamente em empresas de modelos da nova geração. Na equipe inicial da Anthropic, OpenAI, Sierra e Hebbia, é possível listar uma longa série de ex-Palantir. Isso não é coincidência — o cargo de FDE obriga uma pessoa a assumir simultaneamente riscos de produto, riscos de cliente e riscos de engenharia, sendo praticamente um treinamento para empreendedores. O autor prefere ver a Palantir como uma academia de empreendedorismo oculta: ela não apenas forma engenheiros, mas um grupo de pessoas que sabem como impulsionar algo do zero ao um mesmo com informações incompletas. Duas raízes que finalmente se uniram após 2023.

A convergência das duas raízes ocorre principalmente no exterior. No país, o termo FDE não existe há muito tempo, mas o conteúdo de trabalho correspondente não surgiu do nada. Para entender o FDE no país, é necessário primeiro compreender suas duas pré-existentes locais e, em seguida, identificar as três diferenças contextuais entre ele e a versão americana do FDE.

Dois pré-decessores locais

O primeiro antecessor era o arquiteto de soluções de provedores de nuvem. Nos últimos dez anos, Alibaba Cloud, Tencent Cloud e Huawei Cloud formaram uma equipe completa de Solution Architects (SAs), que apresentavam arquiteturas aos clientes, escreviam POCs, elaboravam planos de migração e colaboravam na entrega até a implantação. Dentro da Huawei, há ainda uma sequência especializada de “engenheiros de entrega” responsáveis por implementar projetos nos data centers dos clientes. Esse sistema já realiza 80% do trabalho de FDE, mas seu foco permanece na fase pré-venda e na implantação — a responsabilidade pela iteração end-to-end do produto não está nas mãos do SA; alterações de requisitos exigem um processo de mudança, e a troca de modelos depende da programação da sede.

A segunda origem é uma nova sequência surgida dentro de startups de IA. A MiniMax está listando na BOSS Zhipin o cargo de “Especialista em Soluções Pré-vendas de IA”, e empresas de modelos como Moonshot, Zhipu, Tongyi e Hunyuan também estão anunciando cargos semelhantes. Os nomes variam ligeiramente, mas os detalhes das descrições são altamente convergentes: compreender os cenários dos clientes, realizar demonstrações, ajustar prompts, executar RAG, escrever propostas de entrega e coordenar com as equipes de engenharia dos clientes até a implantação. Essa onda de cargos é verdadeiramente o que se pode chamar de “FDE nacional”.

Três diferenças de solo e água

A implantação privada e a conformidade com dados esmagam o modelo puramente de chamada de modelo. Os clientes corporativos na China têm requisitos muito mais altos para garantir que os dados não saiam do domínio, que os pesos do modelo sejam controláveis e que a auditoria seja rastreável, em comparação com o mercado norte-americano. Em um projeto FDE, o trabalho envolvendo apenas chamadas de API e execução de Prompt pode representar apenas 30%, enquanto os outros 70% consistem em mover o modelo para a sala de servidores do cliente, configurar a autenticação, integrar-se à plataforma de dados e realizar o registro de conformidade.

As capacidades dos modelos ainda estão se esforçando para alcançar o SOTA, e o espaço de atuação foi comprimido para o nível de engenharia. As empresas norte-americanas OpenAI e Anthropic conseguem atrair clientes com as próprias capacidades dos modelos; já no Brasil, as diferenças nas capacidades entre Tongyi, DouBao, Kimi, GLM e DeepSeek não são tão grandes, e os critérios dos clientes recaem mais sobre habilidades de engenharia, como orquestração de Agentes, qualidade da busca RAG, integração de ferramentas e design de fluxos de trabalho. No mercado doméstico, a competição dos FDE não é sobre “quão forte é o nosso modelo”, mas sim “se conseguimos realmente implementar esse negócio”.

A disposição para pagar e o ritmo de precificação no segmento B diferem dos EUA. O modelo da Palantir, de “primeiro enviar FDE para implementar, depois cobrar assinaturas de alto valor”, é difícil de replicar diretamente. Os orçamentos dos clientes locais seguem os ciclos anuais de aquisição, com pagamento tendendo a ser baseado em projetos; o modelo comercial do FDE geralmente é uma mistura de assinatura + licença privada + entrega de projeto.

Um posicionamento único: FDE interno

Muitas equipes de IA dentro de grandes empresas estão começando a usar o modelo FDE para atender "clientes internos". A Alibaba Cloud PAI enviou engenheiros para o Taobao, e o Tencent Hunyuan também possui mecanismos semelhantes para se conectar com o WeChat e as equipes de publicidade. No JD, os cargos listados são "Engenheiro de Implementação Industrial", "Engenheiro de Aplicações de IA" e "Especialista em Negócios Inteligentes"—essencialmente, são FDEs internos que levam as capacidades das equipes de modelos de ponta a ponta até os negócios. Isso oferece aos líderes das grandes empresas uma nova abordagem: alguns FDEs internos posicionados nos negócios, criando o primeiro demo e entregando os dados de ROI aos gestores dos negócios, dissolverão barreiras departamentais mais rapidamente do que dez reuniões de alinhamento.

No artigo anterior, “Carta aos Superindivíduos” [4], mencionei os cinco motores do superindivíduo: forte curiosidade, forte espírito de exploração e inovação, forte capacidade de autoaprendizado, forte autodisciplina e forte habilidade prática. Essas cinco qualidades são o bilhete de entrada para o FDE, mas não são tudo. Além desses cinco motores, o cargo de FDE exige um conjunto de características específicas adicionais, e há certos perfis de personalidade claramente inadequados. Já vi muitos engenheiros excelentes que migraram para o FDE e tiveram dificuldades de adaptação; os problemas, na maioria das vezes, não estavam nas habilidades, mas na personalidade e nas preferências de trabalho.

Cinco qualidades adequadas para o FDE

Não evite vendas e comunicação. O dia a dia de um FDE não é ficar trancado escrevendo código, mas sim interagir diretamente com CTOs, responsáveis por negócios, compradores, equipes de conformidade e TI dos clientes. Um ritmo típico: o CTO do cliente interrompe durante a demonstração; a reação de um FDE não pode ser “volto e faço uma versão atualizada na próxima semana”, mas sim abrir imediatamente o IDE, modificar o Prompt e executar novamente diante dele. “O cliente está presente, e eu estou ajustando” é a rotina de um FDE.

Aproveite a zona cinzenta. O FDE não recebe um PRD claro, mas sim uma frase como: “Queremos fazer algo com IA.” O próprio cliente não sabe exatamente o que quer, e precisa que o FDE o acompanhe para transformar essa expectativa vaga em algo concreto. Se você só conseguir agir quando houver uma necessidade clara, o FDE o deixará ansioso todos os dias.

Fortes habilidades técnicas, mas não é necessário ser 10x. O FDE não exige que você seja a pessoa com o código mais limpo ou os algoritmos mais profundos da empresa; ele precisa de alguém que consiga fazer tudo funcionar de ponta a ponta: criar uma página funcional na frente, montar um serviço funcional atrás e conectar o modelo às fontes de dados do negócio. No mundo do FDE, “aproximadamente bom o suficiente” não é uma desvantagem — é uma virtude.

Gosta de ser aprimorado pelo feedback. No trabalho de FDE, há muitos momentos em que se é “repreendido pelo cliente e obrigado a refazer”: o demo de hoje é dito pelo time de negócios amanhã que “não é o que eu queria”; a solução alinhada na semana passada precisa ser refeita esta semana porque o cliente trocou de executivo. As pessoas adequadas para FDE veem esse feedback como combustível, assumem responsabilidade end-to-end e não jogam a culpa no “fato de a demanda não ter sido claramente explicada”.

Sensível aos limites do modelo. Esta é a mais técnica e mais implícita das regras. O FDE precisa saber quais tarefas são adequadas para o LLM e quais não são, e como realizar o fallback — essa sensibilidade não pode ser aprendida apenas lendo artigos, mas só através de casos de falha. Com a acumulação de exemplos falhos, o FDE desenvolve memória muscular sobre os limites do modelo: em quais cenários usar RAG, em quais seguir regras e em quais é essencial fornecer uma entrada de fallback para um humano.

Quatro tipos de pessoas que não são adequadas para o FDE

Técnico puro que quer se esconder no código. O FDE passa cerca de 50% do tempo não escrevendo código, mas em reuniões com clientes, coordenação interna, discussões de produto e avanço de contratos. Se sua fonte de alegria é escrever código por quatro horas seguidas sem interrupções, o FDE fará você sofrer esgotamento mental a longo prazo.

Pessoas que precisam de OKRs para agir. Os objetivos do FDE estão voltados para o cliente, não para o seu formulário de desempenho. O progresso do trabalho é determinado pelos marcos do projeto do cliente, pelas mudanças na capacidade do modelo e pela sua própria avaliação do cenário. Quem tem o hábito de “só saber o que fazer depois de ter um OKR” não encontrará um ponto de referência.

Pessoas que valorizam mais a promoção do que o trabalho. FDE não tem vantagem no sistema de promoção das grandes empresas — métricas como satisfação do cliente, fechamento de projetos e taxa de reutilização não têm peso comparável à quantidade de código e frequência de lançamentos durante a avaliação de nível. Se a promoção é sua principal motivação, FDE não é uma boa escolha.

Pessoas que se resistem ao contexto comercial. O FDE precisa entender o P&L, ROI, processo de aquisição e requisitos de conformidade do cliente. Se você naturalmente se sente desconfortável ao falar sobre dinheiro, contratos e lógica comercial, o trabalho de FDE fará você sentir que está vendendo seus ideais técnicos.

Lista de verificação autoavaliação

7 perguntas, cada uma correspondendo a um cenário real de trabalho do FDE. Responder “sim” a mais de 5 sugere considerar seriamente o FDE; responder “sim” a 3 ou menos recomenda cautela.

1. Você estaria disposto a transferir 50% do seu tempo diário do código para reuniões com clientes, responder mensagens e ligações?

2. Quando o cliente lhe diz “Isso não funciona, mas eu não consigo explicar por quê”, sua primeira reação é curiosidade ou impaciência?

3. Ninguém escreveu um PRD para você. Você consegue executar, em uma semana, com o Claude Code, um protótipo funcional que possa ser mostrado ao cliente?

4. No mesmo entrega, o cliente pediu 8 versões alteradas — você ainda consegue manter seu julgamento, em vez de executar mecanicamente?

5. Quando o modelo fornecer uma resposta incorreta, sua primeira reação é projetar um fallback ou reclamar que o modelo é ruim?

6. Você está disposto a assinar contratos, elaborar relatórios, acompanhar a aceitação do cliente e revisar cláusulas de conformidade com o departamento jurídico?

7. Você consegue aceitar protótipos rápidos e falhas rápidas?

Cinco características, quatro tipos de perfis inversos, sete perguntas de autoavaliação — no final, é a mesma pergunta: você está disposto a aprimorar ao mesmo tempo seu senso de produto, sua capacidade técnica e seu julgamento comercial dentro de um único fluxo de trabalho?

No artigo anterior, discuti o “motor humano”: curiosidade, espírito de exploração, capacidade de autoaprendizado, motivação intrínseca e habilidades práticas, e como eles podem ser plenamente estimulados em um ciclo fechado dentro de grandes empresas. Este artigo aborda outro assunto — a forma de cargo. O FDE é a primeira nova forma de cargo na revolução da IA a ter um nome, uma faixa salarial, uma descrição de vaga e validação por clientes pagantes. Ele não é sinônimo do conceito de “superindivíduo”, mas sim o primeiro ponto de referência concreto que se materializou nessa onda de reestruturação.

FDE não é o fim. A opinião do autor é que o FDE é apenas a primeira forma a adquirir um nome na nova divisão de trabalho. Ainda virão Forward Deployed PM, Forward Deployed Designer, Forward Deployed Researcher — todos os cargos intimamente ligados aos cenários dos clientes e que exigem cultivar produtos em áreas nebulosas acabarão desenvolvendo suas próprias versões “forward deployed”. Os nomes dos cargos mudarão, mas a lógica subjacente será a mesma: as capacidades do modelo avançam à frente, enquanto a forma do produto segue atrás, e a estrutura dos cargos é redividida conforme o fluxo de trabalho.

Deixe uma frase para cada um dos três públicos.

Para profissionais de tecnologia: FDE não exige que você seja o melhor programador da empresa, mas exige que você esteja disposto a dedicar metade do seu tempo à interação com clientes. Se sua resposta for “sim”, a janela de mercado acabou de abrir, e as contratações em empresas líderes de modelos no país, fornecedores de nuvem e equipes internas de IA de grandes empresas estão acelerando. Se sua resposta for “não”, tudo bem — novas funções surgirão nessa nova divisão de trabalho para você.

Para RH e OD: Estejam atentos à “discrepância entre nome e realidade”. Sua empresa já pode ter um grupo de FDE atuando, mas com cargos listados como “Especialista em Soluções”, “Arquiteto de Indústria” ou “Engenheiro de Aplicações de IA”. Identifique-os, reclassifique-os e ofereça a eles um caminho de crescimento alinhado às suas funções reais — isso é mais eficiente do que contratar novos funcionários do zero.

Para os gestores: O modelo FDE não pode apenas ser voltado para fora, mas também para dentro. Estabelecer alguns “FDE internos” na linha de negócio, integrando completamente as capacidades da equipe de modelos nos processos operacionais, pode ser muito mais eficiente do que criar um novo departamento de IA e realizar dez reuniões de alinhamento interequipes. As barreiras departamentais não são eliminadas pelo design organizacional, mas por um demo funcional.

A transição profissional na era da IA já começou, e o FDE é o primeiro sinal: ele nos diz que a velocidade com que as capacidades dos modelos mudam já é suficiente para criar novas funções. O autor deixa aos leitores uma pergunta concreta — se, daqui a três anos, o organograma da sua empresa tiver três novos cargos adicionados, você acha que serão quais três? Refletir sobre essa pergunta é mais útil do que ler este artigo inteiro.

👦🏻 Autor: Henry (equipe DeerFlow) [1]