FDE: A Nova Função Impulsionando a Adoção de IA nas Empresas

👦🏻 Autor: Henry (equipe DeerFlow)^[1]

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 em inglês: FDE^[2]Vale a pena eu ir?

FDE, sigla para Forward Deployed Engineer^[2]Era um jargão interno do círculo da Palantir há dois anos, e hoje já se tornou silenciosamente uma frase inicial de recrutadores, um cargo frequente em anúncios de emprego e uma das candidatas à resposta de “o cargo mais valioso da era da IA” nas redes sociais. A OpenAI criou diretamente, em maio de 2026, uma empresa com esse nome: Deployment Company^[3]Com investimento inicial de 4 bilhões de dólares, afirmou claramente que enviaria engenheiros para trabalhar nos locais dos clientes, integrando-se aos fluxos de trabalho dos clientes; a equipe de Applied AI da Anthropic também está recrutando FDE em sincronia em quatro fusos horários. Essa questão passou de gíria interna para termo explícito em 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 nacionais. 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 está sendo retomado pela OpenAI e Anthropic — não por acaso — a essência de enviar engenheiros para a frente nunca mudou.

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

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

- O FDE é uma terceirização de software mais avançada? Qual é a diferença entre ele e o que eu faço atualmente como prestador de serviços?

- Sou adequado para o cargo de FDE? Quais tipos de pessoas são amplificados por essa função e quais são desgastados?

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

Se só pudesse escolher um único evento para marcar o momento do retorno da FDE, o autor escolheria 11 de maio de 2026 — nesse dia, a OpenAI anunciou a criação da Deployment Company.^[5], o COO Brad Lightcap deixou a linha comercial original e passou a liderar projetos especiais, relatando diretamente a Sam Altman, dedicando-se integralmente a esse assunto. 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 na nova empresa.

É digno de nota que a página de carreiras da OpenAI está listando simultaneamente dezenas de cargos de FDE: São Francisco, Nova York, Washington, além de direções verticais por setor, como Life Sciences, Semiconductor e Gov, incluindo o recrutador de FDE^[6]Essa vaga está sendo aberta atualmente. Analistas estimam que a equipe se expandirá para 2.000–4.000 pessoas em três anos. Isso não é o tamanho de um grupo de pesquisa; é um exército regular.

Aqui na Anthropic, é quase uma ação espelhada. Cargo de Forward Deployed Engineer sob a equipe Applied AI^[7]Ao mesmo tempo lançado em Boston, Nova York, Seattle, São Francisco, Washington e Londres, exige que 25%–50% dos clientes viajem para o local. Um exemplo recentemente citado repetidamente é a empresa de tecnologia financeira FIS — que, em seu anúncio, escreveu diretamente: “A equipe de Applied AI da Anthropic e os engenheiros forward-deployed já estão integrados à FIS, projetando conjuntamente o Financial Crimes AI Agent e transferindo conhecimento para a FIS, permitindo que ela expanda independentemente mais agentes no futuro”.

Esta frase revela o verdadeiro rosto 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 como 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 os problemas 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 embutida no SDK.

É por isso que o FDE foi reativado simultaneamente por duas das principais empresas de modelos nesta rodada — o motivo não é tão simples quanto “também queremos fazer consultoria como a Palantir”. É um dispositivo de coleta de sinais das empresas de modelos: os pontos de dor mais densos dos clientes na linha de frente só podem ser capturados com pessoas próprias no local; as demandas transmitidas por parceiros sempre chegam distorcidas. A Anthropic segue um caminho híbrido: opera o FDE por conta própria enquanto estabelece redes de implantação conjuntas com consultorias e grandes fundos de private equity. Um focado mais em operação própria, outro mais no 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 isso é ou não a mesma coisa que a terceirização de software com a qual estamos familiarizados?

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

Entendo essa associação. Vestir terno, viajar para o local do cliente, sentar-se na sala de reuniões do cliente e desenhar no quadro branco, alinhar-se com executivos de nível C — visualmente, o FDE e o consultor parecem muito semelhantes. Mas basta aprofundar um pouco mais para perceber que a essência do trabalho de ambos é totalmente diferente. O consultor vende limites de processo; o FDE vende limites de modelo.

Colocar ambos lado a lado em uma tabela torna as diferenças imediatamente aparentes.

A linha mais importante para parar e analisar 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 repetidamente aplicado 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 se movendo rapidamente — hoje ainda são necessárias cadeias de prompts cuidadosamente projetadas, mas na próxima versão do modelo, talvez uma única frase já resolva. A “沉淀 metodológica” consultada se desvalorizará rapidamente diante dessa velocidade. Portanto, o FDE não pode usar o modelo de reutilização de ativos; precisa executar novamente o ciclo completo cada vez — 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 no artigo anterior, "Para os Superindivíduos"^[4]Já expliquei esse termo antes: a capacidade do modelo já ultrapassou as formas de produto existentes, 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 estão comprando cotas de chamada da 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 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 foram 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 como.” O próprio objetivo faz parte do projeto. Por isso, a FDE não aceita SOW, mas sim mission — uma direção relativamente vaga; depois, por meio de iterações, esclarece gradualmente essa direção; por fim, em alguma iteração, transforma o conhecimento acumulado nos modelos em um formato de produto.

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 havido código escrito ou ERP configurado no 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 do FDE é a sensibilidade em tempo real sobre os limites das capacidades do modelo — quantos cenários reais de clientes você executou este mês determina se você sabe melhor do que os outros o que o Claude 4.7 consegue fazer e o que precisa esperar pelo Claude 5. Essa sensibilidade não pode ser colocada em um PowerPoint nem em uma base de conhecimento; ela só existe na cabeça dos engenheiros que mexeram nisso 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 reprojtam 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 as empresas de modelos na parte inferior. Essa cadeia não é decorativa; é a verdadeira razão de existência do cargo de FDE. Ao analisar essa diferença, há pelo menos quatro pares de contraste.

As coisas que são contratadas são diferentes. Contratar por 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 em algo”. O SOW pressupõe certeza; a missão pressupõe exploração. São posturas completamente diferentes para iniciar um projeto.

O escopo é diferente. O terceirizado realiza entregas parciais — um módulo, um site, um pipeline de dados; após concluir, embala e vai embora, para o próximo cliente. O FDE realiza de ponta a ponta — desde a 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 os produtos que a empresa terceirizada venderá no futuro. 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 se tornam entradas para os próximos dados de treinamento, próximos designs de ferramentas e próximas funcionalidades do produto. Ou seja, cada cliente que implementa o FDE é, para a empresa de modelos, ao mesmo tempo um parceiro de design natural.

Essa é a verdadeira razão pela qual as empresas de modelos estão dispostas a pagar altos salários para contratar FDE. 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 descobertos por pesquisas por questionário — só podem ser trazidos de volta por um engenheiro específico, dentro de um fluxo de trabalho específico do cliente, após ter batido com a cabeça algumas vezes.

Você sabia — quanto pode ser o total da FDE da OpenAI e da Anthropic? De acordo com os dados públicos de engenheiros de software da Anthropic no Levels.fyi^[8], a mediana total do pacote para SDE sênior já chegou a US\$710K. O cargo de FDE apresenta risco maior—precisa lidar com a incerteza da capacidade do modelo, com a incerteza do negócio do cliente e com a incerteza da forma do produto, portanto, a indústria está consolidando^[9]Mencionado que, no laboratório de IA de ponta FDE, os pacotes totais de nível sênior ficam basicamente entre 350K - 550K, e os níveis Staff e acima podem chegar a US$630K+. Esse valor não está sendo pago por "horas terceirizadas", mas sim por quem assume a responsabilidade pela combinação de três riscos: "produto + cliente + modelo". > Lembre-se de 2006, quando o autor acabara de começar a trabalhar em uma empresa estatal central, que estava passando por uma transformação digital; naquela época, nossos consultores da Accenture estavam alocados no local, e o grupo precisava pagar à Accenture 3.500 yuan por dia em taxas de consultoria, permanecendo por vários anos, sendo chamados pela mídia da época de "gold collar". Posteriormente, o autor passou para a empresa alemã SAP, que definiu um termo para a indústria de consultoria: consultores SAP eram o símbolo do "gold collar". Dessa forma, os salários da FDE provavelmente continuarão aumentando nos próximos 24 a 36 meses, e a demanda também estará em constante crescimento.

Terceirização é arbitragem de mão de obra, FDE é um sensor de frente. Confundir essas duas coisas fará com que o cliente acredite erroneamente que pode contratar FDE por meio de um SOW, e fará com que os candidatos tratem o FDE como se fosse um trabalho terceirizado. Ambos os lados colidirão rapidamente com uma parede.

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 uma linha do tempo.

A primeira raiz é Palantir.

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 não tem formação em Ciência da Computação — ele fez seu doutorado em Filosofia com Jürgen Habermas em Frankfurt e só foi trazido por Thiel para ser CEO após retornar aos Estados Unidos. O cargo de FDE surgiu exatamente dessa combinação de "CEO atípico + clientes altamente confidenciais": retrospectiva da 36Kr^[10]O texto é muito direto: no início, a Palantir foi muito criticada por agências de inteligência, com a justificativa de que os engenheiros não tinham acesso a cenários de negócios reais, e as demandas, após serem transmitidas por várias camadas, já estavam distorcidas. Mais tarde, a Palantir conseguiu um acordo — permitir que seus engenheiros trabalhassem diretamente nos locais dos clientes, ao lado dos analistas de inteligência. Esse modelo foi posteriormente sistematizado por Shyam Sankar, tornando-se a base 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 contra-intuitivo — não exige formação em CS. Isso pode ser incluído em "Sabia que"?

Você sabia — o Palantir FDE não exige formação em Ciência da Computação? Segundo os critérios de contratação do Palantir compilados pelo SkillScouter^[11]E página de carreiras oficial da Palantir^[12]A Palantir acolhe claramente candidatos não provenientes de Ciência da Computação; recentes contratados em FDE vêm de engenharia mecânica, economia, filosofia e outras áreas. Os dois aspectos realmente cruciais são: agir com informações incompletas e conseguir se comunicar diretamente com clientes executivos. Um diploma em Ciência da Computação é um diferencial, não um requisito de entrada. O próprio Karp é o primeiro exemplo dessa norma — um CEO com formação 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: conectar a API do modelo diretamente na documentação para que os clientes a integrassem por conta própria 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 massivamente 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: na era da Palantir, o FDE fazia integração de dados e personalização de UI; o novo FDE faz design de Prompt, orquestração de Agentes, chamada de ferramentas e incorporação de fluxos de trabalho.

Artigo do Pragmatic Engineer sobre FDE^[13]Eles chamam essa nova versão de “integrada com empresas para fazer o Claude resolver problemas reais, específicos e de alto valor” — a formulação é quase idêntica à da Palantir na época, apenas substituindo “dados” por “modelos”.

Vendo esses dois troncos juntos, é possível identificar um conjunto claro de semelhanças 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 trinta 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 herdam essa relação invertida — a OpenAI não vende licenças do GPT-4, mas “nossos FDE podem usar o GPT-4 para ajudá-lo a automatizar seu atendimento ao cliente”.

Diferença: A era da Palantir é voltada para integração de OPS — o foco principal está na integração de dados, modelagem ontológica e governança de permissões. A nova geração é voltada para a implementação de capacidades de modelo — o foco principal está no 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. 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 oculta de empreendedorismo: 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 preciso primeiro reconhecer suas duas origens locais e depois os três diferenciais em relação ao FDE americano.

Duas pré-existentes 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), apresentando arquiteturas aos clientes, escrevendo POCs, elaborando planos de migração e colaborando na entrega até a implantação. Dentro da Huawei, há ainda uma sequência específica de “engenheiros de entrega” responsáveis por implementar projetos nos data centers dos clientes. Esse sistema já realiza 80% do trabalho de FDE, mas ainda se concentra principalmente 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 agenda da sede.

A segunda origem é uma nova sequência surgida em 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 semelhantes: compreender os cenários dos clientes, realizar demos, 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 de chamada pura de modelo. Os clientes corporativos na China exigem muito mais do que o mercado americano: que os dados não saiam do domínio, que os pesos do modelo sejam controláveis e que a auditoria seja rastreável. Em um projeto FDE, o trabalho de chamar apenas a API e executar prompts 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 do modelo 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 podem conquistar clientes com as próprias capacidades do modelo; já as capacidades das empresas domésticas Tongyi, DouBao, Kimi, GLM e DeepSeek não apresentam grandes diferenças, 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 Workflow. No mercado doméstico, a competição dos FDE não é sobre “quão forte é o meu modelo”, mas sim “se consigo realmente implementar este negócio”.

A disposição para pagar e o ritmo de precificação no lado 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 frequentemente é uma mistura de assinatura + licença privada + entrega de projeto.

Uma posição única: 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 trabalhar no Taobao, e o Tencent Hunyuan 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, gerando o primeiro demo e entregando os dados de ROI aos gestores dos negócios, dissolverão as barreiras departamentais mais rapidamente do que dez reuniões de alinhamento.

O autor no artigo anterior, "Para o Superindivíduo"^[4]Já foi mencionado que os cinco motores do indivíduo superior são: 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 adicionais muito específicas, e há também alguns perfis de personalidade claramente inadequados. O autor já viu 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 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 “vou voltar e fazer uma versão revisada na próxima semana”, mas sim abrir imediatamente o IDE, modificar o Prompt e executar novamente diante dele. “O cliente está aqui, 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 também 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.

Sólida capacidade técnica, mas não exige 10x. O FDE não precisa que você seja a pessoa com o código mais limpo ou o algoritmo mais profundo da empresa; ele precisa que você consiga executar de ponta a ponta: criar uma página funcional na frente, montar um serviço operacional atrás e conectar o modelo à fonte 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 um 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 como “não é o que eu queria”; a solução alinhada na semana passada precisa ser refeita esta semana porque o cliente trocou de executivo. Pessoas adequadas para serem FDEs transformam esse feedback em combustível, assumem responsabilidade end-to-end e não jogam a culpa no “time de requisitos não explicou direito”.

Sensível aos limites do modelo. Esta é a mais técnica e mais implícita. O FDE precisa saber quais tarefas são adequadas para o LLM e quais não são, e como fazer fallback — essa sensibilidade não pode ser percebida apenas lendo artigos, só é aprendida através de casos de falha. Com a acumulação de amostras falhas, 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 humanos.

Quatro tipos de pessoas que não são adequadas para 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. Pessoas acostumadas a “só saber o que fazer depois de ter um OKR” não encontrarão pontos de referência.

Pessoas que valorizam “promoção” mais do que “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 ou frequência de implantação 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 gostaria de dedicar 50% do seu tempo diário de 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 que possa ser mostrado ao cliente?

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

5. Quando o modelo der uma resposta errada, sua primeira reação é projetar um fallback ou reclamar que o modelo não funciona?

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

7. Você aceita 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 habilidade prática, e como eles são 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.

O FDE não é o fim. A opinião do autor é que o FDE é apenas a primeira forma a ganhar um nome nessa nova divisão de trabalho. Ainda virão Forward Deployed PM, Forward Deployed Designer, Forward Deployed Researcher — todos os cargos que estão fortemente acoplados aos cenários dos clientes e exigem que o produto seja desenvolvido em áreas ambíguas, terão 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 na China de modelos, provedores de nuvem e equipes internas de IA estão acelerando. Se sua resposta for “não”, tudo bem — novas funções surgirão nessa nova divisão de trabalho para você.

Para RH e OD: Esteja atento 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 negócios da empresa e integrar completamente as capacidades da equipe de modelos nos processos de negócios 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 transformação 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, você acha que serão quais? Pensar claramente sobre essa pergunta é mais útil do que ler este artigo inteiro.