Liderança · Liderança
Como contratar e formar juniores quando a IA faz as tarefas de entrada
5 de novembro de 2026
Com agentes assumindo tarefas de entrada, times precisam repensar como avaliar e desenvolver pessoas júnior. Três autores apontam senso de produto, julgamento e singularidade como o que sobra.
Gerado por IA
Este texto foi gerado automaticamente por IA a partir dos artigos listados no fim da página, curados pelo Sidebar.io, e revisado por Felipe Arena antes de publicar. As ideias são dos autores originais.
Quem está começando em produto, design ou tecnologia ouve que a porta de entrada ficou mais estreita. Se parte do trabalho que antes ensinava o ofício agora é feito por agentes de IA, a pergunta para quem lidera times é prática: como contratar e formar gente júnior sem depender de tarefas que não existem mais?
O degrau que sumiu
Em um texto sobre contratação de juniores na era da IA, Laurie Voss afirma que a contratação de engenheiros juniores desabou em parte porque ninguém sabe mais como avaliar quem vai bem no trabalho novo. Segundo ele, o trabalho deixou de ser só programar e passou a ser "engenharia de produto": entender o problema e conduzir a IA até uma solução.
Addy Osmani, engenheiro que trabalha no Claude Code, aponta o outro lado da mesma moeda. Antes, o júnior desenvolvia gosto e julgamento por repetição: milhares de tarefas pequenas, correções de bugs, código repetitivo. Agentes agora fazem boa parte dessas repetições. Osmani cita dados de queda nas vagas de entrada e um estudo de Stanford que encontrou queda relativa de 16% no emprego de pessoas de 22 a 25 anos em funções expostas à IA. Ele ressalva que parte disso é correção de um período de contratações aceleradas e que os dados iniciais ainda são confusos. E lembra que vaga de entrada também funciona como sistema de treinamento: sem ela, o caminho até cargos seniores fica fragilizado.
O que avaliar em quem entra
Voss propõe olhar para três habilidades:
- Senso de produto: identificar o problema real por trás de um pedido vago, incluindo suposições e restrições que ninguém disse em voz alta.
- Inteligência de sistemas: manter o sistema inteiro na cabeça, perceber problemas e se adaptar quando as restrições mudam.
- Explicação escrita: comunicar-se com clareza em linguagem natural, algo essencial para instruir agentes de IA.
Para medir isso, ele sugere um exercício igual para todos os candidatos, de uma a duas horas. Um modelo de linguagem (LLM) faz o papel de cliente, com requisitos detalhados, casos de borda e restrições escondidas. Outro modelo, o mesmo para todos, escreve o software que o candidato dirige. A pessoa pode fazer perguntas, mostrar o trabalho em andamento e recomeçar, mas não pode enganar o cliente para obter o documento de requisitos. Um agente "juiz" roda testes e um humano dá a nota final. Voss faz uma comparação com os exames médicos que usam pacientes padronizados e listas de verificação. Ele deixa claro que a ideia é teórica e que a automação total da nota é arriscada, porque juízes automáticos podem ter viés.
Repare que nada ali é sobre código. É sobre fazer boas perguntas e explicar bem, o que vale também para quem desenha interfaces ou gerencia produtos.
Como o júnior constrói julgamento
Se as repetições sumiram, é preciso construí-las de propósito. Osmani chama de "ungradeable", algo como "impossível de corrigir por outra pessoa", a parte do trabalho que importa: escolher o que construir e julgar se está bom. Ele alerta para a "rendição cognitiva": num estudo que cita, participantes aceitaram respostas erradas da IA quase 80% das vezes, e a confiança subiu enquanto a precisão caiu.
Entre as práticas que ele recomenda:
- Ler muito mais código do que gerar, procurando erros de lógica, falhas de segurança e casos de borda.
- Manter um "diário de erros": uma frase para cada erro do agente, revisando os padrões depois de trinta dias.
- Fazer algumas coisas do jeito difícil de propósito, para não perder o aprendizado de base.
- Separar especificar de verificar, já que a qualidade da especificação é a maior alavanca.
- Dar mais autonomia ao agente em tarefas baratas e reversíveis, e menos onde o erro custa caro.
Ser insubstituível não é ser o mais rápido
Há um contraponto útil no ensaio de Christopher Butler, escrito para designers. Para ele, sempre existirá alguém mais rápido, mais barato ou melhor, e isso descreve um mercado, não uma era. Clientes não escolhem apenas o melhor artefato; escolhem experiência, relação e adequação. Ele também avisa que a pressa por velocidade corrói justamente a experiência que diferencia, porque se aprende no trabalho lento em problemas reais.
Juntando os três textos: velocidade de execução virou commodity, e o que sobra para diferenciar é entender o problema, julgar o resultado e dar o acabamento final. Osmani resume o acabamento como "terminar a última milha", onde estão o polimento e os casos de borda.
Para levar
- Se você contrata, teste senso de produto, visão de sistema e clareza de escrita, não só habilidade de execução.
- Se você está começando, crie suas próprias repetições: leia mais do que gera e registre os erros da IA.
- Nunca aprove um resultado sem evidência: diffs, testes, logs ou, no design, teste com usuários.
- Faça algumas tarefas do jeito difícil para manter fundamentos afiados.
- Em vez de competir em velocidade ou preço, invista na combinação própria de perspectiva, experiência e relacionamentos.
Fontes
- 01 How to hire junior engineers in the age of AI — Laurie Voss, seldo.com
via Sidebar.io - 02 Earning taste and judgment — Addy Osmani, addyosmani.com
via Sidebar.io - 03 There will always be someone faster, cheaper, and better — Christopher Butler, chrbutler.com
via Sidebar.io