Guia para profissionais da Computação: o que estudar quando a IA comprime a tecnologia
De onde a profissão veio, o que a IA já mudou no mercado e na pesquisa, o que é o novo profissional da área e um caminho de estudo que vai além do código: arquitetura empresarial, método científico, filosofia, ciências, negócios, economia e idiomas.
- 7 seções
- 10 interações
- 5 etapas de estudo
- 8 disciplinas além da tecnologia
Cada geração da Computação transformou o trabalho da anterior em uma camada pronta
A história da profissão pode ser contada como uma sequência de compressões. O que exigia um especialista e semanas de trabalho vira, alguns anos depois, uma ferramenta, uma biblioteca ou um serviço que qualquer pessoa da área usa em minutos. O compilador comprimiu a programação em linguagem de máquina. O banco de dados relacional comprimiu o controle de arquivos. A nuvem comprimiu a compra e a operação de servidores. A IA generativa está comprimindo a escrita de código.
Em nenhuma dessas viradas a profissão acabou. O que aconteceu foi um deslocamento: o trabalho repetitivo desceu para dentro da camada nova, e o valor subiu para o que a camada não resolve sozinha. Escolher o problema certo, especificar com precisão, integrar as partes, verificar o resultado e responder pelas consequências. Entender esse padrão é o primeiro passo para decidir o que estudar agora.
O profissional precisava conhecer a máquina por dentro
As programadoras do ENIAC configuravam o computador com cabos e chaves, a partir dos diagramas da máquina. Não havia linguagem nem sistema operacional entre a pessoa e o hardware. Tudo era especialidade.
O FORTRAN e as linguagens de alto nível
A IBM lança o FORTRAN, e o compilador passa a traduzir fórmulas escritas por pessoas em instruções de máquina. Muita gente duvidou que um programa gerado automaticamente pudesse ser tão eficiente quanto o escrito à mão. A dúvida perdeu, e o número de pessoas capazes de programar se multiplicou.
A “crise do software” e o nascimento da Engenharia de Software
Uma conferência patrocinada pela OTAN consagra o termo “engenharia de software”. O diagnóstico: os sistemas cresciam mais rápido do que a capacidade de construí-los com prazo, custo e qualidade. Programar bem deixou de bastar; era preciso método. [1]
Edgar Codd e o modelo relacional
O artigo de Codd separa a forma lógica dos dados da forma como eles estão gravados no disco. Dez anos depois, os bancos relacionais tiram de cada programa a responsabilidade de controlar arquivos, e a modelagem de dados vira competência central.
John Zachman e a arquitetura empresarial
No IBM Systems Journal, Zachman propõe olhar os sistemas de informação como parte da arquitetura da organização inteira: quem decide, que processos existem, que dados circulam, que tecnologia sustenta tudo. Em 1995 surge a primeira versão do TOGAF, hoje o padrão mais difundido da área. [2] [12]
O Manifesto Ágil
Dezessete profissionais assinam o manifesto que prioriza software funcionando, colaboração com o cliente e resposta à mudança. O profissional passa a conviver de perto com o negócio, em ciclos curtos.
A computação em nuvem pública
A Amazon Web Services lança o armazenamento S3 e as máquinas virtuais do EC2. Comprar, instalar e operar servidores, trabalho de semanas, vira uma chamada de API. A pergunta muda de “temos máquina?” para “quanto custa, quanto aguenta e o que acontece quando falha?”.
DevOps: quem constrói também opera
O primeiro DevOpsDays dá nome a um movimento que junta desenvolvimento e operação. Entrega contínua, infraestrutura como código e observabilidade passam a fazer parte do ofício de quem escreve o sistema.
A arquitetura Transformer
O artigo “Attention Is All You Need” apresenta a arquitetura de rede neural que está na base dos grandes modelos de linguagem. A pesquisa em IA começa a escalar com dados e capacidade computacional como nunca antes.
IA generativa e agentes
Assistentes baseados em grandes modelos de linguagem passam a escrever, explicar e revisar código, e depois a executar tarefas de várias etapas dentro de repositórios. A IA generativa chegou a 53% de adoção em três anos, mais rápido que o computador pessoal e a internet no mesmo estágio. [9] É a compressão que motiva este guia.
A mesma tarefa em três épocas
Um exemplo concreto do deslocamento: colocar no ar um sistema web para os clientes de uma empresa. Compare o que era trabalho manual em cada época e o que continuou sendo responsabilidade do profissional.
- O trabalho manual
- Comprar ou alugar um servidor físico, instalar o sistema operacional, configurar rede, banco de dados e servidor web, escrever todo o código e copiar os arquivos para a máquina.
- Tempo típico
- Semanas, às vezes meses, só para a infraestrutura.
- O que era escasso
- Quem soubesse montar e manter a máquina.
- O que continuava sendo seu
- Entender o problema do cliente, decidir o que construir, garantir que funcionava.
- O trabalho manual
- Criar máquinas virtuais na nuvem em minutos, automatizar a configuração com scripts, usar frameworks que já resolvem autenticação, acesso a dados e páginas.
- Tempo típico
- Dias para a infraestrutura; o esforço migra para o código do produto.
- O que era escasso
- Quem soubesse projetar sistemas que escalam e operar em produção.
- O que continuava sendo seu
- Entender o problema do cliente, decidir o que construir, garantir que funcionava.
- O trabalho manual
- Descrever o que se quer para assistentes de IA que geram o código, os testes, a infraestrutura como código e o pipeline de entrega, sobre plataformas gerenciadas.
- Tempo típico
- Horas para ter algo funcionando. O tempo que sobra vai para revisar, integrar e verificar.
- O que é escasso
- Quem sabe dizer se o que foi gerado está certo, seguro, sustentável e alinhado ao negócio.
- O que continua sendo seu
- Entender o problema do cliente, decidir o que construir, garantir que funciona. Agora com menos tempo gasto no resto, e mais exposição quando essa parte falha.
A última linha não muda entre as épocas. Ela é o núcleo da profissão, e é para ela que o estudo deve apontar.
Essa ideia, de que cada camada de abstração muda onde se forma o julgamento de quem trabalha com ela, é o tema do artigo A camada que ensina: compressão, abstração e a formação do julgamento em engenharia de software, publicado no blog, em Publicações de Artigos.
O que os dados mostram sobre o trabalho em Computação depois da IA generativa
A adoção é praticamente universal entre quem desenvolve software. O ganho, não. Os estudos mais sólidos até aqui apontam para um mercado que paga cada vez menos pela execução isolada e cada vez mais por quem consegue especificar, verificar e integrar.
Quatro mudanças que já dá para afirmar
Para quem já está na área, a leitura prática é esta: o trabalho que sobrevive à compressão é o que exige contexto. Contexto do negócio, da arquitetura que já existe, das restrições de custo e de regulação, das pessoas que vão usar o sistema. Esse contexto não está no código, e por isso a IA não o gera sozinha.
Quando escrever código fica barato, o caro passa a ser saber o que escrever, onde encaixar e como provar que está certo.
A pesquisa em Computação ficou mais empírica, mais cara e mais misturada às outras ciências
A IA não mudou só o mercado. Ela mudou quem faz pesquisa de fronteira, como se avalia um resultado e onde a Computação encontra as outras áreas do conhecimento.
A fronteira dos modelos saiu da universidade
Segundo o AI Index 2025, da Universidade Stanford, quase 90% dos modelos de IA considerados notáveis em 2024 vieram da indústria, contra 60% no ano anterior. Treinar um modelo de fronteira exige dados e capacidade computacional que poucos laboratórios acadêmicos têm. [8]
O que isso pede de você: ler e avaliar pesquisa feita fora da academia, com menos transparência sobre dados e métodos, e saber distinguir resultado de anúncio.
Medir virou um problema de pesquisa em si
Os modelos atingem rapidamente o teto dos testes de referência, e um bom resultado em teste nem sempre se traduz em ganho no mundo real, como mostrou o experimento do METR com desenvolvedores. Avaliar com rigor, com grupo de controle, amostra e hipótese declarada, voltou ao centro da área. [6]
O que isso pede de você: estatística, desenho de experimentos e a disciplina de não confundir impressão com evidência.
A Computação virou instrumento das outras ciências
Em 2024, o Nobel de Física foi para John Hopfield e Geoffrey Hinton, por trabalhos que fundamentam as redes neurais, e o de Química foi dividido entre David Baker e os criadores do AlphaFold, Demis Hassabis e John Jumper, pela previsão da estrutura de proteínas. [10]
O que isso pede de você: conhecer o suficiente de outra ciência para conversar com quem trabalha nela. Os problemas mais interessantes estão nas fronteiras.
Temas clássicos ganharam urgência prática
Verificação formal, segurança, confiabilidade de sistemas distribuídos, qualidade e governança de dados, interação humano-computador e ética deixaram de ser assuntos de nicho. Quando parte do código é gerada por máquina, garantir propriedades do sistema fica mais importante, não menos.
O que isso pede de você: fundamentos. São eles que permitem perguntar se o sistema faz o que deveria, e não só se ele compila.
O currículo de referência já incorporou a mudança
O CS2023, currículo de referência da ACM, da IEEE Computer Society e, pela primeira vez, da AAAI, organiza a Ciência da Computação em 17 áreas de conhecimento e trata Sociedade, Ética e Profissão como parte integrante da maioria delas, não como disciplina isolada. [11]
O que isso pede de você: se a sua formação é anterior a essa mudança, as lacunas mais prováveis estão em IA, segurança e nas consequências sociais do que se constrói.
Profundidade técnica, visão de arquitetura e repertório em outras disciplinas
O novo profissional da Computação não é um generalista que sabe um pouco de tudo. Ele continua fundo em Computação, porque é essa profundidade que permite verificar o que a IA produz. A diferença é que ele também enxerga como o sistema se encaixa na organização e tem repertório em outras áreas para conversar, decidir e responder pelas escolhas.
Uma imagem útil é a letra grega π. A barra de cima é a amplitude: método, negócios, economia, ciências, filosofia, idiomas. As duas pernas são as profundidades: os fundamentos de Computação e a arquitetura, do software à empresa. Com uma perna só, a pessoa sabe executar, mas tem dificuldade de decidir. Sem as pernas, conversa bem e entrega pouco.
As quatro dimensões do perfil
Oito afirmações sobre o seu trabalho atual. Responda pelo que você faz, não pelo que gostaria de fazer. O resultado não fica guardado em lugar nenhum.
Consigo explicar por que um código gerado por IA está certo ou errado, e não só se ele passa nos testes.
Sei desenhar como o sistema em que trabalho se conecta aos outros sistemas da empresa.
Sei explicar como o meu trabalho afeta a receita, o custo ou o risco da organização.
Sei quanto custa, por mês, o sistema que ajudo a manter, e quanto custa uma hora dele fora do ar.
Leio artigos científicos da minha área e consigo avaliar se o método sustenta a conclusão.
Antes de afirmar que algo melhorou, eu meço, com uma métrica definida antes.
Escrevo documentos de decisão que pessoas de outras áreas conseguem entender.
Consigo negociar e defender uma decisão técnica em inglês.
Responda as 8 afirmações para ver o resultado.
Arquitetura empresarial é a disciplina que liga a estratégia da organização aos sistemas que a sustentam
Arquitetura empresarial é o estudo de como uma organização se estrutura para cumprir a sua estratégia: que capacidades ela precisa ter, que processos executam essas capacidades, que dados eles usam, que aplicações os suportam e que tecnologia roda tudo isso. Os referenciais mais conhecidos são o de Zachman, de 1987, e o TOGAF, mantido pelo The Open Group e hoje na décima edição. [2] [12]
Durante muito tempo, ela pareceu assunto de grandes corporações e de documentos que ninguém lia. Com a IA, ela volta ao centro por um motivo prático: um agente de IA útil precisa acessar dados corretos, respeitar permissões, entrar num processo de negócio e ser auditado. O modelo é a parte fácil; o difícil é o encaixe. É o mesmo achado do DORA 2025, visto do lado da organização: a IA rende onde a arquitetura permite. [4]
Clique em cada domínio para ver a pergunta que ele responde e um exemplo com IA.
Que capacidades a organização precisa ter para cumprir a estratégia?
Mapeia capacidades (vender, atender, cobrar, cumprir regras), processos, papéis e indicadores. É a camada que dá sentido a todas as outras.
Com IA: antes de escolher um modelo, decidir qual capacidade ele melhora, em qual processo entra e quem responde pelo resultado.
Que informação existe, de quem ela é e quanto se pode confiar nela?
Modelos de dados, linhagem, qualidade, propriedade e regras de acesso. Em quase todo projeto de IA, é aqui que o prazo estoura.
Com IA: um assistente que responde sobre contratos só é confiável se a base de contratos tiver dono, versão e controle de acesso.
Que sistemas existem, o que cada um faz e como eles conversam?
O portfólio de aplicações, as integrações, as APIs, o que é comprado e o que é construído, o que deve ser aposentado.
Com IA: um agente que abre chamados, consulta pedidos e emite segunda via precisa de APIs estáveis nos sistemas certos, não de acesso direto ao banco.
Onde tudo roda, quanto custa e o que acontece quando falha?
Nuvem, redes, plataformas, segurança, observabilidade e capacidade. É a camada mais comprimida pelas últimas duas décadas, e ainda assim a que mais pune decisões erradas.
Com IA: estimar consumo e custo de inferência, latência aceitável e o plano para quando o fornecedor do modelo ficar fora do ar.
Quem decide, com que regras, e como se verifica?
Princípios de arquitetura, padrões, conformidade com leis como a LGPD, gestão de risco e auditoria.
Com IA: registrar que modelo tomou qual decisão, com quais dados, e permitir que uma pessoa revise. A pesquisa sobre o Data-Centric Trust Pipeline trata desse problema em domínios sensíveis.
Esse é também o eixo dos workshops sobre Cloud, Data e AI como jornada de transformação da arquitetura empresarial, descritos em Palestras & Workshops.
Um caminho de estudo em cinco etapas, com tecnologia e outras disciplinas lado a lado
As etapas seguem uma ordem, mas ninguém começa do zero: use o autodiagnóstico da seção 04 para decidir por onde entrar. Cada etapa tem o que estudar em tecnologia, o que estudar fora dela, leituras de referência e uma entrega que prova o aprendizado. Uma sugestão de ritmo é de quatro a seis horas por semana, por três a seis meses em cada etapa.
Recuperar os fundamentos que a IA não substitui. É a base para verificar qualquer coisa que uma ferramenta produza.
- Algoritmos e complexidade: saber estimar o custo de uma solução antes de rodá-la
- Estruturas de dados e o seu comportamento na memória
- Sistemas operacionais, concorrência e redes
- Bancos de dados: modelagem, transações e consistência
- Testes e verificação: o que um teste prova e o que não prova
- Lógica e matemática discreta, revisitadas com olhar de adulto
- Probabilidade e estatística básica
- Resolução de problemas como método, não como talento
- Escrita técnica: explicar com precisão em um parágrafo
Sair do código para o sistema. Entender como as partes se compõem, falham e custam.
- Padrões de arquitetura e os seus custos: monólito, microsserviços, eventos, serverless
- Sistemas distribuídos: consistência, particionamento, filas, idempotência
- Computação em nuvem, capacidade e observabilidade
- Segurança desde o projeto
- Registros de decisão de arquitetura
- Pensamento sistêmico: realimentação, atrasos e efeitos de segunda ordem
- Microeconomia básica: custo de oportunidade e trade-off
- Noções de finanças: custo fixo, custo variável, investimento
Sair do sistema para a organização. Ver a empresa como um conjunto de capacidades sustentadas por dados, aplicações e tecnologia.
- Os domínios da arquitetura empresarial e o ciclo do TOGAF
- Mapa de capacidades e portfólio de aplicações
- Arquitetura e governança de dados
- Integração entre sistemas e estratégia de APIs
- Design orientado a domínio para traçar fronteiras
- Estratégia: como empresas competem e o que as diferencia
- Processos de negócio e indicadores
- Contabilidade e finanças para quem não é da área
- Noções de direito digital, a começar pela LGPD
Tratar a IA como componente de sistema, não como mágica. Saber escolher, integrar, avaliar e governar.
- Aprendizado de máquina e como os grandes modelos de linguagem funcionam
- Engenharia de sistemas com IA: recuperação de contexto, ferramentas, agentes
- Avaliação de modelos com conjuntos de teste próprios
- Custo, latência e capacidade de inferência
- Segurança específica de IA: injeção de instruções e vazamento de dados
- Estatística aplicada e desenho de experimentos
- Ética e filosofia: responsabilidade, viés, explicabilidade
- Regulação: LGPD e o regulamento europeu de IA
- Psicologia da decisão: confiança excessiva e viés de automação
Produzir conhecimento e decisões que outras pessoas seguem. É onde a amplitude vira influência.
- Métricas de entrega e confiabilidade, como as do DORA
- Avaliação de tecnologia emergente: quando adotar, quando esperar
- Estudos empíricos em engenharia de software
- Revisão de arquitetura entre times
- Metodologia da pesquisa: pergunta, hipótese, método, validade
- Filosofia da ciência: o que conta como evidência
- Economia da inovação e de plataformas digitais
- Comunicação: escrever, apresentar e ensinar, em mais de um idioma
O que estudar fora da Computação, e por que cada área faz diferença no trabalho
Nenhuma destas áreas pede uma segunda graduação. Pede o suficiente para pensar com as ferramentas dela. Clique em cada uma para ver por que importa, como aparece no trabalho e por onde começar.
Para separar o que se sabe do que se acha
Formular uma pergunta que pode ser respondida, escolher um método, definir a métrica antes de medir e reconhecer os limites do resultado. É o antídoto contra a decisão tomada por impressão, inclusive a impressão de que uma ferramenta deixou o time mais rápido.
No trabalho: testes A/B, pilotos de tecnologia, avaliação de modelos, análise de incidentes.
Por onde começar: Wazlawick, Metodologia de Pesquisa para Ciência da Computação.
Para pensar com rigor sobre conhecimento, linguagem e responsabilidade
A lógica está na base da Computação. A epistemologia pergunta o que conta como evidência. A ética pergunta quem responde pelo que um sistema faz. A filosofia da mente e da linguagem ajuda a não exagerar nem diminuir o que os modelos de IA fazem.
No trabalho: discutir viés, explicabilidade, autonomia de agentes e uso aceitável de dados.
Por onde começar: Thomas Nagel, Que Quer Dizer Tudo Isto?; Cathy O’Neil, Algoritmos de Destruição em Massa.
Para trabalhar onde a Computação encontra outras áreas
Física ensina modelagem e ordens de grandeza. Estatística ensina incerteza. Biologia, clima, saúde e finanças são onde estão alguns dos problemas mais difíceis e mais bem financiados da IA. Quem fala a língua de outra ciência abre portas que a técnica sozinha não abre.
No trabalho: projetos de saúde, energia, agronegócio, mercado financeiro, indústria.
Por onde começar: Richard Feynman, The Character of Physical Law; um curso introdutório de estatística.
Para saber por que o sistema existe
Estratégia, modelo de negócio, produto, vendas e operação. Quem entende como a empresa ganha dinheiro propõe a solução certa antes de alguém pedir, e participa das decisões em vez de só recebê-las.
No trabalho: priorizar o backlog, defender um investimento em arquitetura, desenhar um produto.
Por onde começar: Michael Porter, “What Is Strategy?”; Clayton Christensen, O Dilema da Inovação.
Para entender custo, incentivo e escala
Custo de oportunidade, incentivos, efeitos de rede e custo marginal explicam por que algumas plataformas dominam mercados, por que a nuvem cobra como cobra e como a economia da IA, com custo por uso de modelo, muda a conta de um produto.
No trabalho: estimar o custo de uma funcionalidade com IA, escolher entre construir e comprar, negociar com fornecedores.
Por onde começar: N. Gregory Mankiw, Introdução à Economia; Carl Shapiro e Hal Varian, A Economia da Informação.
Para ser entendido, no Brasil e fora dele
Inglês é a língua da documentação, da pesquisa e de boa parte das vagas remotas. Espanhol abre a América Latina. E escrever bem em português continua sendo raro: especificação, proposta e decisão são textos, e agora também são instruções para a IA.
No trabalho: escrever especificações, conduzir reuniões com clientes de fora, publicar, dar palestras.
Por onde começar: William Zinsser, On Writing Well; uma apresentação técnica por mês em inglês.
Para construir o que as pessoas conseguem e querem usar
Design, psicologia cognitiva e interação humano-computador explicam por que um sistema correto pode fracassar e por que pessoas confiam demais em respostas automáticas. Com interfaces conversacionais, isso ficou ainda mais importante.
No trabalho: desenhar fluxos com IA em que a pessoa sabe quando revisar, acessibilidade, adoção de sistemas internos.
Por onde começar: Don Norman, O Design do Dia a Dia.
Para saber o que se pode fazer, e com que cuidados
Proteção de dados, propriedade intelectual, contratos de software e regulação de IA definem limites de projeto. No Brasil, a referência é a Lei Geral de Proteção de Dados (Lei nº 13.709/2018); na União Europeia, o Regulamento de IA (Regulamento (UE) 2024/1689) já afeta empresas que atendem clientes europeus.
No trabalho: desenhar sistemas que tratam dados pessoais, documentar decisões automatizadas, responder a auditorias.
Por onde começar: o texto da LGPD e os guias da Autoridade Nacional de Proteção de Dados.
Hábitos que sustentam o caminho
Conteúdo sem hábito não se acumula. Oito hábitos. Clique em cada cartão para ver por que o hábito importa e como começar.
Mito ou verdade?
Afirmações que circulam entre profissionais da área. Responda cada uma e veja o que dizem os dados.
“Com a IA escrevendo código, os fundamentos de Computação perderam valor.”
Quanto mais código é gerado, mais importa quem consegue verificar. Complexidade, concorrência, segurança e consistência são exatamente o que permite dizer se um código que parece certo está certo.
“Quem está começando na carreira é quem mais sente o efeito da IA no emprego.”
Os dados dos EUA mostram queda relativa de 13% no emprego de quem tem 22 a 25 anos nas ocupações mais expostas, com os mais experientes estáveis. A ressalva: são dados de um país, de um período curto, e quem usa a IA para ampliar o próprio trabalho teve resultados melhores. [5]
“Usar IA sempre deixa o profissional experiente mais rápido.”
No experimento do METR, desenvolvedores experientes levaram 19% mais tempo com IA nos próprios projetos, enquanto acreditavam ter ganhado velocidade. O efeito depende da tarefa, do contexto e de como a ferramenta é usada. [6]
“Ser multidisciplinar é saber um pouco de tudo.”
Amplitude sem profundidade vira conversa sem entrega. O perfil procurado mantém profundidade em Computação e arquitetura e usa as outras disciplinas para decidir melhor.
“Arquitetura empresarial é burocracia: diagramas que ninguém lê.”
Feita como produção de documentos, vira burocracia mesmo. Feita como disciplina de decisão, é o que define onde a IA pode entrar, com que dados e sob que regras. O problema costuma estar na prática, não na disciplina.
“Ler artigo científico só serve para quem está na academia.”
Em IA, quase tudo aparece primeiro em artigo, muitas vezes de laboratórios de empresas. Saber ler um método e identificar limitações protege contra adotar o que só funcionou num teste de referência.
“Profissional técnico não precisa entender de finanças.”
Toda decisão de arquitetura tem custo: de nuvem, de inferência, de manutenção, de indisponibilidade. Quem sabe traduzir essas escolhas em números participa da decisão; quem não sabe, recebe a decisão pronta.
“Para trabalhar com clientes de fora, basta ler inglês técnico.”
Ler documentação é o mínimo. Trabalho internacional pede conversar, negociar prazos, escrever propostas e defender decisões em tempo real. E na América Latina, o espanhol abre portas que o inglês não abre.
As dúvidas que mais aparecem
Trabalho há dez anos com desenvolvimento. Por onde começo?
Faça o autodiagnóstico da seção 04 e comece pela dimensão em que você marcou menos pontos. Para a maioria dos profissionais experientes, a lacuna não está no código; está em arquitetura empresarial, em finanças ou em método. A etapa 3 do caminho costuma ser o melhor ponto de entrada.
Como ganhar experiência em arquitetura empresarial sem ter o cargo?
Comece pelo sistema em que você trabalha: mapeie com quem ele conversa, que capacidade de negócio ele sustenta e que dados ele usa. Ofereça esse mapa ao time e à liderança. Arquitetura é uma prática antes de ser um cargo.
Certificações valem a pena?
Valem como roteiro de estudo e como sinal no currículo, principalmente em nuvem e em arquitetura empresarial. Não substituem a entrega que prova o aprendizado em cada etapa: é ela que mostra que você sabe usar o que estudou.
Preciso fazer mestrado?
Não para a maioria das carreiras. Mas um mestrado, principalmente o profissional, é a forma mais estruturada de aprender método científico, e vale muito para quem quer liderar decisões técnicas, avaliar tecnologias emergentes ou ensinar. A página de Orientação explica como é essa jornada.
Como usar a IA para estudar sem atrapalhar o aprendizado?
Use a IA depois de tentar, não antes. Peça para ela explicar o seu erro, gerar exercícios, criticar a sua solução ou fazer o papel de um entrevistador. Evite pedir a resposta pronta de algo que você está tentando aprender.
Quanto tempo leva o caminho todo?
No ritmo sugerido, de quatro a seis horas por semana, cada etapa leva de três a seis meses. O caminho inteiro leva de um ano e meio a três anos, e não termina: a cada nova compressão da tecnologia, algumas etapas precisam ser revisitadas.
Oito ações para colocar o caminho em movimento
Marque o que já fez. O progresso fica guardado só neste navegador.
0 de 8 feitas
Mande a sua pergunta sobre carreira, estudo ou arquitetura.
Use o formulário de contato, ou leia os textos técnicos e os ensaios no blog.
- Naur, P.; Randell, B. (orgs.). Software Engineering: Report on a conference sponsored by the NATO Science Committee, Garmisch, 7–11 de outubro de 1968. Bruxelas: NATO, 1969. Em inglês. homepages.cs.ncl.ac.uk
- Zachman, J. A. A Framework for Information Systems Architecture. IBM Systems Journal, v. 26, n. 3, 1987.
- Stack Overflow. 2025 Developer Survey, seção de IA. Em inglês. survey.stackoverflow.co
- DORA / Google Cloud. State of AI-assisted Software Development, 2025. Em inglês. dora.dev
- Brynjolfsson, E.; Chandar, B.; Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, 2025. Em inglês. digitaleconomy.stanford.edu
- Becker, J.; Rush, N.; Barnes, B.; Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, 2025. Em inglês. arxiv.org
- Fórum Econômico Mundial. The Future of Jobs Report 2025. Em inglês. weforum.org
- Stanford HAI. AI Index Report 2025. Em inglês. hai.stanford.edu
- Stanford HAI. AI Index Report 2026. Em inglês. hai.stanford.edu
- Fundação Nobel. Prêmios Nobel de Física e de Química de 2024. Em inglês. Física · Química
- ACM, IEEE Computer Society e AAAI. Computer Science Curricula 2023 (CS2023). Em inglês. csed.acm.org
- The Open Group. The TOGAF Standard, 10ª edição. Em inglês. opengroup.org
- Ross, J. W.; Weill, P.; Robertson, D. C. Enterprise Architecture as Strategy: Creating a Foundation for Business Execution. Boston: Harvard Business School Press, 2006.
- Wazlawick, R. S. Metodologia de Pesquisa para Ciência da Computação. Rio de Janeiro: Elsevier.