Andrew Ng e a DeepLearning.AI revelaram o AI Engineering Skills Map, um framework que agrupa seis competências essenciais necessárias para transformar prompts experimentais em sistemas de IA de nível de produção. O mapa é voltado para engenheiros que desejam ir além do “vibe coding” e entregar produtos de IA confiáveis e escaláveis.

Por que o “vibe coding” é um obstáculo

Em muitas empresas, os desenvolvedores tratam os modelos de linguagem de grande escala (LLMs) como uma varinha mágica: escrevem um prompt, dão uma olhada em alguns resultados e consideram o trabalho feito. Esse atalho funciona para demonstrações rápidas, mas falha no uso do mundo real. Os LLMs são não determinísticos — entradas idênticas podem gerar resultados diferentes a cada vez. Sem verificações sistemáticas, um sistema que parecia estar bem no laboratório pode falhar em produção, causando tempos de inatividade dispendiosos ou comportamentos inseguros.

As seis competências do mapa

O Skills Map divide o processo de engenharia em seis áreas distintas, cada uma com suas próprias melhores práticas e ferramentas.

  • Prompt Engineering – Vai além do texto livre para templates estruturados, muitas vezes aplicados com esquemas JSON. Isso reduz a ambiguidade e torna o parsing subsequente previsível.
  • Retrieval-Augmented Generation (RAG) – Requer competência em ingestão de documentos, fragmentação semântica (semantic chunking) e construção de pipelines de recuperação que fornecem contexto relevante ao modelo.
  • Agentic Workflows – Envolve o design de loops onde o modelo pode chamar ferramentas externas, gerenciar estados e tomar decisões de forma autônoma.
  • Fine-tuning – Ajuda os engenheiros a decidir quando ajustar os pesos de um modelo em vez de depender apenas do contexto do prompt, uma escolha que pode melhorar a consistência e reduzir o uso de tokens.
  • Evaluation (Evals) – Exige suítes de testes automatizados que medem precisão, viés e segurança em relação a critérios predefinidos. Um teste que falha deve interromper o build, assim como qualquer outra regressão de código.
  • Operations – Foca no orçamento de latência, monitoramento de custos e tratamento do desvio do modelo (model drift — a mudança gradual no comportamento do modelo à medida que os dados evoluem) em tempo real.

Ao tratar o LLM como uma API não confiável, em vez de uma caixa preta, as equipes podem aplicar o mesmo rigor que utilizam para serviços tradicionais.

Quem se beneficia e quem fica para trás

Líderes de engenharia que compõem suas equipes apenas com doutores em machine learning podem ver seus projetos estagnarem. O mapa enfatiza a necessidade de engenheiros de sistemas — pessoas fluentes em design de API, estratégias de cache e testes automatizados. Capacitar engenheiros de backend para gerenciar janelas de contexto, construir estruturas de avaliação e monitorar métricas operacionais pode preencher a lacuna de talentos e acelerar a entrega.