Todo plano de força de trabalho escrito nos últimos dois anos tem uma seção sobre IA. A maioria descreve a contratação de engenheiros de machine learning.
Os dados trabalhistas não sustentam isso como o principal movimento, e é na distância entre o plano e os dados que o orçamento se perde.
Dois números que apontam para direções diferentes
Segundo o Future of Jobs Report 2025 do World Economic Forum: 86% dos empregadores esperam que a IA e as tecnologias de processamento de informação transformem seus negócios até 2030, e IA e big data ocupam o topo do ranking de competências que mais crescem até 2030. Redes e cibersegurança vêm em segundo lugar.
Segundo o US Bureau of Labor Statistics: o emprego de analistas de segurança da informação deve crescer 29% entre 2024 e 2034, um ritmo muito acima da média de todas as ocupações.
O primeiro número é sobre expectativa. O segundo é uma projeção de emprego real em uma ocupação real, e é o que está associado a um cargo específico.
Os empregadores esperam que a IA mude tudo. O cargo que as projeções trabalhistas mostram crescer mais rápido nesse domínio é o que protege esse tudo.
Isso não é uma contradição. É uma descrição de como a adoção de tecnologia gera emprego, o que raramente acontece onde está o entusiasmo.
Por que a demanda realmente recai sobre a segurança
O mecanismo é direto, uma vez explicado.
Adotar IA significa mover mais dados para mais sistemas, conectar mais coisas entre si, expor mais interfaces e depender de mais fornecedores externos. Cada um desses fatores amplia a superfície de ataque.
Some a isso os problemas específicos que a tecnologia traz. Modelos treinados com dados que não podem vazar. Sistemas que podem ser manipulados por suas próprias entradas. Saídas que parecem autoritativas e podem estar erradas. Cadeias de suprimento de modelos e componentes cuja procedência é difícil de verificar.
E some a realidade organizacional: a adoção de IA coloca capacidade nas mãos de pessoas em toda a empresa que não têm formação em segurança, rapidamente, muitas vezes por meio de ferramentas contratadas fora do TI.
Assim, uma onda de adoção de IA produz uma onda de trabalho de segurança, e o trabalho de segurança é mensurável em número de pessoas de um jeito que o trabalho de IA muitas vezes não é.
Para um plano de força de trabalho, a implicação é desconfortável, mas útil: se uma organização está investindo em um programa de IA sem investir proporcionalmente em segurança, ela está construindo a coisa, mas não o que a mantém segura.
As três camadas de capacidade em IA que uma organização precisa
A maioria dos planos mistura essas camadas, mas elas têm número de pessoas, perfil de competência e rota de treinamento completamente diferentes.
| Camada | O que fazem | Número de pessoas necessário |
|---|---|---|
| Construção | Desenvolver e treinar modelos, pesquisa | Muito poucas, e só em algumas organizações |
| Aplicação e integração | Implantar, integrar, operar, monitorar, proteger | Substancial |
| Uso e avaliação | Trabalhar com os sistemas, julgar a qualidade da saída, conhecer os limites | Muito grande, quase todo mundo |
A primeira linha é para onde vai a atenção de recrutamento, e é a menor delas. A maioria das organizações não precisa treinar modelos. Precisa usar modelos construídos por outros, com segurança e corretamente.
A segunda linha é engenharia de verdade e não é a mesma coisa que a primeira. Implantar um sistema, monitorar se ele degrada, lidar com modos de falha, gerenciar custo e protegê-lo são habilidades de infraestrutura e operações, não habilidades de pesquisa.
A terceira linha é a maior e a menos endereçada.
A camada que quase ninguém tem gente para cobrir
A avaliação merece uma seção só dela, porque é a capacidade cuja ausência causa mais dano e que não aparece em quase nenhum plano de força de trabalho.
Esses sistemas produzem saídas fluentes e confiantes que às vezes estão erradas. O erro não vem sinalizado. Ele se parece exatamente com a saída correta.
O que significa que o valor do sistema depende inteiramente de alguém ser capaz de perceber a diferença, e essa pessoa precisa entender do domínio, não do modelo.
Um modelo que redige um procedimento de manutenção é útil se um engenheiro competente revisa o resultado, e perigoso se ninguém revisa. Um sistema que resume literatura clínica é útil para quem já seria capaz de ler essa literatura. O julgamento é o mecanismo de segurança, e o julgamento mora na experiência de domínio.
Isso produz a conclusão mais importante deste artigo sobre dimensionamento de equipe.
Um especialista de domínio com bom letramento em IA costuma valer mais do que um especialista em IA sem conhecimento de domínio. O especialista de domínio consegue perceber quando a resposta está errada. O especialista em IA não consegue, e vai deixar passar.
O que reformula a pergunta sobre treinamento. Em vez de contratar especialistas em machine learning, escassos e caros, treine o metalurgista, o engenheiro de processo, o clínico e o analista que você já emprega para trabalhar com esses sistemas com competência e ceticismo. Essa população é grande, já está empregada e detém aquilo que não dá para treinar rapidamente.
O domínio de IA, dados e computação
O primeiro domínio da Astra Trainer reúne oito trilhas: ciência da computação, engenharia de software, inteligência artificial e machine learning, ciência de dados e analytics, cibersegurança, computação em nuvem e DevOps, sistemas de TI e redes de computadores, e blockchain e sistemas distribuídos.
Cibersegurança e nuvem ficam ao lado da trilha de IA de propósito, porque as camadas acima são o que uma organização de fato precisa dimensionar em conjunto. As trilhas vão do fundamental ao aplicado, então o mesmo catálogo atende tanto o especialista de domínio que está adquirindo letramento quanto o engenheiro migrando para segurança. Você pode ver as oito trilhas aqui.
Quem pode ser treinado para isso, e quem não pode
Para segurança, que é a escassez mais aguda. Administradores de redes e sistemas são o caminho mais curto e mais óbvio, já que já entendem a infraestrutura que está sendo defendida. Engenheiros de software migram com facilidade para segurança de aplicações. Profissionais de compliance, auditoria e risco trazem a metade da governança e precisam da metade técnica. A equipe de suporte e help desk, frequentemente esquecida, conhece o parque de máquinas, os usuários e como as coisas realmente quebram, o que é uma vantagem genuína.
Para a camada de aplicação e integração. Engenheiros de software e engenheiros de dados estão próximos. O mesmo vale para pessoal de infraestrutura e operações, porque boa parte de rodar um sistema de IA em produção é um problema de operações com vocabulário novo.
Para a camada de uso e avaliação. Praticamente qualquer especialista de domínio, e esse é o treinamento com maior retorno na maioria das organizações, porque a população é grande e a distância é curta. O que eles precisam não é arquitetura de modelo. É saber o que esses sistemas fazem, onde falham, como interrogar uma saída, o que não colocar neles e quando escalar.
Para construção. Realisticamente, pessoas com forte formação quantitativa, e é uma rota longa. Para a maioria das organizações, essa não é a coisa certa a fazer.
Sobre certificação em segurança e sobre o risco específico da IA. Muitos cargos de segurança têm certificações reconhecidas, e alguns setores exigem credenciais específicas. O treinamento constrói a capacidade e prepara as pessoas para esses caminhos, sem substituí-los. Separadamente, um programa de letramento em IA que ensina a usar essas ferramentas sem ensinar o que nunca deve ser colocado nelas, e o que não se pode confiar que sai delas, piorou o perfil de risco da organização em vez de melhorá-lo. Os limites vão na primeira aula, não em um anexo.
Por que o treinamento em IA envelhece mais rápido que qualquer outro
Um problema prático específico deste domínio.
Ferramentas, interfaces e capacidades mudam em uma escala de meses. Um treinamento construído em torno de um produto específico fica desatualizado rápido, e um programa desenhado como um evento único vai estar ensinando algo obsoleto em menos de um ano.
Duas respostas de desenho.
Ensine a camada durável. O que esses sistemas fundamentalmente são, por que falham do jeito que falham, quais são as implicações de dados e privacidade, como avaliar uma saída. Isso sobrevive a um ciclo de produto. A posição dos botões não.
Torne contínuo em vez de um evento. Este é o domínio em que aprendizado curto e contínuo genuinamente supera um curso, porque a área se move mais rápido do que os ciclos de revisão de um curso. Uma equipe que dedica alguns minutos por dia se mantém razoavelmente atualizada. Uma equipe que fez um curso de dois dias em 2025 não.
O mesmo vale, com ainda mais força, para segurança, em que o cenário de ameaças é adversarial e muda continuamente por natureza.
O que levar disso
Os empregadores esperam que a IA transforme seus negócios, e a ocupação que as projeções mostram crescer mais rápido nesse domínio é analista de segurança da informação, com 29%.
Separe as três camadas. Quase ninguém precisa construir modelos. Todo mundo precisa de gente que consiga aplicá-los, integrá-los, protegê-los e avaliá-los.
Avaliação é a camada menos preenchida e mais decisiva, e exige conhecimento de domínio, não conhecimento de modelo.
Treine os especialistas de domínio que você já emprega. Um metalurgista com letramento em IA vence um especialista em IA sem metalurgia, porque só um dos dois consegue perceber quando a resposta está errada.
E construa o programa em torno da camada durável e rode-o continuamente, porque tudo o que é ensinado em torno de uma ferramenta específica tem validade medida em meses.
Qual é a maior lacuna de competências em IA?
Nas projeções trabalhistas, é segurança. O emprego de analista de segurança da informação deve crescer 29% entre 2024 e 2034. A adoção de IA amplia a superfície de ataque mais rápido do que as organizações se preparam para isso.
Precisamos contratar engenheiros de machine learning?
A maioria das organizações precisa de pouquíssimas pessoas que constroem modelos e de muitas que conseguem aplicar, integrar, proteger e avaliar sistemas construídos por outros. Planos que investem na primeira e ignoram as outras são a falha mais comum.
Quem está mais bem posicionado para migrar para cibersegurança?
Administradores de redes e sistemas são o caminho mais curto, seguidos por engenheiros de software migrando para segurança de aplicações e profissionais de compliance ou auditoria que precisam da metade técnica. A equipe de suporte é frequentemente esquecida e conhece bem o parque de máquinas.
Devemos treinar especialistas de domínio em IA, ou contratar especialistas em IA?
Para a camada de avaliação, treine os especialistas de domínio. Saber se uma saída está errada exige conhecer a área, e a fluência desses sistemas faz com que um revisor sem qualificação deixe erros passarem.
Como manter o treinamento em IA atualizado?
Ensine a camada durável em vez da interface de um produto, e rode isso continuamente em vez de como um evento. O domínio de IA, dados e computação da Astra Trainer cobre oito trilhas, incluindo cibersegurança e nuvem, e você pode vê-las aqui.