John McNeill: AI vai acelerar as contratações em TI pela demanda por infraestrutura e arquitetura

AI não vai destruir vagas em tech, mas vai reestruturá-las. John MacNeill, ex-presidente da Tesla e chefe da DVx Ventures, acredita que conforme os sistemas de AI escalem, empresas precisarão de mais pessoas que saibam manter infraestrutura, redes e arquitetura de produtos em múltiplas camadas funcionando.

Demanda por Infraestrutura

O argumento principal de MacNeill é direto: AI rapidamente esbarra não apenas em modelos, mas na complexidade física e de rede ao redor deles. Quanto mais empresas iniciam treinamento e inferência, maior a demanda por computação, servidores, clusters de GPU, sincronização de nós e manutenção de redes. Isso não é mais uma história sobre um notebook com uma API. É sobre fazendas de servidores, onde cada falha custa caro, e a resiliência do sistema depende de pessoas que entendem como funciona a combinação de hardware, software de rede e memória de alta largura de banda.

De acordo com MacNeill, isso é especialmente notável em equipes de infraestrutura. GPUs falham e precisam ser substituídas, ressincronizadas e integradas novamente em clusters em funcionamento. Paralelamente, cresce a demanda por inferência—execução constante de modelos em produção, não apenas treinamento. Isso significa um longo rastro de trabalho para engenheiros: manutenção de servidores, configuração de redes, monitoramento, tolerância a falhas, atualizações e controle de desempenho. Para o mercado de trabalho, isso é expansão, não contração.

Arquitetura em vez de Rotina

Para desenvolvedores, o quadro é mais complexo. MacNeill reconhece que a escrita básica de código está cada vez mais automatizada: agentes já ajudam com geração de templates, QA, verificações e deploy. Mas isso não elimina o papel do engenheiro—apenas o desloca para um nível superior. Quando um produto é construído a partir de múltiplos modelos, índices de busca, regras, pequenos modelos especializados e grandes LLMs, alguém deve decidir qual camada faz o quê e onde AI é realmente necessária versus ferramentas mais baratas.

Esse nível de design ainda permanece uma tarefa humana. Essencialmente, o valor se desloca da zona "escrever uma função" para a zona "montar um sistema funcional". Quanto mais ampla a stack, mais crítica é a capacidade de dividir o problema em camadas e escolher a ferramenta certa para cada uma. Nem toda parte de um produto precisa ser resolvida com tokens e modelos grandes: às vezes busca é mais eficiente, às vezes ML clássico, às vezes uma combinação de vários agentes sob controle do engenheiro.

Nesse contexto, crescerão papéis ligados a:

• design de arquitetura AI em múltiplas camadas
• escolha entre busca, ML, modelos pequenos e grandes LLMs
• orquestração de agentes e sincronização do seu trabalho
• QA/QC e deploy de componentes AI em produção
• otimização de custos de inferência e recursos computacionais

Automatizar por Último

Separadamente, MacNeill repete um princípio que aprendeu na Tesla: automatize por último—automação deve vir por último, não primeiro. Ele se lembra de como automação inicial em produção desacelerou a saída de carros em vez de acelerá-la. A equipe teve que literalmente voltar à montagem manual na timeline para ver os gargalos do processo e só depois decidir o que deveria ser automatizado.

A mesma lógica, em sua opinião, aplica-se a projetos de AI: se você cobre um processo bruto com software caro muito cedo, o sistema fica rígido, custoso e difícil de mudar.

"Se código é escrito antes do sistema ser simplificado e otimizado,

mudá-lo se torna muito difícil."

Isso leva a uma conclusão desconfortável, mas útil para equipes de tech: nem toda tarefa requer uma camada cara de AI. Às vezes a gestão quer "algo com AI", quando o problema é resolvido por busca comum, um conjunto de regras ou um pequeno componente de ML. MacNeill aconselha questionar tais pedidos e primeiro definir o resultado desejado do processo. Só então faz sentido escolher ferramentas, limpar dados e construir uma cadeia de implementação. Caso contrário, empresas ganham demos bonitas em vez de produtos sustentáveis.

O Que Isso Significa

A previsão de MacNeill importa porque desloca a conversa do slogan "AI vai substituir programadores" para um nível mais realista. Sim, parte da codificação rotineira e operações irão para agentes. Mas quanto mais profundamente AI se integra ao negócio, mais pessoas são necessárias que saibam design de arquitetura, manter infraestrutura funcionando e diferenciar automação real de imitação cara. Para IT, isso não é o fim das profissões, mas crescimento nas exigências de pensamento e engenharia de sistemas.