A OpenAI acabou de cravar uma bandeira importante no Brasil. Depois de anunciar formalmente o início das operações comerciais no país, a empresa abriu quatro vagas em São Paulo — duas delas voltadas exclusivamente para engenheiros de IA aplicados. E os requisitos revelam algo que eu já desconfiava: eles não estão procurando qualquer dev. Estão buscando quem já queimou neuronio em produção, não em slide de pitch. Segundo o Olhardigital.com.br, ambas as posições integram a equipe de Applied AI Engineering, o coração técnico que conecta a IA generativa a clientes reais como Stripe, Uber e Reddit.
Por que essa vaga importa mais do que parece
Muita gente vai olhar para essa notícia e pensar: “ah, são só duas vagas”. Na minha experiência acompanhando o mercado de tech, isso é um sinal, não um evento isolado. Quando a OpenAI entra em um país com equipe local de engenharia, ela está dizendo três coisas ao mesmo tempo:
- O mercado brasileiro tem clientes corporativos relevantes o suficiente para justificar estrutura local.
- A latência e a conformidade legal (LGPD, contratos enterprise) exigem gente no fuso horário.
- Eles querem feedback técnico rápido sobre como os modelos se comportam em casos de uso regionais — coisa que não dá para escalar só com reuniões no Zoom às 3 da manhã.
Para nós, devs brasileiros, isso significa uma janela rara: a chance de trabalhar no núcleo de uma das empresas mais influentes da década, sem precisar emigrar. Mas a régua está alta. O mínimo exigido é 8 anos de experiência técnica, histórico de liderança em sistemas de IA em produção e proficiência em Python, JavaScript ou TypeScript. Regime híbrido, três dias presenciais por semana em SP.
O que a OpenAI realmente quer de um “Applied AI Engineer”
Existe uma diferença brutal entre um engenheiro de ML que sabe treinar modelos e um Applied AI Engineer. O primeiro vive no Jupyter Notebook; o segundo vive no PagerDuty. As vagas deixam isso explícito quando mencionam “sistemas em produção: usuários reais, alta escala e expectativas elevadas de desempenho”. Traduzindo: você vai colocar LLM para rodar em produtos que servem milhões de pessoas, e qualquer alucinação do modelo vira ticket de suporte.
A primeira vaga é focada em empresas de tecnologia — Stripe, Uber, Reddit são citados explicitamente. O trabalho é integrar capacidades de IA nos produtos que essas empresas já entregam aos clientes finais. Pense em um sistema de recomendação que antes usava regras determinísticas e agora precisa raciocinar sobre contexto. Pense em um motor de busca interno que precisa entender intenção semântica. Pense em moderação de conteúdo que precisa escalar sem multiplicar o time de revisão humana por dez.
A segunda vaga mira grandes organizações com ambientes complexos — arquiteturas legadas, requisitos de segurança e governança, múltiplos stakeholders brigando por prioridade no roadmap. Esse é o cenário mais doloroso e, na minha experiência, o mais comum em empresas brasileiras de médio e grande porte. Você não vai ter o luxo de um greenfield. Vai ter que encaixar IA em sistemas COBOL que ninguém quer mexer, com times de segurança olhando cada endpoint com lupa.
Os requisitos técnicos que você precisa dominar hoje
As vagas pedem Python com domínio profundo, mas na prática o stack moderno de IA aplicada vai muito além disso. Pelo que eu vejo rodando em produção nos times que consulto, um candidato forte precisa se sentir confortável com:
- Orquestração de LLMs — saber usar a API da OpenAI, Anthropic, e frameworks como LangChain, LlamaIndex, ou preferencialmente construir suas próprias abstrações finas. Frameworks opinativos viram gargalo rápido.
- Engenharia de prompt e function calling — entender quando usar ReAct, quando usar structured outputs, quando usar tool use. E mais importante: saber avaliar quando o prompt está melhor do que antes.
- RAG (Retrieval-Augmented Generation) — vetorização, chunking strategies, reranking, hybrid search. Não é só “embedda tudo no Pinecone”.
- Observabilidade — LangSmith, Helicone, LangFuse, ou Prometheus custom para rastrear latência, custo por token e taxa de alucinação.
- Infra — Docker, Kubernetes, filas (SQS, Pub/Sub), cache com Redis, e algum conhecimento de GPU inference para reduzir custo.
A vaga cita explicitamente como diferencial a avaliação sistemática de sistemas de IA. Isso é ouro. A maioria dos times que vejo implementando IA em produção não tem um pipeline de eval decente. Eles testam manualmente, acham que está bom, e três meses depois descobrem que o modelo regrediu sem ninguém perceber.
Na Prática: montando um eval pipeline mínimo viável
Como eu costumo montar isso quando assumo um projeto legado de IA? Com pouco código e muito pragmatismo. Aqui vai um exemplo funcional de pipeline de avaliação que roda em CI e compara respostas do modelo contra um golden dataset:
import json
from openai import OpenAI
from dataclasses import dataclass, field
from typing import Callable
client = OpenAI()
@dataclass
class EvalCase:
input: str
expected_keywords: list[str]
max_latency_ms: int = 3000
category: str = "general"
@dataclass
class EvalResult:
case: EvalCase
output: str
latency_ms: int
passed: bool
failures: list[str] = field(default_factory=list)
def run_eval(case: EvalCase, model: str = "gpt-4o-mini") -> EvalResult:
import time
start = time.perf_counter()
completion = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": case.input}],
temperature=0,
)
output = completion.choices[0].message.content or ""
latency_ms = int((time.perf_counter() - start) * 1000)
failures = []
if latency_ms > case.max_latency_ms:
failures.append(f"latency {latency_ms}ms > {case.max_latency_ms}ms")
missing = [k for k in case.expected_keywords if k.lower() not in output.lower()]
if missing:
failures.append(f"missing keywords: {missing}")
return EvalResult(case, output, latency_ms, not failures, failures)
def run_suite(cases: list[EvalCase]) -> dict:
results = [run_eval(c) for c in cases]
passed = sum(1 for r in results if r.passed)
avg_latency = sum(r.latency_ms for r in results) / len(results)
print(f"\n{'='*50}")
print(f"Passed: {passed}/{len(results)} ({passed/len(results)*100:.1f}%)")
print(f"Avg latency: {avg_latency:.0f}ms")
print(f"{'='*50}\n")
for r in results:
if not r.passed:
print(f"FAIL [{r.case.category}] {r.case.input[:60]}")
for f in r.failures:
print(f" - {f}")
return {"pass_rate": passed/len(results), "avg_latency": avg_latency}
# Golden dataset — versionado no repo, cresce a cada release
golden_set = [
EvalCase(
input="Qual o capital da França?",
expected_keywords=["Paris"],
category="factual",
),
EvalCase(
input="Resuma o impacto da LGPD em sistemas de recomendação",
expected_keywords=["consentimento", "dados pessoais"],
max_latency_ms=5000,
category="compliance",
),
]
if __name__ == "__main__":
metrics = run_suite(golden_set)
assert metrics["pass_rate"] >= 0.95, "Regression detected!"
O segredo aqui é o assert no final. Quando você coloca isso no CI, qualquer regressão de prompt ou modelo trava o merge. Na minha experiência, é o divisor de águas entre um time que “brinca com IA” e um time que opera IA em produção.
Erros comuns que devs cometem ao se candidatar para vagas assim
Depois de revisar dezenas de currículos e conversar com candidatos a posições similares, notei padrões recorrentes de erro:
1. Confundir uso de API com engenharia de IA
Colocar “integração com ChatGPT” no currículo não é engenharia de IA. É consumo de API. A diferença é a mesma entre “usei um framework” e “entendo o que acontece quando o framework falha”. Os entrevistadores da OpenAI vão perfurar fundo — eles querem saber como você lida com rate limit, como degrada gracefully quando o modelo falha, como instrumenta observabilidade.
2. Ignorar custo por token
Muita gente monta demo, fica feliz porque funciona, e ignora que em escala o custo por inferência pode quebrar o business case. Se você não sabe estimar o custo mensal de um sistema com 10 milhões de chamadas/mês para GPT-4o, você ainda não está pronto. Aprenda a fazer essa conta antes da entrevista.
3. Subestimar a parte de segurança e governança
A vaga de “grandes organizações” cita explicitamente requisitos de segurança e privacidade corporativa. PII, prompt injection, data leakage entre tenants — tudo isso vira problema sério quando você está processando dados de um banco ou de uma operadora de saúde. Se seu portfólio não tem nenhum exemplo de mitigação desses riscos, adicione. Mesmo que seja um side project.
4. Currículo cheio de buzzwords vazias
“Especialista em IA, blockchain, quantum computing e metaverso” soa desesperador. Foque em profundidade. Um candidato que fez deploy de um sistema de RAG atendendo 50k usuários reais com 99.5% de uptime bate qualquer lista de certificações. Conte histórias com números: latência, throughput, custo, taxa de erro.
5. Esquecer que o processo é cultural também
Vai trabalhar híbrido em São Paulo com gente de San Francisco. Inglês fluente não é nice-to-have, é bloqueador. E mentalidade de produto — entender que o objetivo não é “ter o modelo mais bonito”, mas “resolver o problema do cliente com o menor custo total” — isso vale ouro.
Quanto pagam e vale a pena?
A OpenAI não publicou faixa salarial na vaga, mas pelo que circula no mercado americano para Applied AI Engineer sênior, estamos falando de base entre 200k e 350k dólares por ano, mais equity. No Brasil, considerando a complexidade de pagar em dólar e a estrutura local, espere algo alinhado com o topo do mercado enterprise brasileiro, possivelmente acima disso dado o caráter estratégico da operação.
Vale a pena? Na minha análise, sim — se você atende os requisitos e quer acelerar sua carreira em 5 anos em 18 meses. A exposição a casos de uso reais com clientes do calibre Stripe e Uber é insubstituível. Você vai voltar para o mercado brasileiro (ou ficar lá) com um arsenal de padrões técnicos que a maioria da comunidade local ainda não teve acesso.
Perguntas Frequentes (FAQ)
Quanto tempo dura o processo seletivo da OpenAI no Brasil?
Pelos processos conhecidos globalmente, espere entre 4 a 8 semanas. Inclui triagem de currículo, phone screen técnico, take-home ou system design, e painel final com 4 a 5 entrevistas. Pode incluir um desafio de código ao vivo de 45 a 60 minutos.
Preciso falar inglês fluente para trabalhar na OpenAI?
Sim, na prática. A comunicação com times em São Francisco é diária. Mesmo que seu time imediato seja brasileiro, documentação, decisões de arquitetura e code review passam por inglês. Fluência conversacional e técnica é o mínimo.
8 anos de experiência é realmente obrigatório ou posso me candidatar com menos?
Para essa vaga específica, sim — é o piso. Mas a OpenAI contrata em outros níveis. Fique de olho em posições de “Member of Technical Staff” ou “Software Engineer” sem o prefixo “Senior”, que pedem menos tempo de mercado e são mais acessíveis.
Vale mais a pena tentar a OpenAI ou seguir para uma startup brasileira de IA?
Depende do seu objetivo. Para aprendizado acelerado e currículo global, OpenAI. Para equity potencialmente alto e protagonismo local, uma startup brasileira bem posicionada pode ser melhor. Avalie o tradeoff entre aprendizado e upside financeiro.
Como me inscrevo nas vagas?
Diretamente pelo portal de carreiras da OpenAI, filtrando por localização. Cuidado para não cair em vagas falsas — só confie no domínio oficial e nunca pague para participar de processo seletivo.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto. Se você está mirando essa vaga, me conta nos comentários qual parte do stack você precisa reforçar mais — posso fazer um conteúdo direcionado.