As profissões em IA e dados são os cargos que aparecem nas vagas com títulos em inglês: Data Analyst, Data Scientist, Data Engineer, ML Engineer, AI Engineer e outros. Cada uma cobre uma parte da cadeia: juntar os dados, analisá-los, criar modelos, colocá-los em produção ou montar produtos com IA.
Uma pergunta do app. Escolha uma resposta.
É preciso montar um chat com os manuais, sobre um modelo pronto. Que função costuma fazer?
Monta produtos sobre modelos que já existem: conecta, passa os documentos e mede se respondem bem. Se sobrepõe ao ML Engineer, mas isto é o seu núcleo.
Monta os pipelines que trazem, limpam e guardam os dados. Conectar um modelo e medir as respostas é outro trabalho.
Responde perguntas do negócio com dados: painéis, relatórios, consultas. Construir um chat sobre um modelo é outro trabalho.
Responde perguntas do negócio com dados: por que as vendas caíram em março, qual produto vende mais em cada cidade. Consulta os dados (muitas vezes com SQL), compara períodos e conta a história com gráficos e painéis que qualquer um entenda. Costuma trabalhar com SQL, planilhas como Excel ou Google Sheets e ferramentas de painéis como Power BI, Tableau ou Looker.
Confunde-se com Data Scientist. A diferença típica: o analista explica o que aconteceu; o Data Scientist monta modelos para prever o que vai acontecer.
Procura padrões nos dados e testa modelos de machine learning: um que prevê vendas, outro que detecta quais clientes estão para sair. Faz experimentos, mede o quanto cada modelo acerta e explica os resultados. Costuma trabalhar com Python, pandas, scikit-learn, notebooks como o Jupyter e bastante estatística.
Confunde-se com Data Analyst de um lado e com ML Engineer do outro: o Data Scientist costuma chegar até o modelo que funciona nos testes; colocá-lo para rodar para milhares de usuários é mais trabalho de engenharia.
Monta os pipelines: processos que trazem dados de vários sistemas, limpam e guardam num só lugar, sozinhos e com horário (toda noite, por exemplo). Sem esse trabalho, as outras funções usam dados soltos ou velhos. Costuma trabalhar com SQL, Python, orquestradores como o Airflow, ferramentas como dbt ou Spark e armazéns de dados na nuvem como BigQuery ou Snowflake.
Confunde-se com Data Scientist porque os dois mexem nos mesmos dados. A pista: o Data Engineer move e organiza dados, e não precisa de modelo para isso.
Treina, adapta e coloca em produção modelos, próprios ou pré-treinados: que o modelo que prevê atrasos responda rápido, aguente o tráfego e possa ser atualizado. Escreve mais código de produção que um Data Scientist. Costuma trabalhar com Python, PyTorch, modelos e bibliotecas do Hugging Face, Docker e serviços de nuvem.
Confunde-se com AI Engineer, e as tarefas se sobrepõem. A pista: o ML Engineer cuida do modelo (treinar, adaptar, operar); o AI Engineer, do produto feito com IA.
MLOps é mais uma prática que uma profissão: levar um modelo à produção de forma organizada e mantê-lo saudável. Inclui versionar dados e modelos, automatizar o treinamento e a publicação, e vigiar se os acertos caem quando os dados mudam (outra temporada, outros clientes) para retreinar a tempo. Ferramentas de exemplo: MLflow, Kubeflow, Docker e sistemas de monitoramento.
Nas vagas aparece como cargo (MLOps Engineer) ou como tarefa dentro de ML Engineer. Confunde-se com DevOps: é a mesma ideia de automatizar e vigiar, aplicada a modelos que podem piorar sem que o código mude.
Monta produtos sobre modelos que já existem: um chat que responde com os manuais da empresa, um assistente que classifica e-mails, um agente que preenche formulários. Conecta o modelo por API, passa os documentos certos (por exemplo com RAG) e mede se responde bem com evals. Costuma trabalhar com as APIs de modelos como Claude, GPT ou Gemini, embeddings, bancos de dados vetoriais e código de backend.
Confunde-se com ML Engineer (veja acima) e com AI-Native Engineer: o AI Engineer constrói produtos com IA; AI-Native Engineer não tem uma definição uniforme (veja abaixo).
Não tem uma definição uniforme: é um rótulo de vagas, e cada empresa usa do seu jeito. Há vagas centradas em programar com IA todos os dias, com assistentes e agentes de código como Claude Code, Codex ou Cursor, e revisar o que eles fazem; outras, em construir produtos e agentes com IA.
Confunde-se com AI Engineer e com "alguém que treina modelos grandes do zero", que é trabalho de poucas equipes de pesquisa. Como não é uma função fixa, leia as tarefas da vaga.
Os títulos separam tarefas; as pessoas, muitas vezes não. Numa empresa pequena, quem junta os dados também os analisa ou monta o modelo, e um mesmo cargo pode cobrir toda a cadeia. Numa grande, as funções costumam ser mais separadas.
Por isso, olhe as tarefas e não o título. "Montar painéis para a gerência" é trabalho de analista mesmo que a vaga diga Data Scientist. "Treinar e publicar modelos" é trabalho de ML Engineer mesmo que diga AI Engineer. Se as tarefas não estão claras, pergunte o que você faria numa semana típica.