Engenheiro de Automação com IA (Backend)

Engenheiro(a) de Automação com IA (Backend + AI Builder)

Profissional híbrido responsável por mapear, desenhar e implementar automações de processos internos do time de tecnologia usando IA, atuando ponta a ponta, desde a descoberta do problema com stakeholders até a entrega em produção e sustentação. Deve ter base sólida de backend para transitar em demandas correlatas do time (integrações, APIs, manutenção de serviços) quando necessário.

Responsabilidades principais

O profissional vai atuar em três frentes que se complementam. Na frente de descoberta e mapeamento, conduz entrevistas com áreas demandantes, mapeia processos atuais (AS-IS), identifica gargalos automatizáveis, avalia viabilidade técnica e ROI, e prioriza oportunidades junto à liderança. Na frente de desenho e implementação, desenha a arquitetura da solução (escolhendo entre LLM, RPA, workflow tradicional ou combinação), prototipa rapidamente, implementa de ponta a ponta, incluindo integrações, prompts, guardrails, observabilidade, e leva pra produção com testes e documentação. Na frente de sustentação e evolução, monitora qualidade das automações em produção (acurácia, custo de tokens, latência), itera com base em feedback, e contribui em demandas gerais de backend do time quando a fila de automação estiver vazia.

Stack e conhecimentos técnicos

Backend (obrigatório)

Linguagem principal: Python ou Node.js/TypeScript e conhecimento sólido em backend com .NET (C#)

APIs REST: design, consumo, autenticação (OAuth2, JWT, API keys), versionamento

Bancos de dados: SQL (PostgreSQL/SQL Server) e noções de NoSQL/vetoriais (Pinecone, Qdrant, pgvector)

Mensageria e filas: RabbitMQ, Kafka ou similares (importante pra automações assíncronas)

Containers: Docker e noções de Kubernetes

Git, CI/CD (GitHub Actions, Azure DevOps, GitLab CI)

IA aplicada (obrigatório)

Uso de APIs de LLMs (Anthropic Claude, OpenAI, Gemini), não precisa treinar modelos, mas precisa saber consumir bem

Prompt engineering estruturado (não no nível de "truques", mas de design de prompts confiáveis e testáveis)

RAG (Retrieval-Augmented Generation): indexação, chunking, embeddings, busca semântica

Function calling / tool use / agentes

MCP (Model Context Protocol)

Avaliação de outputs: como medir qualidade, criar suítes de teste, detectar regressões

Guardrails: validação de saída, fallbacks, controle de custo

Plataformas de automação (desejável)

n8n, Make, Zapier, Power Automate, pra resolver rápido o que não exige código custom

Ferramentas de orquestração: LangChain, LlamaIndex, Semantic Kernel (com cautela, saber quando NÃO usar também)

Soft skills críticas

Capacidade de conversar com áreas de negócio e traduzir necessidade em solução

Documentação técnica clara

Pragmatismo: saber quando IA é a resposta e quando uma regra simples resolve melhor