Verificando acesso...

TRILHA 3

🧠 As 6 Skills Core

As skills que valem promoção. Fluência conceitual + prompt aplicado a negócio + automação + governança + storytelling + change. Não é "preciso saber Python". É preciso saber traduzir.

6
Módulos
36
Tópicos
~5h
Duração
Hands
Tipo

📊 Tempo para fluência × Impacto na carreira

As 6 skills cruzadas: tempo médio de aprendizado (horas) × impacto observado em promoção (escala 0-10)

Mapa da trilha

Conteúdo detalhado

3.1~50 min

📚 Fluência Conceitual

Você precisa entender LLM, RAG, agentes, MCPs e fine-tuning bem o suficiente para conversar com TI e jurídico — sem se passar por engenheiro.

O que é:

Modelo treinado pra prever próximo token. Não "raciocina" no sentido humano. Imita padrão estatístico de bilhões de textos. Inclui Claude, GPT, Gemini, Llama.

Por que aprender:

Entender o mecanismo evita expectativa errada (alucinação, viés) e abre conversa séria com fornecedor.

Conceitos-chave:

Token · Context window · Temperature · Hallucination · Prompt vs system prompt.

O que é:

Retrieval-Augmented Generation: o modelo busca em sua base de conhecimento (PDFs, wiki, BD) antes de responder. Reduz alucinação e ancora em fonte.

Por que aprender:

80% dos projetos de "IA com nossos dados" são RAG. Saber dizer quando indicar = autoridade técnica suficiente.

Conceitos-chave:

Embedding · Vector store · Chunking · Reranking · Citação.

O que é:

Assistente responde quando perguntado. Agente toma iniciativa: usa ferramentas, decide passos, executa loops. Claude Code, Devin, Operator são exemplos.

Por que aprender:

2026 é o ano dos agentes corporativos. Quem entende o limite (atual) ganha credibilidade — quem promete autonomia total queima.

Conceitos-chave:

Tool use · Loop · Planning · Critic · Memory · Guardrail.

O que é:

Model Context Protocol (Anthropic, 2024) — padrão aberto pra ferramentas/dados se conectarem a LLMs. Vira o "USB-C da IA". Adotado por Anthropic, OpenAI, Google.

Por que aprender:

Em 2026 muda arquitetura de muitos projetos. Saber o termo te diferencia de quem só fala "ChatGPT".

Conceitos-chave:

MCP server · MCP client · Tool descriptor · Resource · Prompt template.

O que é:

Fine-tuning ajusta pesos do modelo com dados próprios. Prompting orienta com instrução. 90% dos casos: prompting + RAG resolve. Fine-tuning só pra estilo específico ou domínio muito técnico.

Por que aprender:

Saber a diferença evita gastar R$ 100k em fine-tuning que prompt resolveria por R$ 0.

Conceitos-chave:

LoRA · QLoRA · Instruction tuning · Distillation.

O que é:

LLM falha em: matemática complexa sem ferramenta, raciocínio multi-step longo, dado em tempo real sem busca, decisão com responsabilidade legal direta, criatividade verdadeira.

Por que aprender:

Vender o impossível queima reputação em 1 projeto. Saber dizer "não" é skill premium.

Conceitos-chave:

Limites cognitivos · Edge case · Failure mode · Human-in-the-loop.

3.2~60 min

✍️ Prompt Engineering Aplicado a Negócio

Não é arte de palavras. É engenharia de output. Você sai sabendo escrever prompts que outras pessoas reutilizam — sinal de que seu trabalho escala.

O que é:

Papel · Contexto · Tarefa · Restrições · Formato de saída. Cada bloco com propósito claro. Output previsível e auditável.

Por que aprender:

Prompt estruturado = output reproduzível. Sem estrutura, qualidade vira sorte.

Conceitos-chave:

Role · System · User · Constraint · Output schema.

O que é:

3-5 exemplos de input/output bons no prompt. Modelo aprende padrão. Vai muito mais longe do que instrução abstrata.

Por que aprender:

Few-shot é a diferença entre output medíocre e exatamente o que você queria.

Conceitos-chave:

Few-shot · Zero-shot · Chain of thought · In-context learning.

O que é:

Notion/Obsidian com 20-50 prompts categorizados por tarefa (briefing, análise, draft). Cada um testado, versionado, com placeholders.

Por que aprender:

Biblioteca pessoal é o "código-fonte" do AI-native. Compartilhar parte vira liderança técnica visível.

Conceitos-chave:

Template · Versionamento · Placeholder · Categoria · Documentação.

O que é:

Quando output sai errado: a tarefa está ambígua? falta exemplo? falta contexto? formato pedido inviável? Diagnóstico estruturado.

Por que aprender:

Quem só re-prompta sem diagnóstico fica preso. Quem debuga avança rápido.

Conceitos-chave:

Ambiguidade · Falta de exemplo · Contexto faltante · Output schema errado.

O que é:

Prompt pra negócio favorece estrutura, citação, JSON, lista. Evita ambiguidade. Inclui "se não souber, diga 'não sei'". Output que economiza tempo de quem lê.

Por que aprender:

Prompt criativo (pra arte) e prompt de negócio são técnicas diferentes. Confundir leva a saída inútil.

Conceitos-chave:

Determinismo · JSON output · Refusal explícito · Estrutura serializável.

O que é:

Regra: nunca cole dado pessoal real em modelo público. Use anonimização (mock), modelo com BAA, ou plataforma com retenção zero.

Por que aprender:

90% dos incidentes LGPD em IA vêm de prompt errado. Você não quer ser o caso.

Conceitos-chave:

Anonimização · BAA · Retenção zero · Política de uso aceitável.

3.3~55 min

⚙️ Automação No-code / Low-code

n8n, Make, Zapier, Power Automate + agentes. Você não precisa programar — precisa orquestrar.

O que é:

n8n (open, self-host, técnico) · Make (visual, robusto) · Zapier (fácil, caro, foco USA) · Power Automate (Microsoft, melhor pra empresa enterprise).

Por que aprender:

Cada ferramenta tem mandato. Saber qual sugerir pra qual cliente é skill consultiva.

Conceitos-chave:

Trigger · Action · Node · Webhook · Schedule.

O que é:

Email→IA→CRM · Reunião→IA→Síntese·email · Form→IA→Slack · Upload PDF→IA→Resumo · Agendado→IA→Relatório. Esses 5 cobrem 80% dos casos.

Por que aprender:

Repertório de padrões = capacidade de propor solução em 5 minutos numa reunião.

Conceitos-chave:

Padrão · Template · Composição · Orquestração.

O que é:

Maioria dos fluxos quebra por: null não tratado, API rate limit, timeout de modelo, JSON inválido. Cada um tem patch padrão.

Por que aprender:

Fluxo que quebra silenciosamente é pior que fluxo que não existe. Robustez é skill que cliente paga prêmio.

Conceitos-chave:

Try-catch · Retry · Idempotência · Logging · Alert.

O que é:

Cálculo: plataforma (R$ 50-500/mês) + API LLM (R$ 0,01-0,15 por execução). 1.000 execuções/mês = R$ 100-300. Sempre menor que custo humano equivalente.

Por que aprender:

CFO/cliente quer ver TCO. Sem cálculo, proposta vira "depende".

Conceitos-chave:

TCO · Custo por execução · Pricing tier · Reserved capacity.

O que é:

Agente serve quando: caminho varia, decisão é contextual, ferramentas múltiplas. Fluxo serve quando: sequência fixa, validação simples. Misturar errado custa caro.

Por que aprender:

2026 todo mundo quer agente. Saber quando NÃO indicar agente é a skill premium.

Conceitos-chave:

Determinismo · Estado · Ramificação · Custo de raciocínio.

O que é:

Log de execução + métrica de sucesso + alerta de falha. LangSmith, Helicone, Langfuse. Sem isso, você não sabe se modelo regrediu.

Por que aprender:

Profissional sênior monta observability desde o piloto. Júnior descobre que precisa quando quebra.

Conceitos-chave:

Tracing · Latência · Token usage · Eval set · Regressão de modelo.

3.4~45 min

⚖️ Governança, Dados Sensíveis e LGPD

90% dos projetos de IA travam no jurídico. Quem destrava vira ponte política. Aqui o que você precisa saber pra sentar com DPO sem ficar em silêncio.

O que é:

Art. 5º (definições), Art. 7º (base legal), Art. 20 (decisão automatizada), Art. 5º XV (cross-border). Esses 4 cobrem 80% dos casos práticos.

Por que aprender:

Citar artigo específico em reunião com jurídico = sair de "leigo" pra "interlocutor sério".

Conceitos-chave:

Base legal · Decisão automatizada · Cross-border · Dado pessoal sensível.

O que é:

4 categorias: risco inaceitável (proibido), alto (regulado pesado), limitado (transparência), mínimo (livre). Sua empresa precisa saber em qual categoria está cada caso de uso.

Por que aprender:

Multinacional brasileira opera sob AI Act também. Quem trouxe o tema pra mesa primeiro vira referência.

Conceitos-chave:

Risk classification · High-risk · Limited risk · GPAI · Documentation requirement.

O que é:

Framework dos EUA. 4 funções: Govern, Map, Measure, Manage. Voluntário mas virou exigência em contratos federais. Empresa global usa como linguagem comum.

Por que aprender:

Adoção de framework próprio leva meses. Adotar NIST com adaptação leve = ganho de 6 meses.

Conceitos-chave:

Govern · Map · Measure · Manage · AI RMF Playbook.

O que é:

Data Protection Impact Assessment: descreve dado, finalidade, risco, mitigação. Você não escreve sozinho — co-cria com DPO. Mas chegar com rascunho acelera 3x.

Por que aprender:

Profissional que chega ao DPO com DPIA rascunhado = parceiro. Quem chega de mãos abanando = problema.

Conceitos-chave:

DPIA · Finalidade · Mitigação · Risco residual · Decisão informada.

O que é:

Modelo público (OpenAI direto) vs cloud privada com BAA (Azure OpenAI, AWS Bedrock) vs on-premise. Cada opção tem trade-off de custo/latência/governança.

Por que aprender:

Decisão de arquitetura é decisão política. Quem entende explica pro CISO. Quem não entende repete o que o vendedor falou.

Conceitos-chave:

Hosting · Região · BAA · Data residency · Multi-tenant.

O que é:

Sinais de risco real: dado de saúde no prompt, decisão de RH automatizada sem revisão, sistema atendendo público vulnerável, sem auditoria de viés. Pare e chame jurídico.

Por que aprender:

Saber quando dizer "para" protege empresa e sua reputação. Profissional sério é o que para.

Conceitos-chave:

Stop signal · Vulnerable population · Bias audit · Escalation.

3.5~40 min

📖 Storytelling de Resultado

"Economizei 8h/semana" não vende. "O time de 6 pessoas voltou a focar em proposta complexa, fechando 2 contratos extras no trimestre" vende. Skill de tradução em narrativa.

O que é:

Hora economizada = input. Decisão acelerada, custo evitado, receita gerada = output. CEO entende output. CFO compra output.

Por que aprender:

Falar em horas é tom analista. Falar em moeda é tom executivo. Trocar o vocabulário muda como você é ouvido.

Conceitos-chave:

Input vs output · Tradução financeira · ROI argumentável.

O que é:

Frase 1: estado anterior com número. Frase 2: estado atual com número. Frase 3: efeito de 2ª ordem. Total: 50-80 palavras. Reusável em qualquer audiência.

Por que aprender:

Estrutura compacta = mensagem mais transferível. Memorizam, repetem, atribuem a você.

Conceitos-chave:

Antes · Depois · Efeito secundário · Quantificação dupla.

O que é:

Screenshot do output real + anotação na imagem > slide bonito sem evidência. CEO acredita em pixel real, não em PowerPoint.

Por que aprender:

Pixel real é proof of life. Slide é proof of effort.

Conceitos-chave:

Artifact · Demo · Evidência primária · Anotação.

O que é:

"O time de finanças" é abstrato. "Ana, analista de FP&A, agora sai 17h e não 19h" é concreto. Nome + função + mudança específica.

Por que aprender:

Cérebro humano grava história, não estatística. Use isso.

Conceitos-chave:

Persona · Caso humano · Particular vs geral · Detalhe específico.

O que é:

Não generalize ("o time" quando foi 1 pessoa). Não suba número ("4h" quando foi 2.5h). Não atribua causalidade fraca ("nossa IA gerou USD 1M" quando o time já ia fechar).

Por que aprender:

Um número inflado descoberto custa 5 narrativas honestas. Conservador vai mais longe.

Conceitos-chave:

Atribuição causal · Conservadorismo · Honestidade calibrada · Reputação composta.

O que é:

Slack interno (tom: par a par) · Email pro chefe (tom: status report) · LinkedIn (tom: thought leadership) · Reunião all-hands (tom: ensino). Mesmo case, 4 versões.

Por que aprender:

Mesma história em canal errado vira ruído ou arrogância. Calibrar canal é parte da skill.

Conceitos-chave:

Canal · Audiência · Tom · Repetição calibrada.

3.6~50 min

🔄 Change Management — Vender Mudança Internamente

"O sucesso da IA depende mais da adoção pelas pessoas do que da tecnologia" (IBM, 2026). Resolver adoção é a skill que separa AI Champion de AI Lead.

O que é:

Pergunta real do colega: "se eu adotar, eles me substituem?". Resposta honesta: pessoas que adotam não são substituídas; pessoas que resistem são. Mostrar o estudo IBM ajuda.

Por que aprender:

Sem desmonte do medo, treinamento técnico é inútil.

Conceitos-chave:

Resistência psicológica · Augmentation framing · Caso histórico · Reframe.

O que é:

Ativos (já usam): pega esses primeiro como aliados. Curiosos: convide pra mini-treino. Resistentes: não tente converter no mês 1. Foco na maioria viável.

Por que aprender:

Tempo gasto convertendo resistente = tempo perdido no curioso. Ordem importa.

Conceitos-chave:

Adopter curve · Early majority · Resistente terminal · Energia alocada.

O que é:

Workshop de 90 min hands-on com 3 tarefas reais da função do participante. Saem com 3 fluxos prontos pra usar amanhã. Big-bang de 2 dias = teatro corporativo.

Por que aprender:

Adoção real vem de "usei e funcionou", não de "aprendi conceito".

Conceitos-chave:

Hands-on · Learning by doing · Função-específico · Win imediato.

O que é:

Quando alguém do time entrega win com IA, reconheça em fórum visível (all-hands, newsletter, Slack). 1 reconhecimento gera 3-5 imitadores na semana.

Por que aprender:

Norma social é mais forte que treinamento. Reconhecimento público acelera adoção mais que curso.

Conceitos-chave:

Norma social · Imitação · Reforço positivo · Visibilidade.

O que é:

Vai acontecer. Resposta correta: assume, mostra causa raiz, mostra correção em 7 dias. Resposta errada: esconder, culpar IA, prometer "nunca mais".

Por que aprender:

Como você lida com a 1ª falha pública define se sua jornada continua ou para.

Conceitos-chave:

Post-mortem · Causa raiz · Comunicação de erro · Recuperação política.

O que é:

Semanal: 15min com 3-5 ativos pra ver o que funcionou. Trimestral: revisão formal com sponsor — métrica, win, falha, próximo trimestre.

Por que aprender:

Cadência mantém momentum. Sem ritual, adoção morre em 60 dias.

Conceitos-chave:

Ritual · Cadência · Sustentação · Ciclo PDCA.

← Trilha 2 (Caminhos) Próxima: T4 — Marketing Pessoal →