O que está por trás da frase que viralizou
A declaração de David Vélez, CEO do Nubank, ecoou com força no ecossistema de tecnologia: “IA não vai tirar seu emprego, mas alguém usando IA vai”. A afirmação não é nova — variações dela circulam desde os primeiros modelos generativos —, mas ganha peso quando vem de quem comanda uma das maiores fintechs do mundo, com cerca de 100 milhões de clientes e uma adoção interna de IA que, segundo ele, já alcança 98% dos colaboradores. A pergunta que fica para engenheiros de software, product managers e profissionais de infraestrutura não é se a IA vai substituí-los, mas como se posicionar em um cenário onde a ferramenta está disponível para todos, e a diferença competitiva será o uso inteligente dela.
Vélez tocou em um ponto central: a IA está derrubando barreiras técnicas que antes exigiam anos de estudo e prática. Um profissional que sabe usar bem um copiloto de código, um modelo de linguagem para documentação ou um sistema de recomendação baseado em aprendizado de máquina pode entregar em horas o que antes levava dias. Mas o inverso também é verdadeiro. Ignorar essas ferramentas não é apenas uma escolha individual — é um risco estratégico para empresas inteiras.
O Nubank, aliás, não está apenas falando sobre o assunto. A fintech construiu uma cultura de experimentação com IA que vai além do modismo. Times de engenharia são incentivados a testar modelos em produção, e a empresa já utiliza inteligência artificial em áreas críticas como prevenção a fraudes, análise de crédito e atendimento ao cliente. O dado de 98% de adoção interna, se confirmado, indica que até áreas administrativas e de suporte estão embedando IA em seus fluxos. Isso não é apenas inovação — é uma mudança estrutural na operação.
Um aviso para quem acha que seu cargo está blindado
O que muitos profissionais de tecnologia ainda não internalizaram é que a IA generativa não é uma ameaça apenas para funções repetitivas ou operacionais. Engenheiros seniores que dominam arquiteturas complexas podem se sentir imunes, mas o risco real está na comparação com um par que usa IA para acelerar debugging, gerar testes automatizados, revisar código legado ou até mesmo criar protótipos de features em minutos. A diferença de produtividade, em cenários reais que presenciei, chega a ser de três a cinco vezes. E, em times enxutos, isso significa que um profissional com ferramentas adequadas entrega o que dois ou três entregariam sem elas.
Vélez acertou ao dizer que a IA “derruba barreiras técnicas”. Antes, para implementar um modelo de machine learning do zero, era preciso dominar álgebra linear, estatística e frameworks específicos. Hoje, um desenvolvedor com conhecimento intermediário pode usar APIs de modelos pré-treinados e obter resultados surpreendentes em semanas. A contrapartida é que o valor do profissional passa a residir menos no conhecimento técnico isolated e mais na capacidade de orquestrar ferramentas, validar resultados e tomar decisões de negócio informadas. O “alguém usando IA” a que Vélez se refere não é necessariamente um cientista de dados — pode ser um engenheiro de software que aprendeu a extrair o máximo de um modelo de linguagem.
Uma ressalva importante: essa lógica não anula a necessidade de fundamentos sólidos. Conhecer algoritmos, estrutura de dados e princípios de engenharia de software continua sendo base para qualquer profissional que queira usar IA de forma consistente. O risco é que profissionais experientes, mas resistentes à adoção de novas ferramentas, sejam gradualmente ofuscados por uma nova geração que já nasce integrando IA ao fluxo de trabalho. Não se trata de substituição, mas de obsolescência competitiva.
O que a experiência do Nubank ensina sobre produtividade real
Observar como o Nubank estrutura sua adoção de IA oferece pistas concretas para outras empresas. A fintech não tratou a IA como um projeto de inovação isolado — ela a integrou aos processos cotidianos. Segundo relatos de engenheiros que trabalham ou trabalharam lá, a empresa investe pesado em ferramentas internas que permitem que times de produto testem hipóteses rapidamente, sem depender de um departamento central de dados. Isso acelera o ciclo de aprendizado e reduz o tempo entre a ideia e a implementação.
Em contraste, muitas organizações ainda tratam IA como uma caixa-preta gerenciada por um time especializado, criando gargalos e burocracia. O modelo do Nubank é mais horizontal: cada squad tem autonomia para usar modelos de IA, desde que dentro de limites de segurança e governança. Isso exige uma cultura de responsabilidade e um bom sistema de monitoramento, mas os ganhos de velocidade são reais.
Para o engenheiro de software individual, a lição é clara: não espere sua empresa criar um programa oficial de treinamento. Comece a usar ferramentas de IA no seu dia a dia — para escrever testes, refatorar código, documentar APIs ou até gerar esqueletos de pipelines de dados. O aprendizado prático, mesmo que em pequena escala, é o que vai construir a fluência necessária para quando a demanda se tornar urgente.
O outro lado da moeda: riscos que ninguém está discutindo
Se a mensagem de Vélez é inspiradora, ela também carrega um viés típico de CEOs de empresas de tecnologia: o otimismo sobre a capacidade de adaptação das equipes. A realidade é que nem todo profissional tem tempo, recursos ou condições cognitivas para se requalificar no ritmo que a indústria exige. Em empresas com culturas menos maduras que a do Nubank, a pressão por adoção de IA pode gerar ansiedade, burnout e até decisões mal informadas — como deployar modelos não validados em produção, com riscos reais para a segurança dos dados dos clientes.
Outro ponto sensível é a confiabilidade dos modelos. Um profissional que usa IA para gerar código precisa ser capaz de revisar e validar o que foi produzido. Já vi casos em que times inteiros adotaram sugestões de copilotos sem entender as implicações de segurança — como vazamento de dados sensíveis ou introdução de vulnerabilidades. A ferramenta é poderosa, mas exige um nível de criticidade que muitos ainda não desenvolveram. A diferença entre um profissional mediano e um excelente, nesse contexto, é a capacidade de não aceitar cegamente as sugestões da máquina.
Além disso, a democratização da IA reduz barreiras de entrada para novos concorrentes. Se antes construir um produto digital demandava um time de engenharia robusto, hoje uma startup com dois fundadores e acesso a modelos de IA pode lançar um MVP competitivo em semanas. Isso aquece o mercado, mas também o torna mais volátil. Profissionais que antes se sentiam seguros em grandes empresas podem descobrir que suas habilidades específicas estão sendo desintermediadas por ferramentas acessíveis a qualquer um.
O que muda na prática para times de engenharia?
Para gestores e líderes técnicos, a declaração de Vélez deve servir como um alerta para revisar os planos de desenvolvimento das equipes. Não basta contratar pessoas com habilidades técnicas clássicas — é preciso criar um ambiente onde o uso de IA seja discutido, testado e integrado aos fluxos de trabalho. Isso inclui desde a alocação de tempo para experimentação até a definição de políticas claras de uso: o que pode ser gerado por IA, o que precisa ser revisado por humanos, e como manter a qualidade do código.
Em times de produto, a IA já está mudando a dinâmica de priorização. Funcionalidades que antes eram consideradas caras ou demoradas — como personalização em tempo real, análise de sentimento em comentários ou recomendação baseada em comportamento — agora podem ser implementadas em sprints curtos, usando modelos prontos e ajustes finos. Isso exige que product managers entendam o potencial e as limitações da tecnologia para não prometerem demais nem subestimarem o esforço de integração.
Para profissionais de infraestrutura, o impacto é igualmente significativo. A adoção de IA em escala exige orquestração de modelos, gerenciamento de custos de inferência, latência e governança de dados. Quem domina ferramentas como Kubernetes, pipelines de ML e monitoramento de modelos estará na linha de frente — e será tão requisitado quanto quem sabe treinar redes neurais.
Afinal, o que fazer com essa informação?
A provocação de David Vélez não é um convite ao pânico, mas à ação consciente. O mercado de tecnologia sempre passou por ciclos de disrupção — da computação em nuvem ao mobile, do DevOps à arquitetura de microsserviços. Em cada um deles, profissionais que se adaptaram mais cedo colheram vantagens competitivas que duraram anos. Com a IA generativa, o ciclo é mais curto e a adoção mais acelerada, mas a lógica é a mesma.
Minha recomendação editorial, baseada em experiência prática e observação do mercado, é que cada profissional invista em três frentes simultaneamente: primeiro, use IA no seu trabalho diário, mesmo que em tarefas pequenas, para ganhar fluência; segundo, mantenha os fundamentos técnicos afiados — a IA é uma ferramenta, não um substituto para o pensamento crítico; terceiro, entenda o negócio em que você atua. O profissional que souber unir conhecimento técnico, domínio de ferramentas de IA e visão de produto será o “alguém usando IA” que avançará na carreira, enquanto outros ficarão para trás.
A frase de Vélez não é uma profecia, mas um diagnóstico. Cabe a cada um de nós decidir de que lado da equação queremos estar.