15-01-01 — Mapa de Competências para IA na Equipe

As 5 Competências Centrais

1. Prompt Engineering

A base de tudo. Sem prompts bem construídos, nenhuma outra skill funciona bem.

• Nível básico: Sabe escrever system prompt, usar few-shot, controlar temperatura
• Nível intermediário: Chain-of-thought, personas, function calling, prompt chaining
• Nível avançado: Prompt optimization, meta-prompting, avaliação sistemática de prompts, versionamento

2. RAG (Retrieval-Augmented Generation)

A skill mais demandada em projetos enterprise. Todo cliente vai querer "conversar com seus documentos".

• Nível básico: Entende o pipeline chunking → embedding → search → geração
• Nível intermediário: Hybrid search, reranking, chunking semântico, avaliação de qualidade
• Nível avançado: Agentic RAG, GraphRAG, fine-tuning de embeddings, pipeline de ingestão escalável

3. Agentes e Orquestração

O próximo nível depois de RAG. Sistemas que agem, não apenas respondem.

• Nível básico: Entende tool calling, ReAct, conceito de agente
• Nível intermediário: Multi-agent com Semantic Kernel ou AutoGen, MCP, guardrails
• Nível avançado: Sistemas agentic em produção, A2A protocol, orchestrator-workers complexos

4. Observabilidade (LLMOps)

Sem observabilidade, você está voando cego. Custo, qualidade e comportamento precisam ser monitorados.

• Nível básico: Sabe o que logar, conceito de traces e spans em LLM
• Nível intermediário: Azure Monitor + Application Insights para LLM, dashboards de custo e qualidade
• Nível avançado: Pipeline de avaliação contínua, drift detection, alertas inteligentes

5. Governança e Segurança

O que diferencia uma entrega que vai para produção de uma que fica no POC.

• Nível básico: Conhece riscos (hallucination, prompt injection, data leakage)
• Nível intermediário: Content Safety, Responsible AI principles, LGPD aplicada a IA
• Nível avançado: EU AI Act compliance, AI governance frameworks, Purview + Defender para IA

Mapa de Roles × Competências

Competências Complementares (Diferenciadoras)

• Data Engineering: Pipelines de dados para alimentar sistemas RAG em escala (Azure Data Factory, Fabric)
• UX para IA: Como desenhar interfaces que constroem confiança e gerenciam expectativas do usuário
• Avaliação e Testing: Red-teaming, adversarial testing, benchmark design
• Engenharia de Custo: Otimização de tokens, model routing, caching — entrega ROI visível ao cliente
• Domínio de Negócio: Jurídico, financeiro, saúde, manufatura — a vertical define o valor

Como Montar o Time Mínimo Viável para um Projeto de IA

Para um projeto de RAG enterprise (6 meses, R$ 500K):

1. 1 Arquiteto de IA — lidera decisões técnicas, faz design de solução, interface com cliente técnico
2. 2 Devs Sênior .NET — implementam RAG pipeline, integração com sistemas do cliente, APIs
3. 1 Dev Pleno — frontend, integrações secundárias, testes
4. 1 Gerente de Projeto — gestão de expectativas, governança, compliance

Gap Analysis: Onde a Maioria das Equipes .NET Está Hoje

Estimativa para consultorias .NET sem programa formal de IA:

• Prompt Engineering básico: 60% dos devs (todos que já usaram ChatGPT)
• RAG básico: 20% (os que fizeram algum tutorial)
• RAG intermediário/avançado: 5%
• Agentes: 3%
• Observabilidade de LLM: 2%
• Governança de IA: 5% (geralmente quem tem background jurídico ou de segurança)

O gap maior não é técnico — é avaliação e observabilidade. A maioria sabe construir; poucos sabem medir se o que construíram está funcionando bem.