De zero a AI Engineer em 9 meses: roadmap mês-a-mês

Plano realista para quem programa um pouco e quer entrar como AI Engineer júnior até o fim do ano. Com livros, projetos, certificações e faixa salarial brasileira atualizada.

Em 2026, AI Engineer virou cargo formal em quase toda empresa de tecnologia média e grande do Brasil. Antes era "engenheiro de ML" ou "cientista de dados que mexe com LLM". Agora é função própria, com job description próprio, e — importante — faixa salarial própria.

O que vou descrever aqui é o caminho que vejo funcionando para quem está saindo de outra área de programação (backend, frontend, dados) e quer migrar. Se você nunca programou, soma 6-9 meses antes do mês 1.

Pré-requisitos honestos

Antes de começar o roadmap, você precisa de:

• Python fluente (escrever def, list comprehension, classes, decorators sem consultar) — não dá pra ser AI Engineer sem isso
• Git e linha de comando confortáveis
• API REST: saber consumir e expor
• SQL básico: SELECT, JOIN, GROUP BY
• Inglês técnico de leitura (a maioria da documentação relevante não tem tradução)

Se falta algo desta lista, gaste 1-2 meses tampando antes de seguir. Tentar aprender LLM sem Python firme é frustração garantida.

Trimestre 1 (Meses 1-3): Fundação de IA aplicada

Mês 1 — LLMs como caixa-preta

Objetivo: entender o ecossistema, fazer o primeiro app que consome um LLM. Não tente entender transformers internamente ainda — isso vem depois.

• API da OpenAI: chat completions, streaming, function calling
• API da Anthropic Claude: diferenças práticas, system prompts
• Tokenização: por que importa, como o pricing funciona
• Temperatura, top-p, presence penalty na prática

Projeto: assistente de e-mail que recebe um texto longo e devolve resumo + ações sugeridas. CLI Python, sem interface.

Mês 2 — RAG e bancos vetoriais

• Embeddings: o que são, como buscar similaridade
• Pinecone, Weaviate, pgvector — diferenças e quando usar cada um
• Chunking estratégico, reranking com Cohere
• Avaliação básica: faithfulness e answer relevance

Projeto: chatbot que responde sobre uma base de documentos sua (notas pessoais, manuais, base wiki da empresa). Deploy no Streamlit.

Mês 3 — LangChain, LlamaIndex e ecossistema

• Quando usar framework e quando escrever do zero
• LangGraph para orquestração
• Estrutura de prompt template, output parser
• Observability básica com LangSmith ou Phoenix

Livro do trimestre: Building LLM Apps (Valentina Alto, 2024). É o livro mais prático sobre o ecossistema atual.

Trimestre 2 (Meses 4-6): Profundidade técnica e LLMOps

Mês 4 — Agentes e tool calling

• ReAct, Plan-and-Execute, multi-agente
• Tool calling estruturado, JSON mode
• Quando agente é a resposta certa (e quando não é)
• CrewAI, AutoGen, LangGraph na prática

Projeto: agente que pesquisa preço de produto em 3 sites e gera relatório comparativo. Aqui você sente na pele os custos de loop infinito.

Mês 5 — LLMOps e produção

• Versionamento de prompts (PromptLayer, LangSmith)
• Eval frameworks: Ragas, DeepEval, Phoenix
• Cache semântico, retry logic, circuit breaker
• Observabilidade: latência, custo por request, drift

Mês 6 — Fine-tuning e modelos open-source

• Quando fine-tuning vale a pena (raramente)
• LoRA e QLoRA — fine-tuning eficiente
• Hugging Face: rodar modelos locais (Llama 3.3, Mistral, DeepSeek)
• Ollama para desenvolvimento local
• vLLM e TGI para servir em produção

Livro do trimestre: Hands-On Large Language Models (Jay Alammar, 2024). Cobre internals sem se perder em matemática.

Trimestre 3 (Meses 7-9): Portfólio e mercado

Mês 7 — Um projeto real, completo

Escolha um problema que você sente na pele. Não copie ideia genérica. Construa solução end-to-end: ingestão de dados, RAG, interface, deploy, observability. Exemplo: assistente que lê seu Notion + Calendar e prepara seu dia.

Mês 8 — Certificações e visibilidade

Certificações relevantes em 2026:

• AWS Certified AI Practitioner — pesa em vagas corporativas
• Azure AI Engineer Associate — útil se mira em mercado tradicional
• DeepLearning.AI — AI Agents in LangGraph — específica e respeitada

Visibilidade: GitHub limpo, 2-3 projetos públicos, LinkedIn com headline clara ("AI Engineer · RAG, Agents, Python"), 1 post técnico por semana.

Mês 9 — Aplicação e entrevistas

• Mapeie 30 vagas-alvo no LinkedIn e Gupy
• Cada candidatura: README do projeto mais alinhado linkado direto
• Treine system design de RAG e agente — 80% das entrevistas pergunta isso
• Esteja pronto para perguntas sobre custo, latência, segurança de prompt

Faixa salarial real no Brasil em 2026

Dados de pesquisas combinadas (Glassdoor, Levels.fyi BR, Catho, observação direta de vagas em maio de 2026):

• AI Engineer Júnior (0-1 ano na função): R$ 8.000 a R$ 13.000 CLT, ou R$ 60-100/h PJ
• AI Engineer Pleno (1-3 anos): R$ 13.000 a R$ 19.000 CLT, ou R$ 100-160/h PJ
• AI Engineer Sênior (3-5 anos): R$ 18.000 a R$ 28.000 CLT, ou R$ 160-250/h PJ
• Staff / Lead: R$ 25.000 a R$ 45.000+, frequentemente PJ ou com bônus

Vagas para o exterior (remoto) em dólar pagam de $4.500 a $12.000/mês para os mesmos níveis, com forte demanda por desenvolvedores brasileiros — fuso horário compatível com EUA e custo competitivo. CNPJ ativo facilita.

O salário não é uniforme. Empresa de tech-product (fintech, SaaS B2B, healthtech) paga 30-50% mais do que consultoria genérica. Empresa que entende o ROI do produto, paga melhor.

O que NÃO fazer

• Não tente entender transformers matematicamente antes de saber usar API. A ordem importa.
• Não cole em curso de "Prompt Engineering" como carreira. Virou skill, não cargo (vou tratar disso em outro post).
• Não pule LLMOps. É o que separa quem faz demo de quem entrega produto.
• Não fique pulando de framework. Domine LangChain ou LlamaIndex profundamente; o outro você lê a doc em uma tarde.

Conclusão prática

Nove meses é tempo realista se você tem fundamento de programação, dedica 10-15 horas por semana de forma consistente, e constrói projetos públicos. Não é tempo realista se você está começando do zero absoluto. O mercado em 2026 está aquecido mas exigente — quem entra com portfólio sólido e capacidade de explicar trade-offs (custo, latência, qualidade) passa. Quem entra só com certificado, não.