AI engineer no 2º semestre de 2026: o que o recrutador vai pedir

Passei uma semana lendo 200 vagas de AI engineer postadas em maio de 2026, entre LinkedIn, Indeed, Gupy e os RH-techs que mandam descrição direto no inbox.

Bradesco com 25 posições abertas. Globant, Sezzle, PagBank, Einstein. Startup brasileira pedindo "engenheiro de IA generativa" sem conseguir explicar a diferença pra cientista de dados. E muita, muita vaga genérica copiando o JD da próxima.

A pergunta que importa é simples: o que o recrutador vai filtrar de verdade no segundo semestre — e o que virou ruído de 2024 que ainda mora nas descrições?

Spoiler: quatro skills sobem, três perdem peso, e tem um roteiro de 90 dias que separa quem entra na shortlist de quem fica no "obrigado pelo interesse".

TL;DR

• O que sobe: context engineering, evals em produção, harness engineering, compliance aplicado.
• O que perde peso: fine-tuning de pequenos open-source como skill central, prompt engineering isolado, devoção a framework.
• Onde olhei: 200 vagas BR, maio/2026, todos os níveis, remote e híbrido. Pleno-sênior domina (749 de 1.041 posições no LinkedIn BR só nessa janela, segundo o próprio LinkedIn Brasil).
• Roteiro: 30 dias montando harness pessoal, 30 publicando case com evals, 30 ajustando posicionamento.

Como li o mercado

Não é survey acadêmico. É leitura de quem está contratando agora.

Filtrei vagas com título contendo "AI engineer", "engenheiro de IA", "GenAI engineer" e "LLM engineer" no Brasil entre 1 e 20 de maio de 2026. Joguei fora repostagens duplicadas, vagas que claramente são cientista de dados travestido e as descrições que só listavam "Python e disposição para aprender".

Sobraram 200. Li uma por uma marcando: stack obrigatório, stack desejável, senioridade, modalidade, e se a descrição menciona produção ou só prototipagem.

O resultado bate, em direção, com o que a LinkedIn Skills on the Rise 2026 reportou globalmente: AI engineer virou a função tech que mais cresce, e os filtros de recrutador migraram de título genérico pra toolchain específico. No Brasil, com atraso de seis meses, o mesmo padrão.

As quatro skills que sobem

1. Context engineering

Sumiu o "saber escrever prompt". Entrou "saber decidir o que entra na janela de contexto, em que ordem, com que resumo, com que ferramenta de recuperação por trás".

Context engineering é a disciplina de selecionar, estruturar, recuperar, comprimir e manter a informação que o modelo enxerga pra completar a tarefa com confiabilidade. É a evolução natural de prompt engineering depois que ficou óbvio que prompt sozinho não escala.

Nas vagas que li, isso aparece como: "experiência com RAG em produção", "domínio de embeddings e reranking", "saber montar pipeline de recuperação híbrida (BM25 + vetorial)", "gerenciar context window com sub-agents ou ferramentas como skills/MCP". Quem só sabe falar de prompt template entrega CV pra triagem.

O conceito técnico é claro: a janela de contexto é finita, cara e tem efeito de degradação ("lost in the middle"). A aplicação prática é construir o pipeline de recuperação. O impacto no produto é o que diferencia chatbot de demo de assistente que ajuda usuário real a fechar tarefa.

2. Evals em produção

Essa é a que mais subiu de preço. E quase ninguém faz direito.

Eval não é "rodar 10 prompts e ver se a resposta parece boa". É construir o dataset, definir as métricas (accuracy, fidelidade, custo, latência, taxa de alucinação), automatizar a execução em CI, e ter painel de regressão a cada mudança de modelo ou prompt.

Como a Frontend Masters resumiu no curso de AI engineering de 2026: "boas decisões em IA viram disciplina de engenharia quando o time muda algo, roda evals, inspeciona traces e compara resultados. É assim que sistemas de IA saem do demo e entram em produção".

Recrutador hoje pergunta: "como você decide que a nova versão do prompt está melhor que a anterior?". Resposta certa cita Promptfoo, Braintrust, LangSmith, RAGAS, Maxim AI, ou um harness próprio. Resposta errada é "olho no resultado". Adivinha quem passa pra próxima fase.

O artigo da SolidAITech estima quatro vezes mais postagens pra "AI Systems Auditor" e "LLM Quality Analyst" desde o pico de prompt engineer em 2023. No Brasil ainda não tem cargo dedicado em volume, mas a skill apareceu em 38% das 200 vagas que li.

3. Harness engineering

Esse termo ainda é novo pra muito recrutador brasileiro, mas a coisa já está em todas as vagas avançadas. Harness é tudo que não é o modelo: regras, guardrails, ferramentas, validação de saída, sub-agentes, hooks de lifecycle, configuração de MCP.

A fórmula que Mitchell Hashimoto cunhou em 2026 e virou meme técnico: Agent = Model + Harness. O modelo é commodity comprada via API. O harness é o que o seu time constrói e defende.

Na prática, harness engineering é o que o pessoal da HumanLayer descreveu como engenheirar uma solução cada vez que o agente erra, pra que ele não erre de novo. Você constrói arquivos CLAUDE.md / AGENTS.md enxutos, monta servidores MCP com escopo limitado, isola sub-agentes pra evitar poluição de contexto, e instrumenta hooks pra rodar typecheck, formatter e teste antes do agente confirmar conclusão.

Dado pesado: 88% dos projetos de agente não chegam em produção, e 27% das falhas são qualidade de dado, não arquitetura. Quem sabe construir e operar harness é o engenheiro que vira a queda dessa estatística pra contar como case interno. Recrutador percebe.

4. Compliance aplicado

LGPD entrou na sua vida há cinco anos e você fingiu que era problema do jurídico. EU AI Act não vai deixar.

A Lei Europeia de IA fica totalmente aplicável em 2 de agosto de 2026, e tem efeito extraterritorial: se o produto da empresa onde você trabalha atende cliente europeu, ela precisa documentar avaliação de risco, manter logs de inferência, declarar uso de dados pessoais no fine-tuning, e expor mecanismo de contestação humana em decisões automatizadas.

As 200 vagas que li ainda não pedem isso direto, mas 41 delas (e todas as de Bradesco, PagBank, Einstein e fintechs com clientes B2B em Portugal/Espanha) já citam "conhecimento em governança de IA", "experiência com red team / adversarial testing" ou "familiaridade com NIST AI RMF". Quem chega na entrevista sabendo a diferença entre risco aceitável e risco alto sob o AI Act sai com a vaga ou com uma proposta de senioridade acima da anunciada.

Não vira jurista. Vira engenheiro que sabe o que loggar, o que mascarar, o que documentar e o que vetar.

As três que perdem peso

1. Fine-tuning de pequenos open-source como skill central

Polêmico. O Seldo argumentou em fevereiro/2026 que 2026 é o ano dos small models fine-tuned, e ele tem razão pro lado de research. Mas pro lado de recrutador de AI engineer no Brasil, o sinal é outro.

Fine-tuning virou commodity de plataforma. Vertex AI faz, Bedrock faz, OpenAI fechou self-serve mas mantém pra enterprise. Quando precisa, o time chama um especialista (interno ou consultoria) e roda LoRA / QLoRA num notebook. Não é mais skill que você lista no topo do CV de AI engineer aplicado.

Das 200 vagas, só 18 pediam fine-tuning como obrigatório. Dessas, 14 eram pesquisa, MLOps puro ou cargo de ML engineer disfarçado de AI engineer. As outras 4 eram descrição mal escrita.

O que substituiu no topo do CV: avaliar quando fine-tunar vs quando fazer RAG vs quando ajustar contexto. Decisão arquitetural vale mais que execução técnica.

2. Prompt engineering isolado

Caiu 73% nas postagens com título "prompt engineer" entre 2023 e abril/2026, segundo o levantamento da SolidAITech. No Brasil, vaga com esse título virou raridade — quando aparece, geralmente é agência ou consultoria pedindo "alguém pra ajustar o GPT".

A skill não morreu. Virou parte de context engineering, evals e harness. Quem só sabe escrever prompt bonito, sem evals que comprovem que o prompt funciona e sem harness que garanta a saída esperada, é candidato a estagiário sênior.

A regra prática: "sei escrever prompt" não é resposta a entrevista técnica de AI engineer em 2026. É resposta a entrevista de marketing de conteúdo.

3. Framework-religion

LangChain virou meme. LlamaIndex virou meme do meme. Vercel AI SDK virou padrão de fato no front. E o engenheiro que entra na entrevista defendendo "só uso X porque Y é horrível" perde ponto.

Recrutador maduro percebeu que framework de IA tem ciclo de vida de seis meses. Quem sabe abstrair acima do framework — montando seu próprio orquestrador quando faz sentido, integrando MCP quando faz mais sentido, e usando Prism / Inertia / o-que-for no Laravel quando o time é PHP — entrega valor independente da moda.

A pergunta que vi em três processos diferentes esse mês: "monta a mesma feature em três stacks: LangGraph, LlamaIndex e código puro com OpenAI SDK. Qual você escolhe pra produção e por quê?". Resposta de fã clube perde. Resposta que considera custo de manutenção, time atual, observabilidade e velocidade de iteração ganha.

Roteiro de 90 dias pra entrar na shortlist do 2º semestre

Aqui é onde a maioria trava. Vou ser específico.

Mês 1 — Constrói seu eval harness pessoal

Pega um problema real e mensurável. Não precisa ser épico. Classificação de e-mail, extração de dados de nota fiscal, resposta a FAQ interno, qualquer coisa que tenha gabarito claro.

Monta:

projeto-eval/
├── dataset/
│   ├── golden.jsonl        # 50-100 exemplos com input + output esperado
│   └── edge-cases.jsonl    # 20 casos que quebram o modelo
├── prompts/
│   ├── v1.md
│   └── v2.md
├── evals/
│   ├── run.py              # roda os prompts no dataset
│   ├── metrics.py          # accuracy, custo, latência, taxa de alucinação
│   └── report.html
└── ci/
    └── github-actions.yml  # roda eval a cada PR

Usa Promptfoo, Braintrust ou Inspect AI — escolhe um e domina. Sobe pro GitHub público. Esse repositório vale mais que três certificados.

Mês 2 — Publica um case com harness e evals

Pega o eval do mês 1 e fecha em produto pequeno. Pode ser CLI, pode ser bot de WhatsApp, pode ser endpoint HTTP. Não importa o canal, importa o ciclo completo: input do usuário → contexto recuperado → modelo → validação de saída → log → métrica.

Escreve um post explicando: a decisão de arquitetura, a métrica que importa, o que falhou, como o harness pegou o erro, qual o custo unitário em produção, qual a latência p95.

Publica em algum lugar com discoverability — pode ser blog próprio, dev.to, Medium, ou submetendo pra publicações como a Beer and Code, a melhor comunidade de AI engineering em português, com grupo no WhatsApp aberto pra quem está construindo IA em produção e troca esse tipo de case toda semana.

Mês 3 — Posicionamento e portfolio

Reescreve o LinkedIn. Tira "apaixonado por IA". Coloca toolchain específico: "RAG em pgvector, evals com Promptfoo, observabilidade com Langfuse, deploy em Lambda/Vertex".

Atualiza o GitHub pinando os dois repositórios do mês 1 e 2. README com print do dashboard de evals e link pro post.

Abre PR em três projetos open source de AI engineering. Não precisa ser grande. Documentação de MCP server, exemplo de eval pra um benchmark, correção de bug em SDK. Recrutador olha contribuição pública mais do que rating em plataforma de teste.

E vai pra conversa. Aplicar pra vaga em maio, junho, julho garante que você entra com o segundo semestre quente. Esperar agosto pra "começar a pensar" é entrar no ciclo de orçamento congelado de fim de ano.

Conclusão

O recrutador do segundo semestre de 2026 não está procurando alguém que "saiba IA". Está procurando alguém que saiba fazer IA chegar em produção, com confiabilidade medível, dentro de um harness que outras pessoas conseguem operar, em um framework regulatório que está apertando.

Context engineering, evals, harness e compliance são as quatro alavancas que separam candidato de finalista. Fine-tuning de pequeno modelo, prompt isolado e devoção a framework são os três sinais de quem ficou em 2023.

O roteiro de 90 dias não tem mágica. Tem repositório no GitHub, post com case real e LinkedIn honesto. Quem fizer isso entre maio e julho entra no segundo semestre como candidato qualificado. Quem deixar pra setembro entra como mais um na pilha.