Como se tornar um Forward Deployed Engineer em 10 passos: US$ 785 mil/ano (curso completo)

O engenheiro de implantação avançada (Forward Deployed Engineer) passou de uma curiosidade sobre a Palantir para a função mais recrutada em IA em doze meses - as vagas aumentaram 729%.

Este é o roteiro de 10 etapas para entrar nela: o que o trabalho realmente é, a stack que te coloca lá dentro e a rodada de entrevista que elimina 60% das pessoas que passam na etapa de codificação.

Siga meu Substack para receber novidades frescas sobre IA:

movez.substack.com

Isso não é o pacote de um cientista de pesquisa. Não é o de um engenheiro sênior em uma grande empresa de tecnologia.

É o valor de mercado para um engenheiro que faz algo que quase ninguém otimiza a carreira para fazer: fazer a IA realmente funcionar dentro de uma empresa real.

Ninguém está pedindo para essa pessoa treinar um modelo. Ela não precisa de um PhD e não precisa vencer ninguém em puzzles de algoritmos.

Ela precisa entrar em uma empresa com sistemas legados, um departamento de compliance e uma equipe de operações cética - e sair seis semanas depois com algo que funcione.

O motivo de pagar tão bem é uma estatística. Um estudo do MIT NANDA com 300 projetos de IA empresarial descobriu que 95% produziram pouco ou nenhum impacto mensurável no lucro e prejuízo.

Os modelos funcionavam bem. As implantações morriam - porque ninguém conseguia fazê-los conversar com um banco de dados legado, passar por uma revisão de compliance ou sobreviver ao serem entregues à equipe que os herdou.

O nome é emprestado dos militares: implantação avançada (forward deployed) significa estacionar unidades especializadas perto do teatro de operações, em vez de na base principal.

A Palantir construiu a versão moderna no início dos anos 2010 e os chamou de Deltas - e até 2016, a empresa tinha mais Deltas do que engenheiros de software.

A premissa era que os clientes não precisavam de mais funcionalidades no produto. Eles precisavam de engenheiros que pudessem fazer o produto funcionar dentro de seus ambientes fragmentados, legados, regulamentados e politicamente complicados.

Essa premissa foi nicho por uma década. Então a IA quebrou o SaaS genérico, e isso se tornou o jogo inteiro.

Isso não é uma descrição de cargo. É uma estratégia de go-to-market - e as pessoas que a executam são os engenheiros não-pesquisadores mais bem pagos da indústria.

01. Aprenda o que o trabalho realmente é

Um FDE é o engenheiro que a empresa envia para o cliente. Não para uma ligação de vendas, não para uma reunião de kickoff - por semanas seguidas, sentado ao lado das pessoas que realmente usarão o produto, aprendendo seu fluxo de trabalho em detalhes dolorosos e enviando código personalizado que faz a versão deles funcionar.

O melhor modelo mental não é consultor e nem engenheiro de soluções. É engenheiro fundador, trabalhando no produto de outra pessoa.

Não há um PM na sala para decidir o escopo, nenhum engenheiro sênior para escalar a arquitetura e nenhum backlog dizendo o que é importante - você decide o que construir, o que simular e o que contestar, na sala, naquela semana.

O ritmo típico nas principais empresas de IA é notavelmente consistente: um FDE fica com um cliente de quatro a oito semanas, entrega algo que funciona, e então a equipe de engenharia principal lentamente transforma em produto o que se revelou genérico.

Esse ciclo é o ponto estratégico inteiro da função. Você está simultaneamente gerando receita e fazendo a pesquisa de produto de maior fidelidade da empresa.

02. Entenda por que a função explodiu

Aquele número de 95% da abertura é a base de todo este caminho de carreira, então vale a pena entendê-lo precisamente.

• Esses projetos de IA empresarial não falharam porque os modelos eram ruins.
• Eles falharam na integração: sistemas que não conseguiam conversar com bancos de dados SQL legados, não conseguiam lidar com a autenticação SAML do cliente, não conseguiam atender aos requisitos de residência de dados e não podiam ser mantidos pela equipe de operações que os herdou.

Três forças então apontaram na mesma direção ao mesmo tempo.

• A IA quebrou o SaaS genérico - a promessa horizontal de comprar-e-plugar sobrevive em categorias maduras, mas não em IA, onde toda empresa tem dados únicos, fluxos de trabalho únicos, restrições de compliance únicas e sua própria definição de "bom o suficiente". Vender IA para uma Fortune 500 agora é sempre também vender um projeto de integração.
• Os laboratórios precisam implantar na velocidade que a tecnologia se move - uma integração de seis meses mata um piloto antes mesmo de ele começar.
• E as ferramentas de IA fecharam a economia: com Claude Code e a stack moderna, um FDE forte faz o que levava uma equipe de três alguns anos atrás, que é o único motivo pelo qual enviar um humano para o local por seis semanas se paga.

Observe o que isso significa para você. O gargalo na IA não é mais a capacidade. É a implantação - e o mercado está se reajustando de acordo.

03. Mapeie o mercado e escolha alvos

O título é instável, e essa é a primeira coisa prática a saber - pesquisar apenas por "Forward Deployed Engineer" esconderá a maior parte do mercado de você.

O mesmo cargo aparece como Applied AI Engineer (nome que a Anthropic usa), Forward Deployed Software Engineer ou FDSE (da Palantir), Solutions Engineer, Deployment Engineer e Founding Engineer (Customer Facing) em startups menores. Pesquise todos eles.

O crescimento não é sutil. As vagas de FDE no Indeed foram de 643 em abril de 2025 para 5.330 em abril de 2026 - um aumento de 729% em doze meses.

Em meados de 2026, havia 224 vagas de FDE abertas em 39 empresas de IA, e isso conta apenas o que foi divulgado publicamente. A Salesforce se comprometeu a contratar mil. A EY lançou uma prática dedicada de FDE no Reino Unido e Irlanda em abril de 2026 - a primeira grande consultoria a adotar formalmente o modelo.

A remuneração reflete a escassez e se divide nitidamente por nível. Dados do Levels fyi colocam a compensação total média nos EUA em torno de $238.000, com uma faixa típica de $205.000 a $486.000 e FDEs de nível sênior ultrapassando $630.000. A mediana da Palantir fica perto de $215.000.

Nos laboratórios de fronteira, é um mercado completamente diferente: FDEs seniores na Anthropic e OpenAI ultrapassam $785.000, com os Applied AI Engineers da Anthropic acima de $300.000 de salário base em níveis seniores e a compensação total regularmente ultrapassando $500.000.

Uma nota de planejamento que vale a pena ter cedo: a Anthropic normalmente não negocia ofertas.

04. Construa amplitude de engenharia

Esta é a parte contraintuitiva, e é onde engenheiros vindos de uma carreira especializada erram.

Os FDEs mais fortes não são os engenheiros mais profundos que sua empresa tem.

Eles são aqueles que conseguem manter seis domínios na cabeça ao mesmo tempo e alternar entre eles com baixo custo. Profundidade em uma área vale menos aqui do que ser genuinamente sólido em todas elas.

Concretamente, o mínimo é assim. Python e TypeScript cobrem a maior parte do terreno que você vai tocar. Uma nuvem - AWS, GCP ou Azure, escolha aquela que seus clientes-alvo realmente usam.

Um banco de dados que você conhece bem e pode depurar sob pressão, e um framework frontend com o qual você pode montar uma interface funcional rapidamente.

Isso é suficiente para começar. Você não precisa ser o melhor engenheiro da sala; você precisa ser a única pessoa na sala que consegue fazer tudo isso.

Duas camadas mais suaves importam tanto quanto as técnicas, e são elas que a entrevista realmente vai sondar.

Bom senso de produto, porque você é o PM na sala e ninguém mais decidirá o que construir versus o que simular.

E visão de negócios - alguém vai perguntar qual é o ROI disso, e eles precisarão da resposta para defender o projeto para a própria liderança.

Enquadrar seu trabalho em dólares e horas economizadas é uma habilidade real e aprendível que a maioria dos engenheiros nunca pratica.

05. Aprenda a implantar IA, não treiná-la

Aqui está o equívoco mais comum que separa os engenheiros deste emprego: eles assumem que precisam ser capazes de treinar modelos.

Você não precisa. Ninguém está pedindo a um FDE para ajustar nada. Você absolutamente precisa implantá-los - o que é um conjunto de habilidades completamente diferente e muito mais aprendível.

A camada nativa de IA é bem definida a esta altura. Boa engenharia de prompt. Fluência com as principais APIs de modelo.

• Padrões de RAG - e especificamente, saber quando a recuperação é a resposta errada.
• Saídas estruturadas, porque sistemas de produção precisam de formatos validados, não de prosa.
• Disciplina básica de avaliação (evals), que é a camada que separa as pessoas que fazem demonstrações das que implantam.

E pelo menos um framework de agentes no qual você realmente construiu algo.

Direcione sua preparação para avaliações e modos de falha, porque é disso que a implantação empresarial é realmente feita. Depurar alucinações, falhas de recuperação, chamadas de ferramentas ruins, fluxos de trabalho frágeis de múltiplas etapas.

Saber raciocinar sobre latência, custo, confiabilidade e segurança como trade-offs, não como caixas de seleção.

1# Avalie de 1 a 5. Qualquer coisa abaixo de 3 é seu próximo mês de trabalho.
2
3## Amplitude de engenharia          # sólido, não elite
4[ ] Python // backend, scripts, dados
5[ ] TypeScript // integrações + um frontend utilizável
6[ ] Uma nuvem, algo real implantado nela
7[ ] Um banco de dados, sabe depurá-lo sob pressão
8[ ] Consegue montar uma UI funcional em um dia
9
10## Nativo de IA                     # implante, não treine
11[ ] Engenharia de prompt além de tentativa e erro
12[ ] APIs de modelo: streaming, uso de ferramentas, orçamentos de tokens
13[ ] RAG // e saber quando a recuperação é a RESPOSTA ERRADA
14[ ] Saídas estruturadas + validação de esquema
15[ ] Avaliações (Evals) // a camada que separa demonstração de produção
16[ ] Um framework de agentes, algo realmente construído
17
18## A metade que ninguém pratica
19[ ] Conduziu um workshop com uma parte interessada não técnica
20[ ] Disse "não deveríamos construir isso" para um cliente pagante
21[ ] Expressou seu trabalho em dólares ou horas economizadas
22[ ] Aprendeu uma indústria desconhecida bem o suficiente para implantar nela
236
24Construa a stack

Qualquer um consegue fazer uma demonstração funcionar; o valor total de um FDE é ser a pessoa que sabe por que a demonstração não sobreviverá ao contato com uma empresa real, e o que fazer a respeito.

06. Construa os três artefatos que as empresas compram

É aqui que um roteiro genérico de "aprenda IA" para de ser útil e os detalhes começam a importar.

As próprias vagas de FDE da Anthropic descrevem as entregas claramente: você se integra a clientes estratégicos para construir aplicações de produção com Claude, e entrega servidores MCP, subagentes e habilidades de agente (agent skills).

Esses três artefatos são a unidade concreta de trabalho.

• Servidores MCP são a camada de integração - a coisa que conecta o Claude aos sistemas reais do cliente: seu sistema de tickets, seu armazém, sua API interna que não tem documentação e uma pessoa que a entende.
• Habilidades de agente (agent skills) codificam o fluxo de trabalho específico do cliente e o conhecimento institucional para que o Claude siga o processo deles, em vez de um genérico.
• Subagentes lidam com o trabalho que, de outra forma, explodiria uma janela de contexto em uma tarefa de longa duração.

Construa um de cada, contra um sistema real, e você terá algo que quase nenhum candidato tem: um portfólio exatamente dos artefatos que o trabalho produz.

1# O artefato que um FDE realmente entrega: Claude, conectado a um sistema
2# que ninguém projetou para ele. API legada, sem docs, um cara que a entende.
3
4from mcp.server.fastmcp import FastMCP
5
6mcp = FastMCP("warehouse-ops")
7
8@mcp.tool()
9def find_stalled_shipments(hours_stalled: int = 24) -> list[dict]:
10    """Remessas sem evento de digitalização em N horas. Use quando a operação
11    perguntar o que está travado, ou antes de uma revisão de escalação do cliente."""
12    # O trabalho real: o esquema legado deles, a peculiaridade de fuso horário,
13    # a coluna de exclusão lógica que ninguém documentou.
14    return query(STALLED_SQL, hours_stalled)
15
16@mcp.tool()
17def reroute(shipment_id: str, hub: str, reason: str) -> dict:
18    """Redirecionar uma remessa. Escreve uma linha de auditoria — compliance
19    exige uma string de motivo em toda intervenção manual."""
20    return post_with_audit(shipment_id, hub, reason)
21
22# Note o que torna isso um artefato de FDE e não uma demonstração:
23#   - os docstrings dizem QUANDO usar a ferramenta, não apenas o que ela faz
24#   - a linha de auditoria existe porque a equipe de compliance deles exige
25#   - as peculiaridades do esquema são tratadas aqui, não deixadas para o modelo

Um servidor MCP que encapsula uma API genuinamente bagunçada é um sinal de contratação mais forte do que qualquer certificado, porque prova aquilo que eles não podem testar de outra forma - que você pode tornar um modelo de fronteira útil dentro de um sistema que ninguém projetou para ele.

07. Domine o Claude Code como seu multiplicador

Lembre-se da terceira força do Passo 2 - a subestimada. As ferramentas de IA tornaram os FDEs dramaticamente mais produtivos, e isso é o que tornou a função economicamente viável em escala.

Um FDE forte agora faz o trabalho que levava uma equipe de três alguns anos atrás. Enviar um único humano para o local por seis semanas só se paga por causa desse multiplicador.

Portanto, as ferramentas não são um "bônus" além do trabalho; elas são estruturais para o caso de negócios da sua vaga.

Na prática, isso significa que fluência com Claude Code faz parte da stack de habilidades, não é algo adjacente.

Os pontos de alavancagem específicos se mapeiam diretamente para o trabalho de FDE: entrar rapidamente em uma base de código desconhecida ao chegar em um novo cliente, escrever a "cola" de integração que compõe a maior parte do seu trabalho, e delegar pesquisa a subagentes para que uma tarefa longa de implantação não desmorone sob seu próprio contexto.

Há também um motivo de sinal de contratação para ficar bom nisso, e é excepcionalmente direto. Na triagem de caso de uso técnico da Anthropic, você pode receber acesso ao Claude e ser solicitado a trabalhar no problema com ele - deliberadamente, porque espelha o trabalho real.

Como você direciona o modelo é parte do que está sendo avaliado. Praticar isso é preparar-se para a entrevista e fazer o trabalho ao mesmo tempo.

1› Use um subagente para mapear como os pedidos fluem da entrada até a
2  separação neste repositório. Preciso do modelo de dados, dos pontos de
3  integração e de qualquer lugar onde o estado pode ser escrito duas vezes.
4  Escreva em notes/orders.md.
5
6● Gerando subagente de pesquisa · janela de contexto separada
7● Leu 23 arquivos · 41,2k tokens — nada disso na sua janela
8
9✓  Resumo de 680 tokens retornado → notes/orders.md
10  Descoberto: a entrada escreve em `orders` E `legacy_orders`.
11  Job de reconciliação é executado à noite. Qualquer coisa que falhe
12  entre 18:00 e o job das 02:00 fica invisível para a operação.
13
14 › Essa lacuna é a reclamação real do cliente. Crie o esboço da ferramenta MCP
15   que traz esses pedidos em trânsito à tona, e então vamos apresentar para a operação.
16   dia 2. O fornecedor anterior levou seis semanas para encontrar isso.

08. Entregue uma implantação real para um usuário real

Toda vaga de FDE seleciona pela mesma frase de alguma forma: entregou sistemas de IA em produção. Não estudou, não prototipou - entregou, para alguém que dependia disso.

Esse é o muro que a maioria dos candidatos enfrenta, e é a única coisa nesta lista que você não consegue superar apenas lendo.

Então, crie a experiência deliberadamente. Encontre um fluxo de trabalho real pertencente a alguém que não é você - uma pequena empresa, uma ONG, uma equipe dentro da sua empresa atual, o processo operacional de um amigo.

Sente-se com eles. Observe-os trabalhar. Construa a coisa que remove a pior parte da semana deles, implante-a onde eles realmente a usam, e então fique tempo suficiente para consertar o que quebrar.

Essa última parte não é opcional - o trabalho inteiro é o que acontece depois da demonstração.

Em seguida, escreva sobre isso da maneira que um FDE relata, porque o relato é metade do artefato. Não "construí um chatbot RAG com LangChain".

Em vez disso: quanto o fluxo de trabalho deles custava antes em horas, quais restrições você não pôde mudar, o que você deliberadamente escolheu não construir, o que quebrou na segunda semana e quanto custa agora.

1# Triagem de despacho para uma empresa de encanamento com 14 vans
2// Estruture isso como um post-mortem de FDE, não como um README de projeto.
3
4## O fluxo de trabalho antes
5O despachante gastava ~2,5h/dia lendo notas de serviço e redesignando vans.
6Duas pessoas pediram demissão por causa disso em um ano. Ninguém nunca tinha cronometrado.
7
8## Restrições que não pude mudar
9- Os dados de agendamento vivem em uma ferramenta hospedada com uma API somente leitura.
10- O despachante não usará um novo aplicativo. Tinha que funcionar por SMS.
11- O proprietário não aprovaria nada que tocasse nos dados de pagamento do cliente.
12
13## O que eu deliberadamente NÃO construí
14Reatribuição automática. Eles não confiavam e teriam desligado na primeira semana.
15Sugestão + aprovação com um toque.
16// Estar certo sobre isso importou mais do que a escolha do modelo.
17
18## O que quebrou na segunda semana
19As notas de serviço tinham apelidos inconsistentes para as vans ("azul grande" vs "V-3").
20Corrigido com uma tabela de apelidos que o próprio despachante edita.
21// Esta é a parte que separa o que foi entregue do que foi demonstrado.
22
23## Depois
24~40 min/dia. Funcionou por 5 meses. Ela ainda usa. O proprietário adicionou 2 vans.

Esse documento é sua entrevista. Todo gerente de contratação que o ler aprenderá mais sobre você do que qualquer linha de currículo poderia contar.

09. Aprenda descoberta de cliente (customer discovery)

Este é o passo para ler duas vezes. O ciclo de entrevista para Applied AI Engineer na Anthropic inclui uma rodada de conversa com o cliente, e ela carrega um peso oculto: elimina cerca de 60% dos candidatos que já passaram nas etapas de codificação.

Engenheiros fortes, eliminados na rodada para a qual não se prepararam. Enquanto isso, 73% dos FDEs de laboratórios de fronteira relatam que conduzir conversas de descoberta foi a habilidade para a qual estavam menos preparados vindos de uma formação tradicional em software.

O modo de falha é previsível e quase universal: o candidato ouve um problema do cliente e começa a resolvê-lo. Eles propõem uma arquitetura. Alguns abrem um editor.

• Os candidatos que avançam fazem o oposto - eles conduzem a rodada como uma entrevista de pesquisa. Eles perguntam sobre os critérios de avaliação atuais do comprador.
• Eles perguntam sobre implantações de IA anteriores que falharam, que é onde todas as restrições reais estão enterradas. Eles perguntam o que genuinamente não pode mudar: compliance, latência, residência de dados.
• Eles perguntam qual fluxo de trabalho específico isso substituiria e quem perde o trabalho se for bem-sucedido. Eles tomam notas. Eles refletem o que ouviram. Eles não escrevem código.

A Anthropic seleciona para isso explicitamente porque negócios empresariais com Claude não se fecham apenas com profundidade técnica. É uma habilidade aprendível - e você pode praticá-la nas mesmas sessões do Passo 8.

1# Conduza a rodada como um pesquisador. Resolver cedo demais é o sinal revelador.
2
3## Traga à tona as restrições reais
4- O que vocês já tentaram aqui, e por que parou?
5  // implantações falhas escondem toda restrição que importa
6- O que não pode mudar, não importa o que construamos?
7  // compliance, latência, residência de dados, o contrato sindical
8- Quem precisa aprovar isso, e ao que eles vão se opor?
9
10## Encontre o fluxo de trabalho real
11- Me conte a última vez que isso deu errado.
12- Quem faz isso hoje, e quanto custa para eles por semana?
13- O que acontece a jusante se errarmos às 3 da manhã?
14
15## Defina "bom o suficiente" — o deles, não o seu
16- Qual precisão faria você desligar isso?
17- Como você saberá em 90 dias se isso funcionou?
18- O que a pessoa que faz isso hoje fará em vez disso, depois?
19
20## Feche o ciclo
21- Reflita o que você ouviu. Peça correção.
22- Diga o que você NÃO construiria, e por quê.
23// Dizer "não deveríamos construir isso" é um sinal de senioridade, não uma esquiva.

Toda vez que você se senta com a pessoa cujo fluxo de trabalho está consertando, você está ensaiando esta rodada.

10. Execute o ciclo de entrevista

O ciclo é excepcionalmente consistente entre as principais empresas, e é construído para filtrar em ambas as direções ao mesmo tempo - contra engenheiros puramente algorítmicos que não sabem se comunicar, e contra consultores fluentes que não sabem codificar.

Espere aproximadamente cinco etapas:

• Uma triagem do recrutador sobre motivação, histórico e adequação de nível.
• Uma triagem de caso de uso técnico - na Anthropic, um cenário prático em torno da implantação de Claude com ferramentas MCP, onde você planeja e executa uma tarefa de longa duração e raciocina sobre confiabilidade, gerenciamento de janela de contexto e consistência em produção.
• Uma rodada de codificação que é prática, não LeetCode: um limitador de taxa, processamento de dados em streaming, uma fila de jobs distribuída, um alocador de orçamento de tokens, um orquestrador de uso de ferramentas estruturado - frequentemente com novas restrições do cliente adicionadas no meio do exercício para ver se você refatora de forma limpa.
• Uma rodada com o gerente de contratação sobre projetos anteriores e raciocínio com o cliente. Em seguida, um painel final sobre design de soluções e valores.
• Duas notas de preparação que as pessoas ignoram.
• O alinhamento com a missão é levado a sério na Anthropic - leia as Visões Centrais sobre Segurança de IA (Core Views on AI Safety), a Política de Escalonamento Responsável (Responsible Scaling Policy) e trabalhos recentes de interpretabilidade antes de se candidatar; entusiasmo genérico não passa.

E suas vagas pedem "julgamento calibrado sobre riscos do modelo", que é o item que elimina silenciosamente candidatos de outra forma fortes. Ser capaz de dizer claramente onde você não implantaria um modelo, e por quê, faz parte do nível exigido.

Seis pontos de partida - encontre o seu

• Adicione a camada de IA, mantenha o rigor. Seus instintos de produção são a metade escassa - a maioria dos candidatos nativos de IA nunca operou nada real. Adicione engenharia de prompt, APIs de modelo, saídas estruturadas e avaliações (evals), então entregue um servidor MCP contra um sistema interno bagunçado.
• Pare de treinar, comece a implantar. Você é superqualificado em modelagem e subqualificado em todo o resto. O trabalho é integração, restrições e partes interessadas. Construa deliberadamente algo chato que sobreviva a uma revisão de compliance e a uma transferência para a equipe de operações.
• Vá para onde as implantações estão. As vagas de FDE em laboratórios de fronteira raramente são de nível básico. Mire um anel para fora - as startups e consultorias que implantam IA em empresas - onde você fará o mesmo trabalho com menos barreiras, e então subirá em dois anos.
• Feche a lacuna de codificação, rápido. Você já tem a metade que elimina 60% dos candidatos. Agora passe pela rodada de codificação: exercícios práticos, não LeetCode - limitadores de taxa, streaming, filas de jobs, orquestradores de uso de ferramentas, escritos de forma limpa sob restrições variáveis.
• Prove que você pode realmente construir. Descoberta e gestão de partes interessadas já são suas. O ciclo é explicitamente projetado para filtrar faladores fluentes que não sabem codificar - então toda a sua preparação é um sistema entregue, mantido e documentado publicamente.
• Você pode já estar fazendo este trabalho. Engenheiros de plataforma interna que trabalham com unidades de negócio estão executando o movimento de FDE sob um título diferente. Reescreva sua experiência na linguagem da função - fluxos de trabalho alterados, horas economizadas, restrições navegadas - e você é um candidato viável hoje.

Conclusão:

O que era escasso nunca foi o modelo. É a pessoa que consegue implementá-lo.

A capacidade deixou de ser o gargalo em algum ponto nos últimos dois anos.

O que é escasso agora é o engenheiro que pode entrar em uma empresa com sistemas legados, um departamento de compliance e uma equipe de operações cética - e sair seis semanas depois com algo que realmente funciona.

Essa é uma combinação estranha de habilidades, que é exatamente por isso que paga tão bem. Amplitude de engenharia em vez de profundidade. Julgamento sem um PM em quem se apoiar. A paciência de sentar na realidade bagunçada de outra pessoa por tempo suficiente para entendê-la antes de escrever uma linha de código.

A maioria dos engenheiros continuará otimizando para as funções que existiam em 2020. Aqueles que aprenderem a implantar serão donos da década - porque todo modelo que for lançado daqui em diante ainda terá que sobreviver ao contato com uma empresa real.