O que fazem o Forward Deployed Engineer e o Applied AI Engineer
Li cinco anúncios abertos em setembro de 2026 na Palantir, na OpenAI e na Anthropic. Eles descrevem o mesmo arco, do problema em aberto até adoção em produção, e cobram dois entregáveis: o sistema do cliente e o que ele ensina de volta para o produto.
A Palantir descreve o dia do Forward Deployed AI Engineer como o de um CTO hands-on de startup de IA: time pequeno, projeto de alto risco, entrega do começo ao fim junto com o cliente.
A OpenAI escreve, na vaga de Applied AI Engineer, que sucesso é sistema em produção e adoção sustentada, e não atividade ou demonstração bem-sucedida.
A Anthropic coloca workshop técnico e code review com o time de engenharia do cliente na lista de responsabilidades.
Os três estão contratando para o mesmo trecho de trabalho: pegar um modelo que já funciona e fazer ele funcionar dentro do sistema de outra pessoa.
O trabalho desses cargos é levar o modelo da capacidade até a produção do cliente. E o entregável é duplo: o sistema que passa a rodar lá, e o que essa experiência devolve para o produto de quem vendeu o modelo.
Li cinco páginas de vaga em setembro de 2026, duas da Palantir, duas da OpenAI e uma da Anthropic. Elas dizem o que cada empresa anuncia, não o que acontece depois que a pessoa entra. Todo o resto deste post sai desses textos.
O arco começa antes de existir spec
Nenhum dos anúncios começa em requisito fechado.
A Palantir abre a vaga de Forward Deployed Software Engineer com perguntas do tipo “como prever e reduzir risco de incêndio numa rede elétrica” e “como analisar e adaptar uma cadeia de suprimentos global para entregar peças críticas no prazo”. O texto pede que o engenheiro fique com o problema até ele ser dele.
A OpenAI lista, no Forward Deployed Engineer, a sequência inteira sob o mesmo dono: discovery, escopo técnico, desenho de sistema, build e rollout em produção.
Na Applied AI Engineer, Enterprise, a cadeia aparece com os mesmos elos e um nome a mais no meio: seleção de caso de uso, arquitetura, prototipagem, avaliação, lançamento em produção e escala.
Na Anthropic, o engenheiro acompanha um portfólio de contas da descoberta técnica até o deploy, traduzindo requisito de negócio em solução técnica junto com o time de vendas e os Applied AI Architects.
O padrão é o mesmo nos quatro. A pessoa entra quando ainda não se sabe o que construir e sai quando aquilo está rodando com usuário em cima.
O que essas pessoas constroem
A vaga de Forward Deployed AI Engineer fala em construir workflows de LLM em escala e implantar a solução dentro da realidade da organização parceira. O anúncio de FDSE é mais concreto sobre o entorno: aplicações sob medida, workflows de LLM e soluções de produção desenhadas para a realidade daquele cliente, mais dados numa escala que quebra suposições.
A OpenAI detalha o que sai das mãos do Applied AI Engineer: protótipos, harness de avaliação, implementações de referência, integrações e aceleradores de produção. No FDE, a lista inclui sistemas full-stack e padrões codificados em ferramentas, playbooks ou blocos que outras pessoas reutilizam.
A Anthropic descreve pilotos customizados, protótipos e suítes de avaliação como a forma de influenciar a arquitetura e a estratégia de produto do cliente.
Repare no que aparece em todas as listas ao lado do código: avaliação. Não é um detalhe do final do projeto. Na OpenAI, ela está no meio da cadeia de entrega. Na Anthropic, é o artefato que sustenta a conversa de arquitetura.
O que se espera de quem ocupa a cadeira
Código na mão. A OpenAI pede que o FDE escreva e revise código de produção em front e back, e que contribua direto no código quando o progresso depender disso. No Applied AI, exige contribuição pessoal em código, arquitetura, avaliação, debug ou engenharia de produção, e diz explicitamente que gestão de programa ou de stakeholder não basta. A Palantir pede proficiência em linguagem nas duas vagas. A Anthropic pede Python ou TypeScript com aplicação em produção.
Avaliação como competência declarada. A OpenAI espera avaliar sistemas de IA de forma sistemática, com dados representativos, graders, sinais de produção e julgamento humano. A Anthropic pede experiência de produção com LLM incluindo frameworks de avaliação e análise de transcript. A Palantir lista Evaluation como primeiro item dos fundamentos de Machine Learning que cobra do Forward Deployed AI Engineer.
Tudo que cerca o modelo. A OpenAI enumera as decisões do cargo: comportamento do modelo, confiabilidade, latência, custo, segurança, governança e prontidão operacional. Para o ambiente enterprise, acrescenta integrações, observabilidade, privacidade e governança de dados. A Palantir cobra do FDSE prática de desenvolvimento seguro, com gestão de vulnerabilidade, controle de acesso e privacidade.
Conversa com a organização inteira. A Palantir descreve donos de relacionamento que vão do usuário no chão de fábrica ao executivo que decide. A OpenAI diz que o time trabalha com executivos, times de produto e engenharia, líderes de segurança e times de transformação. A Anthropic inclui workshops e code review com a engenharia do cliente, além de conferências, palestras e publicação de posts e white papers.
Ambiguidade como condição de trabalho. A Palantir pede agência, decisão com informação incompleta e disposição de não operar dentro dos limites atuais do produto. A OpenAI pede escopo e entrega em ambientes que mudam, e julgamento sob pressão.
Proximidade física ainda é parte do desenho. O FDSE da Palantir espera 25% a 50% de viagem, o Forward Deployed AI Engineer até 25%, o FDE da OpenAI até 50%. A Anthropic fala em viagem ocasional. A Applied AI Engineer da OpenAI não cita viagem e sim três dias de escritório por semana.
A barra de entrada varia bastante. O FDSE pede seis meses de experiência depois da graduação. A Anthropic pede quatro anos ou mais. O FDE da OpenAI pede cinco anos ou mais, com trabalho voltado a cliente.
O segundo entregável é o que explica o cargo na indústria
Quatro dos cinco anúncios pedem que a experiência de campo volte para dentro de casa.
A Palantir quer que o Forward Deployed AI Engineer devolva ao AIP o que aprendeu com o cliente. A OpenAI mede o FDE por feedback via eval que muda o roadmap de produto e de modelo, e descreve o time de Applied AI dizendo que transforma lição de deployment em produto melhor e em padrão reutilizável para outros clientes. A Anthropic pede que padrões comuns virem insight para Product e Engineering, e que o que se repete vire material interno ou público. O único que não menciona esse retorno é o FDSE, a única das cinco vagas sem IA no título.
Esse segundo entregável é a parte que eu acho mais interessante.
O texto da OpenAI para deployment enterprise diz onde mora a dificuldade: arquiteturas existentes, ambientes de dados diversos, requisitos de segurança e governança, múltiplos grupos de stakeholder e mudança organizacional. Nenhum desses itens é capacidade de modelo.
Quem vende modelo precisa de um instrumento para enxergar isso, e o instrumento é uma pessoa dentro do cliente, escrevendo código e eval, com canal aberto para o time de produto. É o que esses anúncios estão comprando.
Vale marcar o limite. Cinco páginas de vaga mostram o que a empresa quer atrair e como pretende medir. Elas não mostram quantas dessas contratações terminam em adoção, nem quanto do aprendizado de campo realmente muda um roadmap.
Onde isso encosta em quem não trabalha numa lab
Eu trabalho em Developer Experience, não num laboratório de modelo. Não tenho cliente externo para embarcar.
Mesmo assim a função aparece sem o título. Quando um squad quer colocar um agente num fluxo de verdade, alguém precisa sentar com o time dono do problema e entender o dado sujo, a permissão, o SLA e o que o usuário faz quando o modelo erra. Esse alguém precisa sair de lá com eval e com um padrão que o próximo squad consiga copiar.
Já escrevi sobre avaliar agente além do vibes check e sobre o peso do harness. Ver avaliação escrita como requisito de contratação, em quatro anúncios de três empresas diferentes, é o sinal mais claro que encontrei de que essa parte deixou de ser opcional.
O nome do cargo é decisão de cada empresa. A pergunta que dá para responder dentro do time é outra.
Quem, no seu time, responde pela adoção do agente três meses depois do go-live?
Fontes
Posts relacionados
Dissecando o hype das decisões tipadas: Jev, Laya ou classificador próprio
As tabelas colocam Jev e Laya como vencedores em recortes diferentes. A escolha depende de onde os rótulos são definidos e de quanto dado rotulado já existe.
Laya tem pesos abertos. A operação fica com você
Laya é um modelo de decisão não autorregressivo com pesos Apache 2.0. Ele troca a conveniência de uma API hospedada pelo controle de rodar, avaliar e especializar o modelo.
Jev garante o formato. Não garante a decisão
Jev troca geração de texto por decisões tipadas com probabilidades. A proposta funciona quando o espaço de resposta é fechado, a pergunta é estreita e o código continua no controle.