A Anthropic gasta US$ 100 milhões para treinar engenheiros dos outros. O motivo está na sua empresa

Em 2 de outubro de 2026, a Anthropic anunciou o Claude Frontier Academy: US$ 100 milhões para formar 10 mil engenheiros que passam meses dentro de uma empresa, junto com as equipes dela, para transformar um projeto de IA em um sistema funcionando no dia a dia, até o fim de 2027 (no mercado, o cargo se chama forward deployed engineer, ou FDE). A leitura corrente é de falta de gente: há poucos engenheiros que sabem implantar IA, então o fornecedor forma mais. O detalhe que quase ninguém comenta está no desenho do programa. Quem escolhe os participantes são as empresas, que indicam os próprios engenheiros, cada um com um projeto na mão. A Anthropic ensina IA a quem já conhece a operação, em vez de ensinar a operação a quem já conhece IA. ^{[1] afirmação da fonte original}

O programa tem duas etapas. Na primeira, alguns dias de curso presencial com engenheiros da Anthropic e instrutores licenciados: os participantes passam por uma implantação simulada, “do caso de uso certo à revisão de segurança e à entrega” (a passagem do sistema pronto para quem vai operá-lo), e terminam com uma prova prática em um cenário novo. Quem passa entra na segunda etapa, uma residência de 12 semanas em que lidera um caso real na própria empresa, apoiado por engenheiros da Anthropic, e é avaliado de novo no fim. Os primeiros certificados saem no início de 2027. A participação é por indicação: as organizações indicam os seus melhores engenheiros, “cada um chegando com um projeto Claude nomeado para liderar quando voltar” (tradução nossa). O perfil pedido é de engenheiro com histórico de construir software com modelos de linguagem, mas a experiência prévia com agentes de IA não é exigida. As primeiras turmas, em San Francisco, Nova York e Londres, reúnem Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley e Novo Nordisk. ^{[1] afirmação da fonte original}

A Anthropic descreve o problema com as próprias palavras: dentro das empresas com que trabalha, “um pequeno grupo de pessoas muito qualificadas responde por uma parcela desproporcional do que a IA entrega”, e quem sabe fazer isso funcionar dentro de um negócio real virou o talento mais difícil de encontrar (tradução nossa). Um executivo da empresa diz que o que transforma uma companhia é um grupo pequeno com as habilidades certas, acesso ao Claude e “um entendimento profundo de como o negócio funciona”. ^{[1] afirmação da fonte original}

A Anthropic não está sozinha. Segundo o The Register (3 de outubro), o cargo nasceu na Palantir, onde o diretor de tecnologia, Shyam Sankar, diz tê-lo batizado em 2007 e escreve que os investidores achavam a ideia ruim porque os custos desses engenheiros comiam a margem da empresa. Em junho, a AWS anunciou uma organização dedicada a esses engenheiros, com US$ 1 bilhão, e em julho a Microsoft anunciou uma unidade, a Frontier Company, de US$ 2,5 bilhões. ^{[3] afirmação da fonte original} A Business Insider, citando análise da Draup, registra que as vagas desse tipo em cinco grandes consultorias subiram para 1.404 no ano até maio, enquanto o total de vagas em sete consultorias caiu cerca de 24%. ^{[2] afirmação da fonte original}

Meta do programa

10.000

Engenheiros que a Anthropic quer formar até o fim de 2027, com compromisso de US$ 100 milhões. É meta, não resultado: os primeiros certificados saem no início de 2027. A divisão (cerca de US$ 10 mil por pessoa) é conta nossa e não é preço: a fonte não diz o que o valor cobre nem quanto custa participar.

Certificações já emitidas

175.000

Certificações Claude obtidas por profissionais de 46 mil empresas da rede de parceiros, segundo a Anthropic. É uma contagem de certificações, não de pessoas, e mede conhecer a ferramenta, não liderar um projeto em produção.

Residência

12 semanas

Tempo em que cada engenheiro lidera um caso real na própria empresa, depois do curso presencial. Na leitura da Invisible Work, é o trecho em que o conhecimento da operação mais pesa.

Quem lê a notícia como falta de talento adota uma premissa: a habilidade que falta é genérica, o mesmo conhecimento de IA serve em qualquer empresa, e portanto pode ser concentrado em especialistas e alugado. Foi o que a Palantir fez desde 2007, e é o que AWS e Microsoft fazem agora com engenheiros próprios que vão ao cliente. ^{[3] afirmação da fonte original} Sob essa premissa, o caminho lógico é formar o máximo de especialistas e distribuí-los.

O desenho do Claude Frontier Academy segue o caminho inverso. O participante não é um especialista da Anthropic que aprende o seu negócio: é alguém da casa, que conhece o negócio e aprende IA. O perfil pedido inclui “o hábito de enfrentar os problemas mais importantes do negócio” e dispensa a experiência prévia com agentes (tradução nossa). ^{[1] afirmação da fonte original} Quando um fornecedor aceita quem ainda não construiu agentes, desde que seja um bom engenheiro que conhece os problemas da empresa, sugere qual das duas coisas é mais difícil de produzir.

Sankar, da Palantir, usa uma imagem parecida ao explicar por que mantém engenheiros dentro dos clientes: o objetivo é que o software resolva o problema do cliente “e não um substituto dele”. ^{[3] afirmação da fonte original} Quem olha a operação de fora enxerga um substituto do problema: o fluxo que está no manual, não o que acontece na prática. O custo disso aparece na margem (os investidores da Palantir reclamavam) e, segundo Jay McBain, analista-chefe da Omdia, num movimento que a consultoria prevê para 2031: os fornecedores não querem um negócio de serviços de baixo valor dentro da receita, e esse investimento tende a voltar para os parceiros que já prestam serviço ao cliente. ^{[3] afirmação da fonte original} É uma previsão de analista, não um fato.

Comece pelo mais simples. Para resolver um problema, é preciso juntar num mesmo lugar duas coisas: a capacidade de resolvê-lo e a informação de que ele depende. Se a informação circula de graça, tanto faz onde o trabalho acontece. Se ela é cara de mover, o trabalho vai até ela. Foi o que o economista Eric von Hippel, do MIT, formalizou em 1994: a informação “aderente” é a que custa caro para ser adquirida, transferida e usada em outro lugar, e, quando a informação de que os solucionadores precisam está em um só lugar, “o trabalho de resolver o problema será feito nesse lugar, mantidas as demais condições” (tradução nossa). ^{[4] afirmação da fonte original}

O mesmo artigo traz uma segunda conclusão que importa aqui. Quando a informação de um lado será chamada n vezes no futuro (o fabricante que resolve o problema de n clientes) e a de cada cliente interessa uma só vez, o incentivo total para tornar a primeira transferível é n vezes maior do que o de um cliente isolado para tornar a sua. ^{[4] afirmação da fonte original} Aplicado à IA, o raciocínio é direto. O conhecimento sobre como usar o modelo serve a todos os clientes: a Anthropic tem n vezes o incentivo para empacotá-lo, e já empacotou (175 mil certificações e quase 4 mil pessoas que concluíram um programa de imersão). ^{[1] afirmação da fonte original} O conhecimento sobre como a sua empresa decide, onde estão as exceções e quem assina o quê serve a um projeto de cada vez, e quem o usa é você. Ninguém tem motivo para escrevê-lo para fora. Ele fica onde está.

1. 1

   O que é barato de mover se move

   O método de IA vale para todos os clientes, por isso compensa empacotá-lo em curso, certificação e residência. Na própria escala da Anthropic, há cerca de 17,5 certificações emitidas para cada engenheiro que ela quer formar até 2027 (conta nossa, de unidades diferentes: certificações não são pessoas e a meta ainda não foi cumprida). Conhecer a ferramenta é a parte abundante.

2. 2

   O que é caro de mover fica onde está

   O jeito como a sua empresa realmente funciona (a exceção que todo mundo conhece e ninguém escreveu, o cliente que não segue o fluxo, a aprovação que acontece por mensagem) só serve a quem está dentro, uma vez por projeto. Escrevê-lo custa tempo de quem sabe, e esse custo não tem comprador.

3. 3

   A solução vai para onde a informação está

   Se a informação não sai, o trabalho entra: ou a sua equipe faz, ou alguém de fora passa a trabalhar dentro e aprende a operação aos poucos. Foi a conta que Palantir, AWS e Microsoft escolheram pagar com engenheiros próprios. A Anthropic escolheu pagar treinando os seus.

4. 4

   Aprender a sua operação tem um custo, e alguém paga

   A IA não eliminou esse custo, só mudou o modo de pagá-lo: em margem do fornecedor (o engenheiro dele aprende com você), em tempo do seu melhor engenheiro (as 12 semanas) ou em um documento que a sua empresa nunca escreveu. O que existe é a escolha de quem paga e em que moeda.

Se o gargalo é a informação sobre a operação, e não a habilidade geral de IA, três coisas mudam. São hipóteses da Invisible Work, derivadas do raciocínio acima, e não resultados medidos.

1. 01

   O recurso escasso é a pessoa que sabe como a operação roda

   O programa pede o melhor engenheiro de cada empresa por 12 semanas. É a mesma pessoa de quem o restante da empresa já depende. Hipótese: o custo de um projeto de IA inclui o que essa pessoa deixa de fazer enquanto ensina o projeto a funcionar, e essa conta quase nunca aparece no orçamento do projeto, porque ninguém registra o tempo de quem explica.

2. 02

   Quem aprende a sua operação durante o projeto leva o aprendizado embora, a menos que fique registrado

   O The Register relata que Gartner e Forrester alertam para dependência do fornecedor: a Gartner fala em equipe interna que vira “operadora de uma caixa-preta” e a Forrester, em soluções sob medida que tornam a mudança futura cara. Ambas são avisos de analistas, não medições. Hipótese: tudo o que um engenheiro externo aprende sobre a sua operação foi informação que a sua empresa pagou para desengessar, e só continua dela se estiver escrita e acessível quando o contrato terminar.

3. 03

   A sua informação passa a valer n vezes quando a empresa faz mais de um projeto

   A lógica de Von Hippel dá o incentivo de escrever ao dono da informação que será usada muitas vezes. Para a sua empresa, um único piloto não justifica registrar o processo. Vinte projetos, cada um com um fornecedor, um engenheiro novo e uma entrevista com as mesmas três pessoas, justificam. Hipótese (extensão nossa): quanto mais projetos de IA a empresa roda sobre o mesmo processo, mais barato fica escrever o que se sabe dele uma vez.

O método abaixo é da Invisible Work e cabe numa conversa de uma hora com o dono do processo, a área de tecnologia e finanças, antes de aprovar o próximo projeto de IA.

1. 01

   Onde está a informação de que o projeto depende?

   Liste as decisões, as exceções e as aprovações do processo que o projeto precisa conhecer, e escreva ao lado de cada uma o nome de quem as conhece. Onde o nome for um só, esse é o ponto mais frágil do projeto, e a pessoa não costuma estar no cronograma.

2. 02

   Quanto custa tirá-la de lá?

   Estime as horas por semana que essas pessoas vão dedicar, e o que deixam de fazer nesse tempo. É o custo que o programa da Anthropic torna visível (12 semanas de um engenheiro) e que a maioria dos projetos não contabiliza.

3. 03

   Quantas vezes ela será usada?

   Conte os projetos, os fornecedores e as pessoas novas que vão precisar da mesma informação nos próximos 12 meses. Se for uma vez, explicar em reunião basta. Se forem várias, escrever uma vez custa menos que explicar sempre.

4. 04

   Quem fica com o que foi aprendido no fim?

   Defina antes de começar onde o aprendizado será registrado, quem da casa o domina e o que acontece com o acesso quando o contrato terminar. Se a resposta for “o fornecedor sabe”, a empresa pagou para treinar o fornecedor.

A fonte principal é o anúncio de um programa feito pela própria Anthropic, uma parte interessada: as falas dos parceiros no anúncio são também de quem participa do programa. O programa tinha três dias quando este texto foi escrito, não há resultado nenhum, e o anúncio não informa quanto custa participar, quem paga o tempo dos engenheiros, nem se a credencial é útil fora do Claude. Os números de AWS (US$ 1 bilhão) e Microsoft (US$ 2,5 bilhões), as ressalvas de Gartner e Forrester e a previsão da Omdia vêm do The Register: os relatórios originais não foram abertos e os anúncios das duas empresas não foram conferidos. O número da Draup vem da Business Insider e compara conjuntos diferentes de consultorias (cinco e sete), em vagas abertas, não em pessoas contratadas. A divisão de US$ 100 milhões por 10 mil e a razão de 175 mil por 10 mil são contas nossas, não preço e não taxa de conversão. O argumento de Von Hippel é de 1994 e não trata de IA. Não há dado aqui sobre empresas brasileiras. A leitura de que o desenho do programa reflete a lógica da informação aderente, as três consequências e o método de quatro perguntas são hipóteses da Invisible Work.

Seis perguntas para quem responde por resultado, por orçamento ou por operação.