Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.

Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy. 

Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.

Estamos em busca de um AI Data Engineer Pl para se juntar a um time de dados que opera com inteligência artificial de forma nativa. A pessoa combina sólida engenharia de dados, modelagem, camadas analíticas, governança — com o uso de IA como parte central do fluxo de trabalho, não como apoio pontual.

Missão
Transformar dados brutos em produtos de dados confiáveis, documentados e reutilizáveis, garantindo uma fonte única e consistente de informação para o negócio, operando o ciclo de desenvolvimento de forma assistida por IA, com qualidade e segurança em produção.

Responsabilidades Principais
- Desenvolver transformações e modelos analíticos em Azure Databricks, ADF, Fabric e Power BI.
- Construir e manter camadas analíticas (Bronze, Silver, Gold) e Modelos Semânticos orientados ao negócio.
- Traduzir regras de negócio em modelos de dados escaláveis; definir, documentar e padronizar métricas corporativas.
- Garantir qualidade, testes e observabilidade dos dados.
- Apoiar a construção de datasets para Analytics e Agents.
- Operar o SDLC com IA: codagen, testes, refactor e debugging assistidos.
- Estruturar especificações que alimentam a IA (spec-driven development) e manter controle de qualidade sobre os outputs.
- Construir e orquestrar agentes (multi-step, tool usage, planning + execution) integrados a repos, pipelines e APIs.
- Promover boas práticas de modelagem, governança e documentação.

Conhecimentos Necessários — Dados
- SQL avançado
- Modelagem de dados, Data Warehousing / Lakehouse
- Databricks e Python
- Boas práticas de qualidade, governança e documentação
- Versionamento / GitHub

Conhecimentos Necessários — IA & SDLC
- Spec-driven development (especificação como input primário da IA)
- Domínio sólido de SDLC (design → build → test → deploy → operate)
- Uso avançado de IA no desenvolvimento (codegen, testes, refactor, debugging)
- Construção de agentes (multi-step, tool usage, planning + execution)
- Criação de skills reutilizáveis e composição de capacidades
- Integração via MCP (Model Context Protocol) ou equivalente
- Criação de slash-commands / interfaces operacionais baseadas em prompt estruturado
- Orquestração de workflows (multi-agente ou humano + agente)
- Integração com ferramentas (Git, CI/CD, issue tracking, observabilidade)
- Avaliação crítica de outputs de IA (qualidade, segurança, consistência)