Plano de aprendizagem de IA em 30 dias

Antes de começar: resultado, tempo e regras

Escolha um resultado observável: automatizar uma rotina autorizada, criar assistente sobre documentos públicos, analisar dados abertos, desenhar experiência de IA ou elaborar política de uso. O projeto deve caber em duas semanas e não depender de dados confidenciais.

Reserve um horário sustentável. Quarenta e cinco minutos permitem 10 de conceito, 25 de prática e 10 de registro; com 90 minutos, aprofunde exercício. Se perder um dia, continue sem duplicar carga. Consistência é mais útil que maratona.

Defina regras: não enviar dados pessoais ou segredos a ferramentas públicas, verificar afirmações importantes, citar fontes, marcar conteúdo assistido quando necessário e não executar código desconhecido. Use conta e serviço autorizados.

Crie um diário com data, objetivo, experimento, resultado, erro, evidência e próximo passo. Guarde versões de prompts e arquivos. Esse material alimentará seu portfólio e mostrará progresso real.

Escolha sua trilha sem perder a base comum

Todos estudam conceitos, prompts, avaliação, privacidade e projeto. A prática muda conforme objetivo. A trilha de usuário avançado foca produtividade e verificação; automação integra fluxos; dados trabalha análise e modelos; produto/design investiga experiência; governança cria controles.

Use vagas reais ou necessidades do trabalho para escolher. Não selecione linguagem ou ferramenta apenas por popularidade. Se deseja engenharia, inclua Python, Git, API e testes; se deseja gestão, inclua processo, métrica, risco e adoção.

Conhecimento de domínio é parte do plano. Reserve tempo para entender regras, usuários, casos difíceis e qualidade da sua área. Um generalista de ferramenta sem contexto produz demonstrações frágeis.

Método de estudo, ambiente e evidências de aprendizagem

Organize cada sessão em quatro blocos: recuperar da memória o conteúdo anterior, estudar um conceito, aplicá-lo em um exercício e registrar evidências. Em 45 minutos, use aproximadamente 5, 12, 23 e 5 minutos; em 90 minutos, dobre a prática e reserve tempo para leitura de fonte primária. A prática deve ocupar mais tempo que o consumo passivo.

Escolha uma ferramenta principal de conversação, um editor de texto ou código, uma planilha e uma pasta versionada. Quem seguir a trilha técnica também deve preparar Python, Git e um ambiente isolado. Não é necessário assinar muitos serviços: conceitos, casos de teste e qualidade transferem-se entre ferramentas.

Crie uma pasta para o ciclo com diário, glossário, prompts, casos de teste, resultados, projeto e portfólio. Nomeie versões e preserve exemplos que falharam. Evidência profissional inclui decisões e erros corrigidos, não apenas a saída mais bonita.

No início de cada semana, defina o resultado esperado; no fim, faça uma demonstração curta e uma autoavaliação. Use a rubrica: reconheço, explico, aplico com apoio, aplico sozinho e avalio criticamente. Só avance marcando lacunas que precisarão de revisão.

Semana 1 — fundamentos e letramento: dias 1 a 7

A primeira semana constrói vocabulário e pensamento crítico. Evite mergulhar em fórmulas ou ferramentas demais. Ao final, você deve explicar o que o sistema faz, distinguir tipos de aprendizagem e reconhecer limitações.

Use fontes introdutórias oficiais e escreva um resumo próprio. Compare explicação com exemplo concreto do seu setor. Toda vez que encontrar um termo, registre definição, exemplo e um limite.

1. Dia 1 — objetivo e diagnóstico. Estudo: leia a visão geral do plano e diferencie aprender uma ferramenta de desenvolver uma competência. Prática: escolha a trilha, descreva uma necessidade real e avalie de 0 a 4 seus conhecimentos de conceitos, dados, prompts, avaliação, segurança e construção. Entregável: contrato de aprendizagem de uma página com objetivo, horário, projeto, regras e indicador de sucesso. Critério: a meta deve caber em 30 dias e produzir uma evidência observável.
2. Dia 2 — mapa da inteligência artificial. Estudo: diferencie IA, machine learning, deep learning, IA generativa e automação baseada em regras; reconheça classificação, previsão, recomendação, geração e otimização. Prática: classifique dez aplicações do cotidiano e justifique onde há ou não IA. Entregável: mapa conceitual com definição, exemplo e limite de cada termo. Critério: explicar o mapa em cinco minutos sem confundir modelo, produto e automação.
3. Dia 3 — como modelos aprendem e falham. Estudo: dados, atributos, rótulos, parâmetros, treino, validação, teste, inferência, overfitting e generalização. Prática: simule um classificador simples em uma planilha ou percorra um exemplo visual de treinamento. Entregável: narrativa do dado bruto à decisão, incluindo onde pode surgir erro. Critério: distinguir desempenho no treino de desempenho em casos novos.
4. Dia 4 — modelos generativos e linguagem. Estudo: tokens, janela de contexto, probabilidade, embeddings, temperatura e multimodalidade. Prática: repita uma tarefa variando contexto, instrução e aleatoriedade; observe estabilidade e invenções. Entregável: quadro com cinco capacidades, cinco limites e três situações em que o modelo deve admitir incerteza. Critério: não tratar fluência como compreensão ou verdade.
5. Dia 5 — dados, qualidade e representatividade. Estudo: origem, licença, consentimento, valores ausentes, duplicidade, rótulo, desequilíbrio, viés de seleção e vazamento. Prática: inspecione um conjunto público ou sintético e formule dez perguntas de qualidade. Entregável: ficha de dados com finalidade, população, campos, limitações e uso permitido. Critério: identificar ao menos três riscos capazes de invalidar a conclusão.
6. Dia 6 — risco, ética e responsabilidade. Estudo: privacidade, LGPD, viés, segurança, autoria, transparência, impacto, contestação e supervisão humana. Prática: liste pessoas afetadas, possíveis danos, gravidade, probabilidade e controles do projeto. Entregável: matriz de risco com responsável e risco residual. Critério: explicar por que “há um humano” não é controle suficiente sem tempo, autoridade e informação.
7. Dia 7 — revisão ativa e definição do projeto. Estudo: nenhum conteúdo novo; recupere conceitos sem consultar notas. Prática: responda a dez perguntas, explique o mapa a outra pessoa e revise os erros da semana. Entregável: síntese de 500 a 800 palavras, diagnóstico comparativo e especificação inicial do projeto. Critério: explicar cada conceito com exemplo, contraexemplo e ligação com o projeto.

Exercício de revisão da primeira semana

Responda às perguntas abaixo antes de olhar notas. Depois marque confiança de 1 a 5 e confira em fonte confiável. Guarde respostas erradas: elas orientam revisão melhor que releitura passiva.

Faça uma apresentação de cinco minutos para alguém de outra área. Peça que explique o que entendeu. Se a pessoa repetir metáfora errada — como afirmar que o modelo “consulta a verdade” —, ajuste sua explicação.

• Qual diferença entre regra programada e modelo aprendido?
• Por que bom desempenho no treino não garante produção?
• O que é uma alucinação e como reduzir seu impacto?
• Por que dado público pode continuar sensível?
• Quando uma regra simples é melhor que IA?
• Como supervisão humana pode falhar?
• Qual é a decisão que seu projeto pretende melhorar?

Semana 2 — prompts, pesquisa e avaliação: dias 8 a 14

Agora você aprende a orientar modelos e medir resultados. O objetivo não é memorizar “prompt mágico”, mas transformar uma tarefa em instrução, contexto, critérios, exemplos e teste.

Escolha 15 a 25 casos representativos do projeto, incluindo fáceis, ambíguos, adversariais e fora de escopo. Eles serão seu conjunto de avaliação. Não ajuste apenas ao primeiro exemplo.

1. Dia 8 — anatomia de um bom prompt. Estudo: objetivo, público, contexto, instrução, restrições, formato e comportamento quando faltar evidência. Prática: aplique uma mesma tarefa a um prompt vago e a outro estruturado, mantendo o restante constante. Entregável: primeira versão do template do projeto e uma comparação comentada. Critério: outra pessoa deve conseguir executar a tarefa sem explicação adicional.
2. Dia 9 — exemplos, decomposição e iteração. Estudo: zero-shot, one-shot, few-shot, critérios exemplificados e divisão de tarefas complexas. Prática: crie três versões, alterando uma variável por vez, e registre qual erro cada mudança pretende corrigir. Entregável: histórico de versões com hipótese, resultado e decisão. Critério: justificar por evidência por que uma versão foi mantida.
3. Dia 10 — saídas estruturadas e validação. Estudo: tabelas, campos obrigatórios, JSON, tipos, enumerações, ausência e reparo de formato. Prática: peça uma saída estruturada e submeta respostas incompletas, contraditórias e fora do esquema. Entregável técnico: esquema e validador; não técnico: modelo de tabela e checklist de aceitação. Critério: saída inválida deve ser detectada, nunca aceita silenciosamente.
4. Dia 11 — pesquisa, verificação e citação. Estudo: busca, autoria, data, fonte primária, triangulação, evidência e diferença entre citação existente e referência inventada. Prática: investigue uma afirmação e confira manualmente cada link, número e trecho. Entregável: nota de pesquisa com três fontes primárias, afirmações apoiadas e incertezas. Critério: o leitor deve localizar a evidência sem depender da IA.
5. Dia 12 — contexto, busca e RAG. Estudo: ingestão, fragmentação, embeddings, busca lexical e vetorial, metadados, reranking, contexto e citação. Prática: faça uma recuperação manual com três documentos e responda usando apenas os trechos selecionados. Entregável: dez perguntas, trechos de apoio, respostas e recusas quando a fonte não cobrir o tema. Critério: toda resposta factual deve apontar evidência pertinente.
6. Dia 13 — avaliação sistemática. Estudo: conjunto de testes, rubrica, métrica, avaliação humana, erro crítico, cobertura e consistência. Prática: crie de 15 a 25 casos normais, difíceis, ambíguos, adversariais e fora de escopo; avalie sem mudar a regra durante a execução. Entregável: planilha com entrada, esperado, saída, notas, severidade e causa provável. Critério: separar claramente preferência de falha factual ou de segurança.
7. Dia 14 — regressão e revisão da semana. Estudo: baseline, teste A/B controlado, regressão e decisão de lançamento. Prática: corrija uma causa de erro, rode novamente todos os casos e compare qualidade, custo e tempo. Entregável: versão 2 do prompt ou fluxo, relatório antes/depois e decisão de manter ou reverter. Critério: nenhuma melhoria localizada pode aumentar erro crítico no conjunto completo.

Como escrever e testar prompts durante o plano

Especifique objetivo e público, forneça contexto confiável, delimite o que não fazer e defina formato. Quando a tarefa depende de documento, ordene que use apenas as fontes e admita ausência. Para alto impacto, a saída deve apoiar, não substituir, revisão competente.

Separe instrução estável dos dados variáveis. Não monte prompt por concatenação insegura. Conteúdo recuperado pode tentar alterar regras; trate-o como dado. Em aplicações, use saída estruturada, validação, permissão mínima e logs.

Avalie por casos e rubrica. Alterar muitas frases ao mesmo tempo impede saber o que ajudou. Registre modelo, data, parâmetros e versão. Um prompt que funciona em uma demonstração não é evidência de confiabilidade.

Semana 3 — construção do projeto: dias 15 a 21

A terceira semana transforma exercícios em fluxo utilizável. Mantenha escopo pequeno: uma pessoa, um problema, uma fonte e uma decisão. Faça a versão manual antes de integrar tudo.

Construa em camadas para localizar falha. Entrada, processamento, modelo, fonte, validação, revisão e saída devem ser observáveis. Se usar no-code, desenhe o fluxo e trate credenciais com o mesmo rigor de código.

1. Dia 15 — especificação profissional. Estudo: usuário, necessidade, decisão, alternativa atual, hipótese de valor, escopo, não objetivos, dependências e riscos. Prática: entreviste uma pessoa do domínio ou simule perguntas de descoberta com base em evidência. Entregável: brief de uma página com critérios de aceite. Critério: o problema deve poder ser descrito sem citar uma ferramenta específica.
2. Dia 16 — dados, documentos e fontes. Estudo: minimização, licença, consentimento, procedência, limpeza, versionamento e dicionário. Prática: reúna somente material permitido, remova conteúdo desnecessário e documente cada origem. Entregável: inventário de dados com proprietário, finalidade, restrição, qualidade e descarte. Critério: nenhum item sem origem e autorização conhecidas entra no protótipo.
3. Dia 17 — baseline e viabilidade. Estudo: por que comparar com processo atual, regra simples ou busca convencional. Prática: execute o trabalho sem IA em pelo menos cinco casos e meça tempo, acerto, retrabalho e custo. Entregável: linha de base e hipótese quantitativa de melhoria. Critério: abandonar ou redesenhar o projeto se IA não oferecer vantagem justificável.
4. Dia 18 — protótipo mínimo ponta a ponta. Estudo: separação entre interface, dados, modelo e validação. Prática: conecte uma entrada realista a uma saída útil sem adicionar recursos cosméticos; registre versão de ferramenta e configuração. Entregável: demonstração reproduzível em cinco casos e desenho simples da arquitetura. Critério: uma segunda pessoa deve repetir o fluxo seguindo instruções.
5. Dia 19 — validação, supervisão e fallback. Estudo: esquema, citação, limiar, regra de recusa, aprovação, exceção, rollback e alternativa manual. Prática: provoque ausência, formato inválido, baixa confiança e conflito de fontes. Entregável: fluxo de erro e recuperação com responsáveis. Critério: o sistema deve falhar de modo visível e encaminhar decisão quando necessário.
6. Dia 20 — segurança, privacidade e controle de custo. Estudo: credenciais, acesso mínimo, prompt injection, conteúdo malicioso, retenção, logs e limites de consumo. Prática: remova segredos, restrinja permissões e teste entradas adversariais, arquivos inesperados e volume excessivo. Entregável: modelo de ameaça, checklist executado e correções priorizadas. Critério: nenhuma operação externa sensível ocorre sem validação e confirmação apropriadas.
7. Dia 21 — teste com usuários e revisão semanal. Estudo: roteiro, observação, pergunta neutra, taxa de conclusão, erro e percepção de controle. Prática: acompanhe de três a cinco pessoas ou obtenha revisão de especialista de domínio; não explique durante a primeira tentativa. Entregável: síntese com evidências, problemas por severidade e três prioridades. Critério: diferenciar opinião isolada de padrão recorrente e não expor participantes.

Segurança prática no projeto

Use dados abertos, sintéticos ou autorizados. Dados anonimizados de verdade exigem análise; trocar nome por número é pseudonimização. Não publique credenciais, tokens, e-mails, prontuários, contratos, registros internos ou conversas de terceiros.

Para integrações, guarde segredo fora do código, limite escopo da chave, valide entrada e saída e registre ação. Um agente não deve ter acesso amplo ao e-mail, arquivos e pagamentos. Confirme operações externas e tenha limite de custo.

Faça modelo de ameaça simples: ativo, atacante ou erro, caminho, impacto e controle. Teste prompt injection, arquivo malicioso, dado fora de escopo, indisponibilidade e saída imprópria. Se o projeto não pode falhar com segurança, reduza sua autonomia.

• Ambiente e ferramenta autorizados.
• Dados mínimos e licença conhecida.
• Credenciais fora do repositório.
• Entrada e saída validadas.
• Acesso mínimo e confirmação humana.
• Logs sem conteúdo pessoal desnecessário.
• Fallback, rollback e limite de custo.
• Aviso claro de limites e canal de erro.

Semana 4 — qualidade, portfólio e carreira: dias 22 a 28

Na quarta semana, pare de adicionar recursos e fortaleça evidência. Execute o conjunto completo, investigue falhas, compare com baseline e melhore documentação. Um projeto pequeno e honesto é melhor que produto incompleto com muitas telas.

Peça feedback técnico, de domínio e de comunicação. Diferentes revisores encontram diferentes problemas. Não publique dados ou materiais de empresa sem autorização por escrito.

1. Dia 22 — avaliação completa. Estudo: qualidade média, cobertura, erro crítico, tempo, custo e comparação por segmento. Prática: congele a versão e rode o conjunto completo sem escolher apenas exemplos favoráveis. Entregável: relatório com método, resultados brutos, limites e comparação com baseline. Critério: toda conclusão deve corresponder a uma medição rastreável.
2. Dia 23 — análise de erro e melhoria. Estudo: taxonomia de falhas, causa raiz, severidade, frequência e priorização por risco. Prática: agrupe erros, selecione a causa de maior impacto, faça uma mudança e execute regressão. Entregável: mapa de erros e registro da correção. Critério: reduzir risco real, não apenas tornar uma demonstração mais atraente.
3. Dia 24 — robustez e red team. Estudo: teste adversarial, uso indevido previsível, abuso, injeção, conflito, indisponibilidade e limite operacional. Prática: crie casos que tentem desviar instruções, extrair dados, forçar afirmação sem fonte ou elevar custo. Entregável: relatório de testes, controles existentes e riscos residuais. Critério: documentar honestamente o que permanece sem solução.
4. Dia 25 — experiência, acessibilidade e confiança adequada. Estudo: linguagem clara, contraste, teclado, leitor de tela, feedback, correção, consentimento e explicação de limites. Prática: percorra o fluxo com tecnologias assistivas ou checklist WCAG e revise mensagens de erro. Entregável: lista priorizada e melhorias aplicadas. Critério: usuário deve saber o que a IA fez, como corrigir e quando procurar ajuda.
5. Dia 26 — documentação técnica e operacional. Estudo: README, arquitetura, configuração, dados, versão, testes, segurança, monitoramento, fallback e manutenção. Prática: peça a outra pessoa para instalar ou reproduzir o processo apenas com a documentação. Entregável: README ou manual completo, diagrama e guia de solução de problemas. Critério: nenhuma credencial ou dependência oculta.
6. Dia 27 — estudo de caso para portfólio. Estudo: narrativa problema–processo–decisão–evidência–limite–aprendizado. Prática: selecione imagens e métricas que possam ser publicadas, dê crédito e explique sua contribuição. Entregável: caso de duas a cinco páginas ou página web. Critério: separar resultado observado de projeção e evitar prometer impacto não medido.
7. Dia 28 — revisão externa e preparação profissional. Estudo: como solicitar feedback específico e responder perguntas sobre decisão técnica, risco e trade-off. Prática: apresente por dez minutos a alguém técnico, de domínio ou recrutamento e registre perguntas. Entregável: versão candidata a publicação, lista de correções e resposta ensaiada para entrevista. Critério: incorporar ao menos uma crítica relevante com justificativa.

Dia 29 — retrospectiva e publicação responsável

Compare a meta inicial com o resultado. Liste o que funciona, o que não funciona, evidência, risco residual e aprendizado. Refaça o diagnóstico do dia 1 e observe mudança com exemplos concretos.

Antes de publicar, remova segredo e metadados, confirme licença de dados, código, imagens e fontes, substitua informações reais por sintéticas e declare participação da IA. Teste instruções a partir de ambiente limpo.

Publique apenas se o projeto estiver compreensível sem sua presença. Inclua demonstração segura, repositório ou PDF conforme perfil. Se não puder abrir o trabalho, crie estudo sanitizado que preserve raciocínio sem revelar conteúdo.

Distribua o tempo do dia entre 20 minutos de retrospectiva, 20 de auditoria de publicação, 20 de correções e 15 de apresentação. O entregável é um pacote publicável com demonstração, documentação, resultados e limitações. O critério de conclusão é conseguir mostrar valor e risco com a mesma clareza.

1. Revisar objetivo, entregáveis e métricas.
2. Comparar baseline e solução com honestidade.
3. Documentar falhas e próximos passos.
4. Verificar privacidade, licença e segredo.
5. Pedir autorização quando houver vínculo profissional.
6. Publicar estudo de caso e solicitar feedback específico.

Dia 30 — transforme 30 dias em um plano de 90

Escolha uma competência de fundamento, uma de construção e uma de domínio. Use evidências do projeto e 20 vagas reais para priorizar. Defina resultado para cada mês, não apenas lista de cursos.

Mês 1 aprofunda lacuna e refatora o projeto; mês 2 adiciona novo projeto ou experiência colaborativa; mês 3 busca revisão, publicação, comunidade e candidaturas. Reserve uma semana de revisão e não persiga toda novidade.

Crie indicadores controláveis: horas de prática deliberada, casos de teste, revisões recebidas, projetos concluídos e candidaturas alinhadas. Vaga e salário não estão totalmente sob seu controle. Reavalie a cada 30 dias.

Explique sua nova competência em uma frase com evidência: “Consigo construir e avaliar um assistente sobre fontes autorizadas; no projeto X, alcancei Y nos casos definidos e documentei Z limites”. Essa formulação é mais confiável que “sou especialista em IA”.

Reserve o último dia para consolidar o diário, repetir o diagnóstico, escolher três lacunas e agendar o primeiro bloco do ciclo seguinte. O entregável é um plano de 90 dias com resultados mensais, carga semanal, recursos e forma de comprovação. O critério é que cada objetivo termine em um artefato ou desempenho observável.

Como saber se você realmente aprendeu

Aprender não é completar vídeo. Você deve explicar sem jargão, aplicar em caso novo, detectar erro, comparar alternativa e justificar decisão. Teste transferência mudando domínio ou dados, não repetindo tutorial.

Use uma rubrica de quatro níveis: reconheço; explico; aplico com apoio; aplico e avalio sozinho. Seja conservador. Peça a um profissional que revise artefato e raciocínio, não apenas aparência.

Mantenha lacunas visíveis. Um bom resultado de 30 dias é saber o que ainda não sabe e ter método para avançar. Especialização exige meses ou anos de prática, feedback e responsabilidade real.

Erros comuns que atrasam o aprendizado

Trocar de ferramenta diariamente cria familiaridade superficial. Escolha uma principal e aprenda conceitos transferíveis. Copiar código ou prompt sem explicar cada decisão impede depuração.

Cursos acumulados sem projeto geram ilusão de progresso. Alterne conceito e aplicação desde o primeiro dia. Não espere ideia perfeita: resolva problema pequeno e mensurável.

Publicar conteúdo inseguro, inflar métricas ou omitir limitações prejudica credibilidade. Portfólio é demonstração de julgamento. Mostre quando a IA não deve ser usada e o que faria com mais tempo.

Comparar seu primeiro mês com especialista distorce expectativa. Compare evidências consigo mesmo e busque feedback. Descanso também consolida aprendizagem.

• Consumir sem recuperar da memória.
• Aprender ferramentas sem fundamentos.
• Construir sem usuário ou decisão.
• Avaliar apenas exemplos favoráveis.
• Ignorar segurança até o final.
• Confundir certificado com competência.
• Prometer especialização em 30 dias.

Checklist final do ciclo

Use esta lista no dia 30. Itens ausentes não significam fracasso; transformam-se no primeiro backlog do próximo ciclo. Preserve seu diário e os resultados brutos para acompanhar evolução.

1. Consigo explicar IA, ML e IA generativa com limites.
2. Defino problema, usuário, decisão e alternativa sem IA.
3. Escrevo prompts claros e testo em casos fixos.
4. Verifico fonte, data e afirmação importante.
5. Reconheço dado pessoal, viés e risco de segurança.
6. Construí um projeto pequeno com baseline e fallback.
7. Avaliei qualidade, custo, erro crítico e segmentos.
8. Documentei arquitetura, uso, limites e participação da IA.
9. Recebi feedback e corrigi pelo menos uma falha relevante.
10. Tenho um plano de 90 dias conectado ao mercado e ao domínio.