As finanças e a defesa têm os seus forward deployed engineers. Os media não. Eis o aspeto deste papel quando os seus dados correm a 25 imagens por segundo e as suas falhas acontecem no ar.
Nos últimos dezoito meses, o cargo que mais depressa cresceu no software foi um de que quase ninguém fora da IA empresarial tinha ouvido falar. Os anúncios de forward deployed engineer cresceram mais de 800% entre janeiro e setembro de 2025, e mais de 1.000% em termos homólogos até 2026. A OpenAI construiu um negócio inteiro em torno deste papel, apoiado por mais de quatro mil milhões de dólares. A Anthropic assinou uma joint venture de 1,5 mil milhões de dólares com a Blackstone e a Goldman Sachs cujo único propósito é colocar estes engenheiros dentro dos bancos.
A banca tem-nos. A defesa tem-nos. A saúde tem-nos. A radiodifusão e o streaming, um setor que passou todo o ano de 2026 a comprar IA agêntica na NAB e na IBC, em grande medida não.
O gráfico acima é um segmento de um fluxo HLS real, uma barra por fotograma. Os picos laranja altos são fotogramas-chave, e caem sobre as linhas tracejadas que marcam uma mudança de cena. Essa coincidência é todo o argumento deste artigo numa imagem: o codificador já tinha determinado onde o conteúdo muda, e escreveu a resposta no ficheiro. A maioria das cadeias de IA apontadas a vídeo ignora isso e paga a um modelo para o calcular outra vez.
Este artigo é uma tentativa de definir a profissão que falta, porque o trabalho já existe e quem o faz não tem um nome para lhe dar.
O que é realmente um forward deployed engineer
O modelo vem da Palantir, que o pratica há cerca de duas décadas. Um forward deployed engineer integra-se no cliente, trabalha dentro do ambiente dele e assume um sistema de ponta a ponta: definir o âmbito, escrever o código de produção e mantê-lo a funcionar depois de estar no ar.
Uma única frase separa este papel da consultoria:
Os consultores entregam relatórios. Os forward deployed engineers entregam um sistema a funcionar.
A razão pela qual este papel explodiu não é moda. O estudo GenAI Divide do MIT analisou 300 implementações públicas de IA, além de entrevistas e inquéritos, e concluiu que 95% dos projetos-piloto de IA empresarial não produziram qualquer efeito mensurável nos resultados. O número de manchete atraiu críticas metodológicas legítimas, e também não é a parte interessante. O interessante é onde se concentraram os fracassos. Não foi a qualidade dos modelos. Foi a integração: o trabalho ingrato de ligar um modelo capaz a um fluxo de trabalho real, a dados reais e a pessoas reais que têm de o usar numa terça-feira de manhã.
O mesmo estudo concluiu que as equipas externas especializadas tinham êxito em cerca de 67% dos casos, contra cerca de 33% nos desenvolvimentos internos. Não porque os externos tivessem melhores modelos. Porque já o tinham feito antes e sabiam onde parte.
Porque é que os media precisam da sua própria versão do papel
Todos os setores dizem que os seus dados são especiais. A maioria engana-se. Os media são uma das exceções, e as razões são estruturais e não culturais.
Um engenheiro de IA generalista passou a carreira com texto, tabelas e imagens isoladas. As três coisas são pequenas, endereçáveis e tolerantes. O vídeo não é nada disso. Chega a 25, 30, 50 ou 60 imagens por segundo, transporta o seu próprio relógio, está juridicamente onerado, está muitas vezes cifrado, e quando falha, falha diante de um público a uma hora conhecida.
Seguem-se nove coisas que um engenheiro de IA generalista nunca teve de aprender, e que decidem se um projeto de IA nos media chega a produção ou se junta aos 95%.
1. O vídeo não é uma janela de contexto. A engenharia é a redução
Um jogo de 90 minutos a 25 imagens por segundo dá 135.000 fotogramas. A 50 fps são 270.000. Não pode enviar isso a um modelo, e o remédio ingénuo, amostrar um fotograma em cada N, ou perde o momento que interessava ou custa mais do que o conteúdo rende.
O trabalho a sério consiste em decidir que fotogramas o modelo chega a ver, e o sinal mais barato para isso é um que já pagou. O seu codificador tomou uma decisão sobre cada fotograma quando comprimiu o ficheiro. A colocação dos fotogramas I marca as mudanças de cena. Os vetores de movimento descrevem o que se moveu. Os tipos de fotograma dizem-lhe onde está a complexidade. Investigação recente como o CodecSight formaliza isto: usar os sinais do codec para orientar aquilo que o modelo de visão observa, em vez de o voltar a deduzir com inferência cara.
É exatamente isso que o nosso Video Quality Analyzer gratuito torna visível. Lê os tipos de fotograma I, P e B, a reordenação de fotogramas, as sequências de fotogramas B e as decisões de macroblocos diretamente do fluxo de bits. Tudo o que está naquele gráfico foi calculado uma vez, pelo codificador, e a maioria das cadeias de IA deita isso fora.
Existe uma versão mais forte da mesma ideia. Adrian Roe, diretor executivo da id3as e motor do servidor de media em direto Norsk, descreveu três formas de construir um reenquadramento automático de 16:9 para 9:16: correr a deteção de objetos localmente, enviar os fotogramas para um modelo na nuvem, ou fazer ambas as coisas detetando objetos localmente e enviando ao modelo apenas as coordenadas obtidas em vez das imagens. A terceira opção corta o consumo de tokens em cerca de duas ordens de grandeza, e produz muitas vezes melhores resultados, porque o modelo deixa de raciocinar sobre uma massa de píxeis irrelevantes para a pergunta. Enviar menos não é aqui uma cedência. É a melhoria.
2. A resposta tem de cair no fotograma 4102, não perto dele
O timecode é a chave primária deste setor, e é um campo de minas. Drop frame contra non drop frame. 29,97 contra 30. Marcas temporais de apresentação contra marcas de descodificação. Relógio de parede contra relógio de media. EXT-X-PROGRAM-DATE-TIME e a questão de saber se alguém a montante o preencheu corretamente.
Um sistema de IA que informa que «o golo acontece por volta dos 42:17» não serve de nada ao montador que tem de cortar num fotograma. A IA generalista entrega aproximações. A difusão exige exatidão, e perceber porque é que essas duas coisas diferem é a maior parte do ofício. Se nunca teve de explicar a reordenação de fotogramas B a um cientista de dados, na mesma frase em que explica que o fotograma 4102 não é o 4102.º fotograma apresentado, ainda não fez este trabalho.
3. Onde o modelo corre é uma questão contratual, não uma preferência
Enviar um master anterior à emissão para uma API de terceiros pode violar um acordo de distribuição, quebrar um embargo ou infringir as condições de segurança de conteúdos que um estúdio lhe impôs. Os requisitos da TPN, da MovieLabs e da CDSA não são sugestões, e «usámos uma API na nuvem» não é uma defesa.
Há uma versão mais dura da mesma restrição. Não se pode descodificar um fluxo cifrado. Qualquer métrica de qualidade que precise dos píxeis reais fica fora de alcance no momento em que entra o DRM, o que elimina um bom número de arquiteturas antes da primeira linha de código. O nosso Stream Analyzer deteta o DRM e condiciona a ele todas as métricas baseadas em descodificação, porque apresentar com confiança um número que não poderia ter medido é pior do que não apresentar nenhum.
Saber o que não lhe é permitido observar é metade da conceção.
4. Aqui a qualidade tem um número, e alguém o assina
VMAF. PSNR. SSIM. EBU R 128 e ATSC A/85 para a sonoridade. A especificação de autoria HLS da Apple. Este setor decidiu há muito tempo que «parece bem» não chegava, e construiu medições em vez disso.
Um engenheiro que propõe uma escada de codificação inteligente guiada por IA sem anexar uma curva VMAF propôs algo que nenhum operador de televisão pode aprovar, por melhor que seja a ideia. O número não é burocracia. É a forma como uma pessoa põe o seu nome numa alteração que vai sair para milhões de aparelhos.
Eis o aspeto disto na prática. Este segmento mede 4,03 Mbps face a um pico declarado de 3,30 Mbps. Um leitor que confiou no manifesto ficou subdimensionado, e numa ligação limitada é exatamente assim que começa um rebuffering. Ninguém reparou porque a média parecia bem. As médias são o sítio onde este tipo de problema se esconde, e é por isso que o setor mede em vez de olhar.
5. A economia unitária é o piloto
Na maioria dos setores, a unidade de custo da IA é um pedido. Nos media é uma hora de conteúdo, e um arquivo conta-se em dezenas de milhares de horas.
É aqui que os projetos de IA nos media morrem de facto: não na precisão, na aritmética. Um custo por ativo que parece irrisório numa demonstração torna-se uma fatura de seis dígitos no momento em que o aponta à mediateca. O tempo real, como a legendagem em direto, exige latências abaixo dos cinco segundos em GPU sempre ligadas. A análise em lote de um arquivo pode correr de noite em capacidade de cálculo barata fora das horas de ponta. Decidir que partes de um fluxo de trabalho pertencem a cada categoria é a decisão de maior valor do projeto, e acontece antes de alguém escrever código.
A latência faz parte do mesmo orçamento. Uma ida e volta a um modelo na nuvem custa normalmente entre dois e dez segundos, o que serve para catalogar um arquivo de noite e desqualifica tudo o que tenha de acompanhar um acontecimento em direto. A regra que daí decorre é bem formulada por JP Saibene, diretor executivo da empresa de engenharia de media Qualabs: conceber de modo a que o caminho caro seja a exceção e não o predefinido. A difusão passou décadas num mundo em que um codificador regulado para 1080p produzia 1080p e a fatura era conhecida à partida. A inferência tarifada ao consumo retira essas duas certezas de uma vez, e uma demonstração à qual ninguém pôs uma quota é a forma como um único clipe acaba a custar cem dólares.
O streaming já fez uma versão desta aritmética, na distribuição. O número que ali contou nunca foi o custo de um fluxo numa demonstração, foi o tráfego de saída à escala, e as equipas que o modelaram à partida são as que preservaram as suas margens. A inferência é um cálculo diferente, mas é o mesmo hábito, e é esse hábito que decide se um projeto de IA nos media sobrevive ao contacto com o arquivo. O nosso CDN Cost Optimizer faz isso para o lado da distribuição.
6. Decidir o que interessa dentro do enquadramento
Reenquadrar de 16:9 para 9:16 para distribuição vertical soa a um simples corte. É um problema de saliência: que sujeito sustenta o plano, quando é que a atenção se desloca, e o que acontece quando duas pessoas falam em extremos opostos do quadro. É julgado fotograma a fotograma, por humanos, e é implacável.
Isto é IA a sério aplicada a píxeis e não a transcrições, e é um bom tema de entrevista precisamente porque toda a gente a subestima. A nossa ferramenta Vertical Reframe continua marcada como beta, e essa etiqueta não é modéstia. É um ponto de situação sobre o problema.
A razão merece ser explicitada, porque diz algo sobre o estado do campo. A ferramenta deixa-o escolher que modelo de visão faz o trabalho de olhar: Claude, Gemini, GPT, Grok, Llama, Qwen, Pixtral, um modelo local através do Ollama, ou o seu, se tiver um. Esse menu não é uma funcionalidade que tenhamos tido orgulho em acrescentar. Existe porque não há resposta assente sobre qual o modelo bom nisto. Modelos diferentes ganham em conteúdos diferentes, e os modos de falha variam mais do que qualquer benchmark sugere, por isso a escolha é exposta em vez de ser feita por si.
Repare no que isso implica, porque generaliza muito para lá do reenquadramento. Quando uma capacidade está madura, ninguém entrega um seletor de modelos. Entrega-se a resposta. Um seletor é uma admissão de que o campo ainda não convergiu, e quem planeie um projeto assente em reenquadramento automático deve incorporá-lo nas contas em vez de confiar num vídeo de demonstração cujo clipe alguém escolheu. Diz-lhe também onde está de facto a engenharia duradoura. Não no modelo, que será substituído várias vezes antes de isto estar resolvido, mas no arnês em redor: como amostra, como avalia a saída, e o que acontece quando a resposta está manifestamente errada.
O modo de falha merece ser imaginado. A Norsk demonstrou o reenquadramento automático num assalto de esgrima, um desporto intrinsecamente horizontal e portanto um teste deliberadamente hostil. O modelo fixou-se num grande cartaz com dois esgrimistas pendurado ao fundo e enquadrou nele, ignorando os competidores verdadeiros. Não estava confuso quanto ao aspeto da esgrima. Encontrou algo que se parecia mais com esgrima do que a própria esgrima. Todo o sistema de seguimento de sujeito traz dentro de si uma versão desta falha, e encontrar a sua antes que o público a encontre é o trabalho.
7. Um sistema de IA numa cadeia de emissão é um componente com um SLA, não uma demonstração
Uma resposta alucinada num chatbot é um incómodo. Uma legenda alucinada em televisão em direto é uma falha de acessibilidade com um regulador atrás. O reconhecimento de fala atual atinge taxas de erro por palavra abaixo de 5% em diálogos de emissão limpos, o que é realmente comparável a um transcritor humano, e continua a não ser o mesmo que ser seguro para emitir sem vigilância.
Os padrões que funcionam são os limiares de confiança, o humano no circuito onde o risco o justifica, e um recuo determinístico para quando o modelo está indisponível ou incerto. Saber que partes de um fluxo de trabalho toleram sequer uma saída probabilística é uma competência de conceção, não uma questão de política interna.
Tem também de ser auditável a posteriori, o que é mais difícil do que parece quando o componente é probabilístico. A prática que a Norsk descreveu para a inserção publicitária automatizada tem a forma certa: registar cada fotograma enviado ao modelo, juntamente com o estado do modelo imediatamente antes e imediatamente depois desse fotograma. Quando algo sai no momento errado, pode reconstituir o que o sistema acreditava e o que o fez mudar de ideias. A difusão sempre soube responder a «porque é que isto aconteceu» sobre qualquer outro componente da cadeia. Um componente de IA não fica dispensado dessa pergunta só porque a resposta é mais difícil de produzir.
O nosso AI Ad Generator é a ilustração honesta do que isto custa. O modelo é a parte mais pequena. O resto é uma quinta de renderização, uma fila de tarefas, o cancelamento, um varredor para tarefas encravadas, notificações web push para avisar o utilizador quando o separador está fechado, pagamentos e um arquivo. É esse rácio que descreve o que é entregar IA a utilizadores verdadeiros.
8. Os sistemas de media sobrevivem ao contrato
Um canal 24/7 não é entregue, é passado a outrem. Alguém tem de o operar às três da manhã, e essa pessoa não esteve na sessão onde a arquitetura foi decidida.
Eis um exemplo concreto do tipo de conhecimento que só vem da operação. Na nossa plataforma, os níveis de codificação H.264 estão fixados e são idênticos em três caminhos de código distintos. Altere um deles e a reprodução parte nas fronteiras de descontinuidade, porque alguns descodificadores reiniciam quando o nível muda a meio do fluxo. Isso não se aprende num artigo científico. Aprende-se com um canal que engasgou no momento exato em que um conteúdo passava a vez ao seguinte, e com a semana que foi precisa para perceber porquê.
É este o trabalho que as palavras «forward deployed» fazem. O que se entrega não é um sistema que funcionou no dia em que o mostrou. É um sistema que outra pessoa consegue operar numa noite em que o senhor não está lá.
9. A superfície para agentes é a próxima coisa a acertar
Os agentes já conseguem operar diretamente sistemas de media. Escrevemos sobre pôr um canal de televisão 24/7 a funcionar através de um agente de IA por MCP, e a pergunta interessante acabou por não ser se um agente consegue programar um canal. Consegue. A pergunta é que dezanove ferramentas expõe, o que é que um agente está autorizado a tocar num sistema de playout em direto, e o que acontece quando ele se engana com confiança às 02:00.
Alguém tem de conceber essa superfície. Essa pessoa precisa de perceber as duas metades.
Como isto soa quando são os profissionais a dizê-lo em voz alta
Nada do que precede é teórico, e não sou o único a defendê-lo. Um webinar intitulado When AI Runs The Stream junta durante uma hora duas pessoas que constroem isto para viver, e chegam à maior parte dos nove pontos acima a partir de uma direção completamente diferente.
Adrian Roe é cofundador e diretor executivo da id3as, a empresa por detrás do Norsk, um servidor de media em direto e um SDK usados para construir fluxos de streaming em código. Juan Pablo Saibene, conhecido por JP, é cofundador e diretor executivo da Qualabs, uma empresa de engenharia de Montevideu cujas equipas se integram dentro das organizações de engenharia de empresas de tecnologia de vídeo e de media nos Estados Unidos e na Europa. A sessão foi moderada por Eric Schumacher-Rasmussen.
Releia essa segunda descrição, porque é o argumento de todo este artigo enunciado como perfil de empresa. Integrar engenheiros dentro da organização de um cliente de media para construir a coisa e a pôr a funcionar é forward deployed engineering. Já está a acontecer no nosso setor. Simplesmente ainda não tem nome.
O que torna essa hora digna do seu tempo é que nenhum dos dois vende a versão fácil. A pergunta a que voltam sempre não é se a IA consegue fazer alguma coisa a um fluxo em direto. É se consegue executá-la mil vezes e confiar no resultado de todas as vezes, perante um público verdadeiro, com um orçamento verdadeiro, sem partir aquilo que já funciona.
Três padrões que dali saem merecem ser copiados tal e qual, porque cada um é uma decisão de conceção e não uma escolha de modelo.
Conceber para que os erros saiam baratos
O teste de Adrian Roe para saber se uma tarefa se adequa de todo à IA resume-se a três perguntas. Consegue delimitar o problema o suficiente para jogar com os pontos fortes do modelo? Há folga nos tempos? E quando erra, o erro sai barato?
Os exemplos são instrutivos justamente por serem tão pouco espetaculares. Se insere automaticamente um anúncio na troca de lados de um jogo de ténis, use uma faixa em L ou um squeezeback em vez de um corte para ecrã inteiro, porque uma faixa em L mal sincronizada é ligeiramente irritante ao passo que um corte para ecrã inteiro mal sincronizado destrói o momento. Se comuta entre dois sinais redundantes com base numa pontuação de qualidade, a comutação é imperceptível quando ambos estão saudáveis, pelo que uma comutação desnecessária não custa nada ao espetador. Acerte na conceção e o modelo tem permissão para errar de vez em quando, que é a única condição sob a qual o consegue pôr em produção.
Transformar as respostas do modelo em respostas determinísticas
Saibene, cujas equipas trabalham dentro das organizações de engenharia dos clientes, descreveu um sistema de diagnóstico de qualidade de experiência construído como um funil. A primeira camada é um simples limiar sobre uma janela deslizante, sem IA nenhuma, e responde apenas se algo está mal. A segunda compara a anomalia com causas já vistas, de novo de forma determinística. Só a terceira camada, alcançada quando as duas primeiras não encontram nada familiar, entrega a pergunta em aberto a um modelo.
A parte importante é o que acontece a seguir. Quando o modelo propõe uma explicação para uma falha verdadeiramente nova, ela não é simplesmente aplicada. É submetida a um engenheiro experiente e, se ele a aprovar, essa falha passa para a camada determinística e é diagnosticada sem voltar a passar por um modelo. O humano está ali, na formulação de Saibene, «não como um cobertor de segurança mas como um mecanismo». O sistema torna-se mais determinístico, e mais barato de operar, quanto mais tempo funciona. É o contrário da forma como envelhecem a maioria das implementações de IA.
O estrangulamento desloca-se, não desaparece
O segundo exemplo de Saibene é o que a maioria das equipas não viu chegar. As ferramentas generativas conseguem produzir milhares de clipes, e cada um deles continua a ter de ser verificado por alguém antes de sair. A restrição não desapareceu quando gerar ficou barato. Deslocou-se de fabricar para validar, e a validação é a parte que ninguém automatizou.
Portanto o produto interessante não é mais um gerador de melhores momentos. É o validador: dá-lhe um clipe e um caderno de encargos, e devolve um veredicto, publicável ou não publicável. Algumas dessas verificações são aritmética pura, como confirmar que um corte é mesmo 9:16. Outras exigem mesmo juízo, como saber se um patrocinador está efetivamente visível ou se o comentário corresponde à ação. Saber qual é qual é toda a conceção.
Dois pormenores menores da mesma hora merecem ser levados connosco. Num painel de supervisão em direto que mostra qualquer coisa como oitenta números, Roe fez notar que apenas dois vêm da IA, e que essa proporção está certa e não é uma insuficiência. E quanto ao custo, a síntese que Roe faz de todo o problema é difícil de melhorar: o contexto é rei, o contexto é custo, e contexto a mais dá qualidade pobre.
Forward deployed engineer, consultor ou integrador de sistemas?
O setor já tem bons consultores e bons integradores de sistemas. A distinção merece ser dita com clareza, porque as palavras são usadas indistintamente e não deviam.
| Papel | O que recebe | De quem é depois |
|---|---|---|
| Consultor | Uma avaliação, uma recomendação, uma arquitetura | Sua, a partir do zero |
| Integrador de sistemas | O produto de um fornecedor, instalado e configurado | Sua e do fornecedor |
| Forward deployed engineer de um fornecedor | O produto desse fornecedor, adaptado ao seu stack | Do fornecedor, enquanto se mantiver cliente |
| Media FDE independente | Código que corre no seu ambiente | Sua, com as práticas transferidas para a sua equipa |
Dentro dos fornecedores o papel já é real. Tanto a Bitmovin como a CAMB.AI publicam atualmente vagas intituladas forward deployed broadcast ou streaming engineer, situadas entre as suas equipas de engenharia e os seus clientes de media de referência. É um sinal forte: as empresas mais próximas do problema perceberam que precisavam desta pessoa antes de o resto do setor dar um nome à profissão.
A diferença para um independente é simples e não é uma crítica aos fornecedores. O forward deployed engineer de um fornecedor é pago para fazer encaixar um produto. Um independente é pago para pôr o seu stack a funcionar, incluindo as partes que preferiria substituir.
Há uma versão estratégica disto que vale a pena pensar antes de assinar seja o que for. À medida que os agentes começam a orquestrar fluxos de trabalho de media, a camada de valor não é o modelo, que será substituído várias vezes nesta década. É a orquestração e o contexto que está por baixo: os seus ativos, as suas regras, o seu saber operacional. JP Saibene, da Qualabs, creditando o trabalho de Andy Beach sobre isto, formula o risco sem rodeios: deixe um fornecedor ser dono dessa camada enquanto o senhor não é dono do contexto por baixo, e acabará a alugar o seu próprio fluxo de trabalho aos seus fornecedores. Quem construir essa camada para si deve construí-la para que fique consigo.
Cinco perguntas que revelam se alguém é autêntico
Se está a contratar para isto, o currículo não o ajuda. Hoje todos os currículos dizem IA. Estas cinco perguntas separam quem já pôs vídeo em produção de quem só alguma vez enviou texto para uma API.
1. «Queremos etiquetar automaticamente um arquivo de 40.000 horas. Explique-me o modelo de custos.»
Quer que comecem pela unidade, não pelo modelo. Horas de conteúdo, custo por hora, lote contra tempo real, e o que corre fora das horas de ponta. Se abrirem com o modelo que escolheriam, nunca viram este projeto ser cancelado por um diretor financeiro.
2. «Os nossos masters estão protegidos por DRM. Como é que isso muda a sua abordagem?»
A resposta certa é que elimina tudo o que exija descodificação, e empurra para metadados ao nível do contentor, ficheiros anexos, ou um ponto de análise anterior à cifragem. Uma resposta errada é entusiasmo.
3. «O modelo diz que o momento alto está aos 42:17. O que faço com isso?»
Está à escuta da precisão ao fotograma, do formato de timecode, e de saber se a saída consegue alimentar uma EDL, um marcador SCTE-35 ou um registo de MAM. «Dá-lhe uma marca temporal» não é uma resposta, é repetir a pergunta.
4. «Como é que amostra fotogramas de um conteúdo de duas horas?»
Um em cada N é a resposta fraca. A deteção de mudança de plano é uma resposta decente. Usar a colocação dos fotogramas I e os vetores de movimento que o codificador já produziu é a resposta de quem teve mesmo de pagar inferência à escala.
5. «O que acontece quando o modelo fica indisponível durante um programa em direto?»
Tem de haver um recuo determinístico e um modo degradado definido. Se a resposta se limita a novas tentativas, esse sistema nunca esteve no ar.
Quanto custa e o que deve render
Uma advertência sobre os números que circulam. Citam-se remunerações totais de 300.000 a 1,2 milhões de dólares para forward deployed engineers, e isso é real, mas descreve pacotes de trabalhador por conta de outrem em laboratórios de IA de fronteira nos Estados Unidos, fortemente inclinados para ações. Não é o que os media pagam, nem o que um especialista independente na Europa cobra. Leia esses números como prova de que o mercado está a reavaliar o papel, não como uma tabela de preços.
O que vale a pena medir é o outro lado. O custo dos 95% é um piloto que consumiu um ano de atenção de uma equipa e não entregou nada. Face a isso, a pergunta pertinente não é a tarifa diária. É a rapidez com que alguém lhe consegue dizer que o projeto tal como está definido vai custar quatro vezes o orçamento à escala do arquivo, ou que o DRM torna impossível a abordagem proposta, e se depois consegue construir a versão que funciona.
Essa conversa deve acontecer na primeira semana, não no terceiro trimestre.
Perguntas frequentes
O que é um Media Forward Deployed Engineer?
Um engenheiro que se integra num operador de televisão, num serviço de streaming ou numa empresa de media e assume um sistema de IA de ponta a ponta dentro do ambiente deles: definir o âmbito, escrever o código de produção e mantê-lo a funcionar. A diferença face a um forward deployed engineer generalista está na profundidade de domínio em vídeo e áudio, ou seja codecs, timecode, protocolos de streaming, segurança de conteúdos e a economia do processamento de conteúdo à escala de um arquivo.
Em que difere um forward deployed engineer de um consultor?
Um consultor entrega um relatório ou uma arquitetura e deixa-lhe a construção. Um forward deployed engineer escreve e entrega o código de produção dentro do seu ambiente e depois transfere as práticas para a sua equipa. O que se entrega é um sistema a funcionar, não um documento.
Porque falham tantos projetos de IA nos media?
A investigação do MIT concluiu que 95% dos projetos-piloto de IA empresarial não tiveram efeito financeiro mensurável, e que os fracassos se concentraram na integração e não na qualidade dos modelos. Nos media em particular há uma segunda causa frequente: a economia unitária. Custos que parecem negligenciáveis por ativo tornam-se proibitivos num arquivo de dezenas de milhares de horas, e essa aritmética é muitas vezes feita depois do piloto e não antes.
Um engenheiro de IA generalista consegue fazer este trabalho?
Em parte, e é aí que está a armadilha. Consegue construir depressa um protótipo convincente. O que costuma faltar é o tratamento do timecode com precisão ao fotograma, a consciência de que conteúdo cifrado não pode ser descodificado, a capacidade de produzir uma saída que uma cadeia de emissão consiga mesmo ingerir, como marcadores SCTE-35 ou legendas TTML, e um modelo de custos realista à escala. Estas lacunas aparecem normalmente depois de o piloto ter sido aprovado.
Preciso de contratar um a tempo inteiro?
Normalmente não no início. O papel vale mais no ponto de maior incerteza: definir o âmbito, escolher o que construir e pôr o primeiro sistema em produção. Muitas empresas de media contratam um especialista para essa fase e depois operam o resultado com a sua própria equipa, que é o desfecho pretendido, já que transferir as práticas faz parte do trabalho.
O que devo perguntar a um candidato?
As cinco perguntas acima cobrem modelação de custos, segurança de conteúdos, precisão ao fotograma, estratégia de amostragem e comportamento em caso de falha no ar. São difíceis de responder de forma convincente sem ter posto em produção um sistema de IA nos media, e fáceis para quem o fez.
Onde encontrar um
As ferramentas ligadas ao longo deste artigo são gratuitas para experimentar. Não são o assunto, mas são a prova dele: cada uma nasceu de um problema que surgiu em produção e teve de ser resolvido a sério em vez de descrito num diapositivo. Uma delas continua em beta, pelas razões que o artigo já explicou.
Se está a tentar meter IA num fluxo de trabalho de emissão ou de streaming e precisa de alguém que já saiba onde aquilo parte, descreva o papel e delimitamo-lo consigo, incluindo uma tarifa diária honesta antes de alguém pegar no telefone.
Descreva o papel que precisa de preencher
E se leu os nove pontos acima e reconheceu o seu próprio trabalho, a etiqueta está a ser colada a este ofício neste preciso momento. Quando isso acontece, chegam os generalistas e reclamam-na. Quem faz este trabalho a sério devia ser encontrável sob esse nome primeiro: junte-se à rede de talentos.