A IA Está Reescrevendo as Regras da Preparação para a Carreira

A MSU Denver entrou na discussão do Google News com um conflito que as faculdades não podem mais evitar: a fluência em IA agora importa, mas o simples acesso às ferramentas prova pouco. Os empregadores querem cada vez mais graduados capazes de usar inteligência artificial, ao mesmo tempo que verificam seus resultados, explicam suas escolhas e aplicam bom senso.

Essa mudança enfraquece uma antiga fórmula de preparação para a carreira. Um diploma, um currículo bem elaborado e a prática de entrevistas já formaram um conjunto confiável para muitas funções de nível inicial. Esses sinais continuam úteis, mas a IA agora pode ajudar quase qualquer pessoa a produzir materiais de candidatura refinados em minutos.

A disputa emergente não é entre estudantes e máquinas. É entre capacidade demonstrada e credenciais que revelam pouco sobre como alguém trabalha. A resposta da MSU Denver aproxima a preparação profissional do aprendizado em sala de aula, do feedback dos empregadores, da experiência prática e do uso responsável de IA.

A MSU Denver Está Tratando a Preparação para a IA como um Problema de Todo o Campus

A principal constatação da MSU Denver é que a preparação para a IA não pode continuar sendo uma oficina opcional vinculada a um diploma que, de resto, permanece inalterado.

O relatório State of Artificial Intelligence 2026 da universidade identifica a preparação para a carreira e as lacunas de capacidade dos estudantes como preocupações institucionais. Seu programa mais amplo de IA também conecta o uso em sala de aula, a avaliação, a orientação, as operações, a pesquisa e a governança responsável.

Esse alcance importa porque a IA generativa não afeta apenas estudantes de ciência da computação. Formandos em marketing a utilizam para analisar públicos e elaborar campanhas. Estudantes de contabilidade se deparam com a revisão automatizada de documentos. Designers enfrentam a geração de imagens, enquanto estudantes de hotelaria e saúde encontram agendamento, comunicação e apoio à decisão assistidos por IA.

Um curso técnico restrito deixaria essas diferenças de fora. A preparação para a carreira agora exige que os estudantes entendam como a IA altera as tarefas, as evidências e os riscos em suas áreas escolhidas. O padrão relevante não é saber se alguém consegue abrir um chatbot.

A iniciativa de IA da MSU Denver enquadra a questão no ensino e na prática institucional. Suas diretrizes abrangem estudantes, docentes, funcionários, pesquisadores, contratados e fornecedores que usam IA em contextos universitários.

Essa abordagem reconhece que os graduados ingressarão em ambientes de trabalho com regras inconsistentes. Um empregador pode incentivar ampla experimentação. Outro pode restringir modelos públicos porque os funcionários lidam com informações confidenciais de clientes.

Por isso, os estudantes precisam de julgamento antes de dominar qualquer produto específico. Eles devem saber quando o uso de IA é adequado, quais informações não podem ser compartilhadas e como verificar uma resposta gerada.

Também precisam compreender a procedência, ou seja, a origem rastreável de informações ou de trabalho criativo. Um parágrafo convincente sem procedência confiável pode criar risco jurídico, factual ou reputacional.

O mesmo princípio se aplica às candidaturas a empregos. A IA pode melhorar a redação, mas os candidatos continuam responsáveis por cada habilidade e realização declarada. Uma entrevista rapidamente expõe um candidato que não consegue explicar um portfólio produzido por IA.

O desafio da MSU Denver é especialmente prático porque seus programas de carreira conectam educação e empregadores. O Kemper Classroom to Career Hub, rebatizado pela universidade, foi concebido para combinar orientação, estágios, envolvimento de empregadores e preparação para a carreira.

Espera-se que a instalação planejada de quatro andares e 25.000 pés quadrados atenda anualmente mais de 18.000 estudantes da MSU Denver e 11.000 estudantes do Community College of Denver. A universidade também afirma que o hub se conectará a mais de 5.000 parceiros do setor.

Essas relações podem fornecer feedback mais rápido do que um ciclo convencional de revisão curricular. Os empregadores podem identificar quais práticas de IA se tornaram rotineiras, quais continuam arriscadas e quais habilidades humanas estão se tornando mais valiosas.

O evento por trás da manchete é, portanto, maior do que um novo curso ou uma política de campus. A MSU Denver está tratando a IA como uma mudança nas evidências de que os estudantes precisam antes de ingressar no mercado de trabalho.

Isso cria a tensão central do artigo. Historicamente, as universidades certificaram o aprendizado por meio de notas e diplomas. Agora, os empregadores precisam de provas mais claras de que os graduados conseguem atuar com responsabilidade quando a IA participa do trabalho.

Por Que a Manchete do Google News Aponta para uma Mudança Maior nas Contratações

A manchete do Google News importa porque dados nacionais de empregadores corroboram a pressão que a MSU Denver observa no nível do campus.

A National Association of Colleges and Employers informou em 2026 que a demanda dos empregadores por habilidades em IA em vagas de nível inicial quase triplicou desde o outono de 2025. A descoberta veio de uma pesquisa com 185 respondentes, incluindo 142 membros empregadores da NACE.

Essa é uma mudança importante no mercado de trabalho de nível inicial. A experiência com IA não está mais limitada a posições especializadas de engenharia ou ciência de dados. Os empregadores esperam cada vez mais que novos contratados em diversas funções compreendam o trabalho apoiado por IA.

No entanto, a mesma pesquisa sobre vagas de nível inicial complica as previsões de substituição imediata em massa. Mais da metade dos empregadores pesquisados afirmou que a IA não estava reduzindo as tarefas atribuídas a trabalhadores de nível inicial.

Pouco mais de um quarto disse que ela havia reduzido a necessidade dessas tarefas. Essa divisão sugere que os empregadores ainda estão testando como a IA se encaixa nos empregos, em vez de seguir um único plano universal de automação.

A pressão sobre os graduados é imediata mesmo sem eliminação generalizada de empregos. Os empregadores podem elevar as expectativas quando a IA acelera pesquisa, redação, programação, análise e comunicação rotineira.

Um novo funcionário pode receber as mesmas horas e o mesmo cargo de uma turma anterior, mas espera-se que produza mais. O diferencial passa a ser a capacidade do funcionário de orientar, inspecionar e aprimorar o trabalho assistido por máquinas.

O World Economic Forum chegou a uma conclusão semelhante em uma escala mais ampla. Seu Future of Jobs Report 2025 reuniu respostas de mais de 1.000 empregadores que representam mais de 14 milhões de trabalhadores em 55 economias.

O relatório classificou IA e big data entre as habilidades de crescimento mais rápido. Também constatou que 63% dos empregadores viam as lacunas de habilidades como uma barreira principal à transformação organizacional.

Ao mesmo tempo, os empregadores continuaram a valorizar pensamento analítico, resiliência, liderança, colaboração e letramento tecnológico. A perspectiva para empregos não descreve um mercado de trabalho em que a fluência técnica substitui a capacidade humana.

Ela descreve um mercado em que a combinação importa. Um trabalhador deve usar tecnologia enquanto interpreta incertezas, coordena-se com outras pessoas e assume responsabilidade pelo resultado.

Para os estudantes, isso muda o significado da afirmação “bom com IA”. A criação básica de prompts está se tornando mais fácil e menos distintiva. A habilidade valiosa é construir um processo repetível que produza trabalho confiável.

Considere um graduado em comunicação encarregado de preparar um briefing. A IA pode resumir documentos e propor uma estrutura, mas o graduado deve distinguir evidências de invenções apresentadas com confiança.

Um analista de negócios pode pedir a um modelo que interprete uma planilha. Essa pessoa ainda precisa perceber valores ausentes, correlações enganosas e suposições que o modelo não consegue validar.

Um programador pode gerar código mais rapidamente. O programador continua responsável por testar o comportamento, proteger credenciais, revisar dependências e explicar por que a implementação é segura.

Esses exemplos mostram por que a preparação para a carreira está se tornando mais difícil de avaliar. Um documento final revela menos sobre o processo usado para criá-lo. Os empregadores precisam de evidências de raciocínio, verificação e conhecimento de domínio por trás do resultado.

Essa pressão atinge universidades, estudantes, centros de carreira e gestores de contratação ao mesmo tempo. As universidades precisam revisar a avaliação. Os estudantes precisam documentar seu processo. Os empregadores precisam definir como é um uso aceitável de IA.

A resposta necessária não é simplesmente adicionar “IA” ao título de todos os cursos. As instituições precisam de atividades e experiências de trabalho que revelem como os estudantes tomam decisões com esses sistemas.

A Nova Divisão É Entre Capacidade Demonstrada e Credenciais Refinadas

A IA torna abundante o resultado com aparência profissional, portanto o sinal escasso é a evidência de que um candidato consegue produzir trabalho preciso sob restrições reais.

Um currículo já refletiu uma quantidade significativa de esforço pessoal. Os candidatos escolhiam a linguagem, organizavam conquistas e adaptavam os materiais para cada função.

A IA generativa reduz esse esforço de forma substancial. Ela pode reescrever tópicos, espelhar uma descrição de vaga, gerar cartas de apresentação e simular perguntas de entrevista.

Esses usos não são automaticamente desonestos. Eles podem melhorar o acesso de candidatos que escrevem em um segundo idioma ou não possuem redes informais de orientação.

O problema surge quando o refinamento se desliga da capacidade. Um candidato pode enviar uma excelente redação sem compreender suas afirmações ou possuir a experiência que ela sugere.

É provável que as equipes de contratação respondam atribuindo mais peso ao trabalho observável. Entrevistas estruturadas, testes de trabalho remunerados, portfólios, simulações e discussões sobre projetos podem revelar o que documentos estáticos de candidatura escondem.

As faculdades precisam fazer um movimento semelhante. Um ensaio entregue ao fim de um curso pode não demonstrar mais como um estudante reuniu evidências, testou um argumento ou corrigiu erros.

A evidência do processo oferece um sinal mais forte. Os estudantes podem manter registros de pesquisa, anotar decisões sobre fontes, registrar revisões e explicar onde a IA contribuiu.

Um portfólio assistido por IA deve responder a várias perguntas. Que problema o estudante enfrentou? Quais informações entraram no sistema? Como o estudante avaliou a resposta? O que mudou após a revisão?

Essa documentação transforma o uso de IA de uma afirmação vaga em uma prática avaliável. Ela também oferece aos empregadores uma conversa útil durante as entrevistas.

Os estudantes não precisam expor conversas privadas ou todos os prompts exploratórios. Eles precisam de evidências suficientes para demonstrar autoria, julgamento e um método repetível.

É aqui que a gestão pessoal do conhecimento se torna relevante. Um segundo cérebro de IA pesquisável pode ajudar estudantes a conectar anotações de aula, evidências de projetos, feedback e decisões ao longo do tempo.

O valor para a carreira não vem de coletar mais material. Ele vem de recuperar evidências e explicar como o aprendizado anterior moldou um resultado atual.

Um estudante de marketing pode preservar briefings de campanha, suposições sobre o público, material-fonte, alternativas geradas e a análise final de desempenho. Esse registro mostra mais do que uma imagem de campanha refinada.

Um estudante de engenharia pode manter requisitos, decisões de projeto, sugestões de código geradas, testes malsucedidos e implementações corrigidas. As falhas importam porque demonstram diagnóstico.

Um estudante de enfermagem pode documentar uma simulação em que uma sugestão de IA entrou em conflito com um procedimento estabelecido. Explicar por que a sugestão foi rejeitada demonstra julgamento profissional.

Esses artefatos também tornam as habilidades humanas mais visíveis. A comunicação aparece na explicação. O pensamento crítico aparece na verificação. O trabalho em equipe aparece nos registros de decisão e no feedback dos pares.

A estrutura de preparação para a carreira da NACE há muito enfatiza competências como comunicação, pensamento crítico, trabalho em equipe, profissionalismo, tecnologia e desenvolvimento de carreira. A IA muda como essas competências aparecem, mas não as elimina.

A principal inversão é clara. À medida que sistemas automatizados produzem resultados mais refinados, os empregadores obtêm menos informações apenas pelo acabamento. Os candidatos mais fortes mostrarão o raciocínio por trás do resultado.

Isso favorece estudantes que tratam a IA como parte de um fluxo de trabalho documentado, e não como um atalho que deve permanecer invisível. Também favorece faculdades que avaliam decisões, em vez de apenas produtos finalizados.

Os empregadores ainda precisam das habilidades humanas que a IA torna mais fáceis de ignorar

A alfabetização em IA aumenta o valor do julgamento humano porque uma produção mais rápida cria mais material que alguém precisa avaliar.

À primeira vista, isso parece contraditório. Se um modelo redige uma resposta, o usuário aparentemente precisa de menos conhecimento.

Na prática, pouco conhecimento torna os erros mais difíceis de detectar. Um usuário não consegue verificar com segurança um resumo jurídico, uma previsão financeira ou um projeto técnico sem compreender a área subjacente.

Portanto, a alfabetização em IA deve incluir consciência de suas limitações. Modelos de linguagem de grande porte geram respostas prevendo sequências prováveis de linguagem, e não garantindo a verdade de forma independente.

Suas respostas podem ser precisas, incompletas, enviesadas, desatualizadas ou fabricadas. Um tom fluente não revela qual dessas categorias se aplica.

A verificação é a ponte entre fluência em IA e confiança profissional. Ela exige localizar fontes primárias, conferir cálculos, comparar afirmações e saber quando é necessária uma revisão especializada.

A comunicação também se torna mais exigente. Os profissionais precisam explicar o que o sistema contribuiu, onde permanece a incerteza e quem aprovou o resultado.

Isso é especialmente importante quando a IA afeta clientes, pacientes, funcionários ou decisões públicas. Uma pessoa não pode delegar sua responsabilidade dizendo que o modelo produziu a resposta.

O trabalho em equipe também muda. Colegas precisam de expectativas compartilhadas sobre ferramentas aprovadas, informações confidenciais, documentação e revisão.

Sem essas expectativas, um funcionário pode inserir dados sensíveis em um serviço externo enquanto outro presume que todo o material do projeto permanece privado. A preparação profissional deve abordar essa realidade operacional.

O Fórum Econômico Mundial constatou que 39% dos conjuntos de habilidades existentes dos trabalhadores deveriam mudar ou se tornar obsoletos até 2030. Esse número descreve combinações de habilidades em transformação, não o desaparecimento de todo o conhecimento existente.

O mesmo relatório projetou uma disrupção que afetaria 22% dos empregos até 2030. Estimou que 170 milhões de funções seriam criadas e 92 milhões deslocadas, resultando em um ganho líquido de 78 milhões.

Previsões nessa escala não devem ser tratadas como promessas. Elas dependem das expectativas dos empregadores, das condições econômicas, dos investimentos, da regulamentação e dos padrões de adoção.

Ainda assim, mostram por que as universidades enfrentam pressão agora. Esperar que todos os efeitos sobre o mercado de trabalho se tornem certos deixaria os estudantes se preparando com as premissas de ontem.

Os centros de carreira precisam ajudar os estudantes a transformar a experiência com IA em evidências confiáveis. “Usei ChatGPT” revela quase nada sobre a complexidade ou a qualidade da tarefa.

Uma descrição mais forte identifica o objetivo, o método, a revisão e o resultado. Por exemplo, um estudante pode explicar que usou um modelo de IA para categorizar anotações de entrevistas e depois revisou manualmente cada tema em comparação com as transcrições.

Essa afirmação oferece vários sinais úteis a um empregador. O candidato consegue definir uma tarefa, usar uma ferramenta adequada, preservar evidências primárias e testar análises geradas.

Ela também abre espaço para perguntas de acompanhamento. O entrevistador pode perguntar quais categorias mudaram, o que o modelo deixou de captar e como o estudante lidou com informações sensíveis.

Essa forma de avaliação protege os candidatos de uma triagem superficial por palavras-chave. Também protege os empregadores de contratar pessoas cujas alegações sobre IA excedem sua capacidade prática.

O objetivo não é transformar todos os graduados em engenheiros de IA. É tornar visível o uso responsável da IA em cada profissão.

Um gerente de hotelaria, professor, vendedor, designer e desenvolvedor de software precisam de diferentes níveis de profundidade técnica. Todos precisam de julgamento, verificação e comunicação.

O que o impulso pela preparação profissional em IA ainda não pode provar

A maior incerteza é se os programas de treinamento conseguem produzir capacidade duradoura, em vez de familiaridade temporária com ferramentas populares.

Os produtos de IA mudam rapidamente. Um workshop baseado em uma interface pode se tornar desatualizado quando o fornecedor revisa recursos, limites ou práticas de dados.

As universidades devem ensinar práticas duradouras ao lado das ferramentas atuais. Essas práticas incluem definição de problemas, avaliação de fontes, proteção de privacidade, testes, documentação e escalonamento.

Mesmo assim, medir a preparação continua difícil. Os estudantes podem ter bom desempenho em uma sala de aula com apoio, mas enfrentar dificuldades quando os dados do trabalho são incompletos e os prazos mais apertados.

As expectativas dos empregadores também variam. Uma pequena agência pode valorizar a experimentação ampla, enquanto uma organização regulada pode restringir as mesmas ferramentas.

Não existe um único certificado de preparação em IA que resolva essas diferenças. Afirmações amplas sobre preparar todos os estudantes para uma economia de IA merecem escrutínio, a menos que os programas publiquem resultados mensuráveis.

O acesso cria outro risco. Estudantes com computadores mais novos, ferramentas pagas, tempo livre e mentores experientes podem construir portfólios mais fortes do que colegas igualmente capazes sem esses recursos.

As universidades podem reduzir essa lacuna fornecendo ferramentas aprovadas, projetos supervisionados e aprendizagem experiencial remunerada. Elas não podem presumir que os estudantes comprarão acesso ou aprenderão sozinhos fora da sala de aula.

O viés também entra no processo de contratação. A triagem assistida por IA pode reproduzir padrões incorporados em dados históricos de emprego ou prejudicar candidatos cuja experiência não corresponde à linguagem convencional.

Os candidatos podem responder otimizando todos os documentos para filtros automatizados. Essa dinâmica produz uma disputa crescente entre candidaturas geradas e triagem gerada.

Nenhum dos lados ganha muito se a correspondência se transformar em uma batalha de palavras-chave sintéticas. Os empregadores ainda precisam de avaliações estruturadas e relevantes para o cargo, além de critérios de avaliação consistentes.

As universidades também precisam estabelecer limites para assistência aceitável. A proibição total pode negar aos estudantes experiência com ferramentas que encontrarão no trabalho.

O uso irrestrito pode comprometer a aprendizagem quando os estudantes terceirizam justamente o raciocínio que uma tarefa foi criada para desenvolver. O limite adequado depende do objetivo de aprendizagem.

Um curso de redação pode permitir IA durante a revisão, mas exigir um argumento elaborado de forma independente. Um curso de programação pode permitir código gerado, desde que exija testes e uma explicação oral.

Um curso de análise de dados pode permitir exploração assistida por modelos, mas avaliar a seleção de fontes, os cálculos e a interpretação. Regras claras tornam a avaliação mais significativa.

A abordagem institucional da MSU Denver cria uma base para essas conversas. Por si só, ela não prova que os graduados usarão IA de forma responsável nem que alcançarão melhores resultados de emprego.

A universidade precisará de evidências ao longo do tempo. Medidas úteis incluem participação entre disciplinas, qualidade dos portfólios, feedback de estágios, satisfação dos empregadores e resultados dos graduados.

A comparação independente também será importante. Um campus pode registrar alta participação em workshops enquanto os estudantes continuam incapazes de aplicar o material em projetos complexos.

A avaliação mais confiável examinaria o desempenho antes e depois da instrução. Ela também testaria se os estudantes retêm essas práticas ao usar ferramentas desconhecidas.

Outra incerteza diz respeito aos próprios empregadores. As empresas frequentemente pedem aos provedores de educação que preparem estudantes para trabalhos emergentes, enquanto oferecem definições incompletas desse trabalho.

Se as descrições de vagas exigem habilidades em IA, mas os gestores não têm governança ou fluxos de trabalho confiáveis, os graduados entram em um ambiente em que as expectativas excedem a clareza operacional.

A preparação profissional não pode resolver esse problema organizacional sozinha. Os empregadores devem definir usos aprovados, fornecer sistemas protegidos, treinar gestores e atribuir responsabilidades.

A conclusão cética não é que a educação em IA não tenha valor. É que acesso, presença e autoavaliações confiantes são substitutos fracos para desempenho observado.

Três sinais mostrarão se a preparação profissional realmente mudou

A próxima fase deve ser julgada pelas evidências dos estudantes, pelo comportamento dos empregadores e por resultados mensuráveis, e não pelo número de anúncios sobre IA.

O primeiro sinal é se a MSU Denver transforma suas conclusões institucionais em avaliações específicas por área de estudo. Uma política de campus pode estabelecer princípios, mas os estudantes encontram a IA por meio de tarefas profissionais específicas.

Observe tarefas que exijam uso documentado de IA, verificação de fontes, históricos de revisão e defesa oral. Sua presença em áreas como negócios, computação, saúde, educação, artes e hotelaria fortaleceria o argumento da universidade.

Se a implementação permanecer limitada a sessões voluntárias, a afirmação se enfraquece. Programas opcionais frequentemente alcançam estudantes que já têm confiança, tempo e interesse técnico.

O segundo sinal é se os empregadores mudam a forma como avaliam candidatos em início de carreira. O aumento da demanda por habilidades em IA significa pouco se as vagas usam a expressão sem definir um desempenho aceitável.

Procure entrevistas estruturadas, análises de portfólio, simulações de trabalho e perguntas sobre verificação. Esses métodos confirmariam que a capacidade demonstrada está substituindo o acabamento superficial como sinal mais forte.

O feedback dos empregadores aos centros de carreira será igualmente revelador. Pedidos específicos de validação de fontes, documentação de fluxos de trabalho, consciência de privacidade ou avaliação de modelos dariam às universidades metas concretas.

Se a contratação continuar dependendo principalmente de palavras-chave em currículos e entrevistas não estruturadas, os estudantes receberão mensagens contraditórias. Será dito a eles que o processo importa, enquanto os sistemas de seleção continuam recompensando a apresentação.

O terceiro sinal é se graduados com experiência verificada em IA alcançam melhores resultados. As universidades devem examinar avaliações de estágio, inserção no mercado de trabalho, retenção e satisfação dos empregadores.

Essas medidas devem considerar o programa acadêmico, a experiência anterior e o acesso a redes profissionais. Caso contrário, as instituições correm o risco de atribuir uma vantagem já existente a um novo programa de IA.

Resultados positivos fortaleceriam o argumento a favor da integração da IA em toda a preparação profissional. Resultados fracos ou desiguais indicariam que a exposição às ferramentas não é suficiente.

O mercado de trabalho mais amplo fornecerá contexto adicional. Pesquisas da NACE podem mostrar se a demanda por profissionais em início de carreira continua crescendo e quais tarefas os empregadores realmente mudam.

Relatórios futuros dos empregadores também podem revelar se a ampliação de capacidades continua mais comum do que a redução de tarefas. Essa distinção molda o que os estudantes precisam praticar.

Se a IA principalmente acelera o trabalho existente, os graduados precisam de forte conhecimento de domínio e habilidades de revisão. Se os empregadores eliminam categorias inteiras de tarefas, a educação deve criar novos caminhos para obter experiência fundamental.

Essa segunda possibilidade merece atenção cuidadosa. Tarefas de nível inicial frequentemente ensinam o contexto que os profissionais mais tarde usam para exercer julgamento de nível superior.

Automatizar essas tarefas sem substituir sua função de aprendizagem pode criar um problema no fluxo de talentos. Os empregadores podem querer profissionais experientes enquanto eliminam o trabalho pelo qual as pessoas se tornam experientes.

Universidades e empregadores precisariam então de simulações, programas de aprendizagem e projetos supervisionados que preservem a aprendizagem sem preservar todos os processos manuais.

É por isso que a história da MSU Denver pertence a mais do que um feed do Google News. Ela retrata uma negociação entre universidades, empregadores e estudantes sobre o que agora significa uma preparação confiável.

Os sinais antigos não desaparecerão. Diplomas, currículos, estágios e entrevistas continuarão fazendo parte da contratação.

Seu significado mudará à medida que a IA contribui para o trabalho por trás deles. Os graduados precisarão mostrar o que sabem, como usaram o sistema, em que pontos o questionaram e por que alguém deveria confiar no resultado.

Para estudantes e profissionais do conhecimento, o próximo passo prático é preservar evidências agora. Registre fontes, premissas, revisões, feedback, tentativas malsucedidas e decisões finais em um fluxo de trabalho pesquisável.

Em seguida, teste se você consegue explicar o trabalho sem se esconder atrás da ferramenta. Se um empregador perguntasse em que o modelo errou, seu portfólio teria uma resposta?

Essa pergunta oferece um padrão melhor de preparação para a carreira do que qualquer alegação de ser “proficiente em IA”. Acompanhe as próximas pesquisas com empregadores, avaliações em campi e resultados de graduados, pois elas mostrarão se a manchete do Google News descreveu uma mudança duradoura ou apenas um alerta inicial.