Além do LeetCode: O Que as Big Techs Really Querem
<think> The user wants me to rewrite this blog post about technical interviews at AI companies from scratch in Portuguese. I need to:
- NOT translate literally - write in my own words
- NOT copy sentence structure
- Keep the markdown format
- Write naturally in Portuguese as a tech blogger
- Keep technical terms in English (domain, hosting, SSL, DNS, VPS as mentioned, but this post is about tech interviews, so terms like API, data structures, etc.)
- Use short, clear sentences
- Make it flow naturally in Portuguese
Let me analyze the main ideas:
- Introduction: Typical interview prep (LeetCode) doesn't prepare you for frontier AI companies
- Anthropic observation: more rejections in culture rounds than technical
- The Library Problem: companies test library fluency, not just algorithms
- Written System Design: different from whiteboard sessions, tests depth over breadth
- The Demonstration Gap: culture interviews want concrete examples, not rehearsed values
- Practical implications: audit library knowledge, practice written communication, do introspection
- Conclusion: technical skills get you in, but values demonstration matters more
Now let me rewrite this in Portuguese with my own style, making it feel like an original blog post. </think>
O Que Realmente Estão Avaliando em Entrevistas de IA
Vamos ser diretos: a preparação tradicional para entrevistas técnicas — LeetCode, blind faith em complexidade algorítmica — te prepara para passar em desafios de código. Não te prepara para trabalhar em empresas que estão construindo sistemas de IA de fronteira, onde os riscos são completamente diferentes.
Uma análise recente de experiências de entrevista na Anthropic revelou algo inesperado: a empresa rejeita mais candidatos tecnicamente qualificados nas rodadas de cultura do que em qualquer etapa técnica. O problema não é discordância de valores. É algo muito mais sutil — e muito mais instrutivo para quem quer mesmo uma vaga em empresas de pesquisa.
O Problema das Bibliotecas que Ninguém Comenta
Faça uma pergunta que deveria fazer todo developer parar e pensar: quando foi a última vez que você implementou uma estrutura de dados concorrente do zero em produção?
A maioria das pessoas se prepara focando em demonstrar pensamento algorítmico. Você consegue inverter uma árvore binária dormindo. Consegue explicar Dijkstra num happy hour. Mas a análise sugere que empresas como a Anthropic não estão testando principalmente se você pensa algoritmicamente — estão testando se você conhece as bibliotecas.
Pense nisso. Os problemas são desenhados para exigir PIL/Pillow ou primitivas de concorrência do Python. Não tem como resolver só com conhecimento de estruturas de dados. Candidatos que resolvem o problema superficial ficam sem tempo nas follow-ups porque não têm o conhecimento prático das bibliotecas para implementar de forma eficiente.
Isso muda como deveríamos gastar nosso tempo de preparação. Em vez de martelar problemas de programação dinâmica, talvez devêssemos mergulhar fundo nas bibliotecas padrão das linguagens que usamos. Entender o módulo asyncio, saber quando usar concurrent.futures, entender os detalhes de bibliotecas de processamento de imagem — essas habilidades práticas importam mais que conhecimento teórico de algoritmos em certas empresas.
O Paradigma de System Design Escrito
A maioria dos developers imagina rodadas de system design como sessões de arquitetura no quadro branco. Você desenha caixinhas, conecta setas, e navega verbalmente pelos trade-offs. Esse é o modelo mental que quase todo material de preparação reforça.
Mas algumas empresas abandonaram isso completamente.
Rodadas de system design escritas — discussões em Google Docs sem diagramas — avaliam algo totalmente diferente. O foco sai da amplitude (quantos sistemas você consegue nomear?) e vai para a profundidade (quão profundamente você consegue raciocinar sobre requisitos, design de schema e trade-offs de escala?). Não tem performance visual para executar. O pensamento precisa falar por si.
O desafio? Essas rodadas são rápidas, e os interviewers conduzem o ritmo de forma agressiva. Candidatos que seguem o ritmo do entrevistador geralmente perdem profundidade antes do fim da sessão. O critério real sendo avaliado é sua capacidade de manter sua estrutura quando redirecionado — não sua fluência com qualquer arquitetura específica.
Isso deveria mudar como você se prepara. Pratique articular pensamento arquitetural por escrito. Fique confortável defendendo suas suposições quando questionado. Aprenda a manter profundidade nos tópicos centrais em vez de superficialidade em muitos.
A Lacuna da Demonstração
É aqui que as coisas ficam realmente interessantes — e onde estão as lições mais importantes para developers ambiciosos.
A rodada de cultura em empresas de IA focadas em pesquisa consistentemente tropeça candidatos que articulam valores profissionais bem racocinados e reflexivos. Eles dizem coisas como "me importo com IA responsável" ou "valorizo rigor técnico." Essas respostas não estão erradas. Só não são distintas.
O problema: essas respostas passariam igualmente bem em qualquer empresa séria de tecnologia. Elas demonstram alinhamento com normas profissionais, não com os desafios e trade-offs únicos de uma empresa específica.
O que entrevistadores realmente querem é demonstração, não declaração. Eles querem saber onde seus valores entraram em conflito com algo real, e o que você escolheu. Querem exemplos concretos do seu histórico — momentos específicos onde você lidou com trade-offs que não eram fáceis. Querem evidência de que você pensou criticamente sobre os próprios compromissos da empresa, não apenas sobre sua missão declarada.
Essa é a lacuna entre alinhamento-declarado e alinhamento-demonstrado. Qualquer um pode dizer que se importa com segurança em IA. Demonstrar esse cuidado através de decisões específicas, trade-offs e exemplos é o que separa candidatos que avançam.
Implicações Práticas para Sua Busca de Emprego
O que tudo isso significa se você está mirando vagas em empresas de pesquisa ou oportunidades similares de alto impacto?
Primeiro, audite sua preparação técnica em busca de lacunas de conhecimento de bibliotecas. Identifique os módulos da biblioteca padrão que você usa superficialmente e invista tempo em entendê-los profundamente. A capacidade de resolver problemas usando as ferramentas certas é cada vez mais valorizada sobre a capacidade de resolver problemas sem elas.
Segundo, pratique comunicação técnica escrita. A capacidade de articular decisões arquiteturais complexas por escrito — claramente, concisamente, e com profundidade adequada — é uma habilidade que recebe pouca atenção na preparação típica, mas aparece em lugares inesperados.
Terceiro, e mais importante, faça o trabalho de introspecção antes das entrevistas. Passe tempo real examinando onde seus valores declarados foram realmente testados. Que decisões você fez que não foram fáceis? Onde você priorizou diferente dos seus colegas? Que trade-offs te mantêm acordado à noite?
As empresas que importam não estão procurando pessoas que conseguem dizer as coisas certas. Estão procurando pessoas que já estão vivendo esses valores — de formas bagunçadas, complicadas e humanas.
Isso é mais difícil de preparar. Mas também é um indicador mais honesto de quem você realmente é como profissional.
O Veredito Final
Habilidades técnicas te levam pela porta. O resto é sobre demonstrar que seus valores não são uma performance.
Isso não deveria ser desencorajador. Deveria ser esclarecedor. Porque quando você entende o que realmente está sendo avaliado, pode parar de martelar a preparação errada e começar a fazer o trabalho que realmente importa: se tornar o tipo de developer que toma decisões ponderadas sob pressão, que consegue defender seu raciocínio quando questionado, e cujos valores foram forjados através de experiência real em vez de talking points ensaiados.
O grind no LeetCode não é inútil. Mas é só o começo.