A nstech é a maior plataforma de tecnologia e softwares para logística e supply chain da América Latina. Ela conecta toda a cadeia de transporte — embarcadores, transportadoras, corretores e motoristas — em um único ecossistema digital para tornar as operações mais eficientes, seguras e econômicas.

A nstech está estruturando sua área de IA para levar essa escala para dentro dos produtos e da operação: agentes e modelos que resolvem problemas reais de quem move carga, com valor medido. São quatro times — adoção de IA nas áreas de negócio, plataforma de agentes e modelos, IA nos produtos e pesquisa aplicada — num momento em que há muito a construir.

Buscamos uma pessoa para liderar o time de AI Capabilities: a plataforma sobre a qual todo agente e todo modelo da nstech é construído, executado e medido, dos assistentes internos às funcionalidades que chegam ao cliente.

Você define a arquitetura, monta o time e coloca a primeira versão da plataforma em produção, com agente de verdade rodando sobre ela. O ponto de partida é raro: dados de viagem, veículo, motorista, documento fiscal e ocorrência de risco de toda a cadeia de transporte, numa escala que pouca gente no mundo tem para trabalhar. O desenho que buscamos é um runtime único, com exigências diferentes para agente interno e agente de produto, de forma que o segundo agente custe uma fração do primeiro.

Por que esta vaga

• É fase de fundação, com mandato: arquitetura, stack e padrões de engenharia da plataforma de IA passam pelas suas decisões
• A camada que ensina um agente o que é uma viagem ou um documento fiscal não existe pronta no mercado. Você vai escrevê-la
• Reporte direto ao Diretor de IA, perto das decisões de produto da companhia
• O que o seu time entrega roda em operação logística real, em dez países

Responsabilidades e atribuições:

• Definir a arquitetura da plataforma de IA: gateway de LLMs, camada de MCP, catálogo de tools e o escopo da primeira versão
• Colocar em produção a primeira versão da plataforma de agentes, com o primeiro agente novo rodando sobre ela
• Construir a camada de contexto — ontologia, regras de negócio e APIs dos produtos expostas como tools —, começando por documento fiscal e viagem
• Montar o ferramental de ML com feature store, registro de modelos, serving e monitoramento, para os cientistas de dados que treinam os modelos de produto
• Implantar evals que bloqueiam o deploy quando falham, e dar visibilidade de custo por execução, latência e taxa de sucesso de cada agente
• Operar a plataforma como serviço para outros times, com nível de serviço e responsabilidade em incidente acordados com Engenharia
• Contratar, desenvolver e liderar o time: AI Engineers e Machine Learning Engineers

Com quem você trabalha

Com os times de produto, que constroem agentes sobre a plataforma, e com os cientistas de dados que usam o ferramental de ML. Com a Diretoria de Dados, dona do lakehouse e dos pipelines em que a plataforma se apoia. E com Engenharia, que cuida da infraestrutura base e das ferramentas de IA para desenvolvedores.

Requisitos obrigatórios

• Liderança de time de engenharia de plataforma ou infraestrutura, com responsabilidade por disponibilidade e não apenas por entrega
• Sistemas com LLM em produção, com custo por execução conhecido, avaliação automatizada e resposta definida para quando o modelo regride
• MLOps ponta a ponta: feature store, registro de modelos, serving e monitoramento
• Arquitetura de sistemas distribuídos e operação em produção — observabilidade, plantão, gestão de incidente
• Experiência construindo plataforma ou serviço interno usado por outros times de engenharia
• Gestão direta de pessoas técnicas sêniores, incluindo contratação

Desejáveis

• Databricks em produção, incluindo ciclo de vida de modelo
• MCP, catálogo de tools ou orquestração multiagente
• Python e stack de dados moderna (Kafka, Spark, dbt ou equivalentes)
• Cloud e infraestrutura como código
• Definição de nível de serviço entre times

Diferenciais

• Ambiente com auditoria ou exigência regulatória sobre decisão automatizada (LGPD, explicabilidade, linhagem)
• Logística, transporte, seguros ou outro domínio de alto volume transacional
• Multi-tenancy e isolamento de dado por cliente em produto SaaS
• Contribuição em comunidade técnica, publicação ou open source em IA aplicada