Como a Meta estrutura times de Super IC

A Meta não está só criando times de Super IC, está redesenhando sua arquitetura de carreira e engenharia em torno deles. Desde 2025, com a criação da Meta Superintelligence Labs (MSL) sob liderança de Alexandr Wang, o conceito deixou de ser uma opção de trajetória profissional para virar um pilar operacional: a nova organização de engenharia de IA aplicada, lançada em março de 2026 e liderada por Maher Saba, adota uma proporção gerencial de 1 para 50, quase o dobro da média do setor. Isso não é otimização de custos, mas um ato deliberado de design de produto organizacional: reduzir fricção de coordenação para acelerar iterações em IA de ponta. Os Super ICs nesse contexto não são especialistas isolados, mas construtores de sistemas, de agentes, ferramentas e pipelines que amplificam sua capacidade de decisão estratégica, muitas vezes com suporte direto de modelos próprios de LLM.

O que diferencia essa estrutura da típica 'carreira paralela' é a forma como ela se conecta ao ciclo de descoberta e validação de produtos. Um Super IC na MSL não começa com uma ideia de produto, mas com um problema de negócios validado em escala, por exemplo, reduzir o tempo médio de treinamento de modelos de linguagem em 40% sem perda de precisão, e tem autonomia para mobilizar recursos, definir métricas de sucesso e entregar resultados mensuráveis em ciclos curtos. Isso exige mais do que técnica: exige discernimento de mercado, capacidade de priorizar sob ambiguidade e habilidade de traduzir necessidades de engenharia em impacto comercial, competências centrais em qualquer processo moderno de definição de estratégia de produto.

Para gestores de produto no Brasil, isso sinaliza uma mudança estrutural no que define valor em times técnicos: não é mais sobre quantas pessoas você lidera, mas sobre o grau de impacto que consegue gerar com poucos pontos de contato. A Meta está testando, em escala global, um modelo onde o papel de Product Manager se funde com o de Super IC, não como substituição, mas como convergência de responsabilidades: descobrir problemas reais com dados de uso, validar hipóteses com experimentação rápida, definir métricas que alinhem engenharia e negócios, e entregar soluções que escalonam por meio de automação e IA. Empresas locais que ainda medem progresso por hierarquia ou número de entregas estão ficando para trás em velocidade de aprendizado e capacidade de inovar em áreas críticas como IA aplicada.