About this [Job - 30376] AI Developer PL/SR (.NET + AWS) role at Ciandt
Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.
Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy.
Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.
Procuramos pessoas localizados no Brasil para a posição de Mid Level/Senior IA Engineer (.Net/ AWS), que atuarão em um projeto do ramo financeiro. Buscamos pessoas desenvolvedoras .Net que usam Inteligência Artificial como parte real do fluxo de trabalho - não como apoio pontual, mas integrada ao dia a dia de engenharia. Você vai atuar com automações e agentes capazes de executar tarefas complexas, interagindo com ferramentas e ambientes reais. Esperamos base técnica sólida em pelo menos uma stack de desenvolvimento, capacidade de estruturar boas especificações para IA e senso crítico para avaliar o que foi gerado.
Responsabilidades:
- Atuar em todo o ciclo de desenvolvimento (design → build → test → deploy → operate) com suporte de IA
- Utilizar agentes e automações para execução de tarefas multi-step
- Estruturar inputs (prompts, specs) para orientar e controlar a IA
- Integrar com ferramentas de engenharia: Git, CI/CD, observabilidade
- Avaliar qualidade e segurança dos outputs gerados por IA
- Compreender a arquitetura por trás das soluções geradas, não apenas operar as ferramentas
Requisitos:
- Desenvolvimento backend com .NET (APIs REST, microsserviços)
- Mensageria e processamento assíncrono (Kafka, SQS, eventos)
- Dominio em Cloud AWS (S3, EC2, Lambdas, SQS, DynamoDB, etc)
- Experiência com Banco de dados Relacionais e Não Relacionais;
- Arquitetura de sistemas distribuídos (DDD, desacoplamento, resiliência, escalabilidade)
- Qualidade de software (testes unitários, integrados, boas práticas)
- Conhecimento sobre Metodologias usando AI (SDD, AI-DLC, etc)
- Uso avançado de AI no desenvolvimento (codegen, testes, refactor, debugging)
- Construção de agentes (multi-step, tool usage, planning + execution)
- Criação de skills reutilizáveis e composição de capacidades
- Integração via MCP (Model Context Protocol) ou equivalente
- Orquestração de workflows (multi-agente ou humano + agente)
- Integração com ferramentas (Git, CI/CD, issue tracking, observabilidade)
- Avaliação crítica de outputs de AI (qualidade, segurança, consistência.
