As perguntas técnicas que OpenAI, Anthropic e Nvidia fazem na entrevista de PM

ntrar como Product Manager numa gigante de IA mudou de patamar. Não basta falar de discovery, roadmap e métrica de retenção. OpenAI, Anthropic e Nvidia colocam **pergunta técnica de verdade** na mesa, e a razão é simples: como resumiu **Aakash Gupta**, você precisa entrar e **ganhar o respeito dos engenheiros e pesquisadores** com quem vai trabalhar todo dia. A boa notícia é que dá pra se preparar. O Aakash reuniu 16 dessas perguntas, e elas caem em quatro áreas. A gente organizou abaixo, com uma linha de contexto sobre o que cada bloco está testando. O ponto não é decorar respostas, é mostrar que você entende como a coisa funciona por dentro. ## 1. Fundamentos de LLM Aqui eles querem ver se você sabe o básico do básico, sem decoreba. Se você não consegue explicar como o modelo funciona, fica difícil tomar decisão de produto em cima dele. - Como um Transformer funciona por dentro? O que é o mecanismo de atenção (attention)? - Qual a diferença entre pré-treino e pós-treino? - Por que um LLM não é um banco de dados que você simplesmente consulta? ## 2. Agentes, RAG e contexto Este bloco separa quem só leu manchete de quem já colocou a mão. São os conceitos que definem a arquitetura de quase todo produto de IA hoje. - Qual a diferença entre MCP e uma integração via API? - O que faz um sistema ser um agente, e não um chatbot? - Percorra um pipeline de RAG do início ao fim. - RAG, fine-tuning ou engenharia de prompt: quando usar cada um? ## 3. Custo, sistema e evals Modelo bom que quebra a operação no custo não vira produto. Aqui eles testam se você pensa em sistema, escala e qualidade ao mesmo tempo. - Como equilibrar latência, qualidade e custo? - Como você faria roteamento de modelo e pensaria nos unit economics em milhões de chamadas? - Quando você **não** deveria usar um LLM? - O eval offline passou, mas o usuário está insatisfeito. E agora? ## 4. As perguntas que valem a vaga No fim, vêm as perguntas-assinatura de cada casa. Não têm resposta pronta. O que elas medem é como você raciocina sob incerteza. - **OpenAI:** chega na sua mão um modelo 10x melhor e 10x mais caro. O que você prioriza? - **Anthropic:** qual é a linha vermelha (redline) que esse modelo nunca pode cruzar, e como você garante isso? ## Como se preparar Três coisas ajudam mais do que decorar: 1. **Saiba explicar, não recitar.** Se você consegue desenhar um pipeline de RAG num guardanapo e explicar pra um não-técnico, você passou da maior parte dos candidatos. 2. **Traga trade-off, não certeza.** Latência x custo x qualidade, RAG x fine-tuning, usar ou não usar LLM: eles querem ver o seu critério, não a resposta "certa". 3. **Pense em voz alta.** Nas perguntas-assinatura, o raciocínio importa mais que a conclusão. Mostre como você chega lá. No fundo, é isso que a entrevista mede: se você é um PM que os engenheiros vão querer do lado.