Como construí este site com IA como par de programação — do zero ao deploy
Este site foi construído com IA como colaborador ativo — não para gerar o texto dos episódios, mas para implementar a plataforma inteira. O que funcionou, o que não funcionou, e o que aprendi sobre trabalhar com agentes de código.
Este site — o café com dopamina — foi construído com IA como par de programação. Não para gerar episódios: o conteúdo é todo meu, escrito a partir da minha experiência. Mas a plataforma em si — o Next.js, o sistema de temporadas e séries, a navegação estilo Netflix, o deploy no GitHub Pages — foi implementada em colaboração ativa com um agente de código.
Vale contar como foi, porque a experiência revelou coisas sobre como trabalhar com IA que não estavam nos tutoriais.
O ponto de partida foi uma decisão de escopo. Eu poderia ter usado um CMS existente, um template de blog, uma plataforma pronta. Escolhi construir porque queria entender o que é possível quando você usa IA não para acelerar código que você já sabe escrever, mas para construir algo que sozinho levaria semanas.
A primeira semana foi de definição de arquitetura. Eu trazia as decisões de produto — episódios em markdown, sistema de temporadas cronológicas, séries temáticas, export estático para GitHub Pages, tema escuro — e o agente implementava. O ciclo era rápido: eu especificava a intenção, ele gerava, eu revisava, eu validava no browser.
O que me surpreendeu logo de início foi a qualidade do julgamento técnico do agente quando o contexto estava claro. Quando eu dizia "preciso de navegação prev/next entre episódios, ordenada por número, com cards grid-2 e hover amber", o resultado na primeira tentativa era bom. Quando eu dizia "melhora a navegação", o resultado era genérico. A qualidade do output era proporcional à precisão do input.
O desafio central foi gerenciar estado de projeto ao longo de múltiplas sessões. Um agente de código não tem memória automática entre conversas. Se você não estrutura o contexto — o que foi decidido, o que está em andamento, o que não deve mudar — ele pode contradizer decisões anteriores. Desenvolvi um padrão: cada sessão começa com um parágrafo de "aqui está o que existe, aqui está o que não muda, aqui está o que queremos agora". Isso sozinho mudou a consistência do resultado.
O segundo desafio foi revisão. Quando o agente gera código rápido, é tentador aceitar sem verificar. Mas ele comete erros — de consistência de dados, de edge cases, de convenções que você estabeleceu e que ele não viu naquele contexto. A velocidade de geração não pode superar a velocidade de revisão. Aprendi a rever cada mudança antes de commitar, não depois de acumular 10.
O que deu certo melhor do que eu esperava foi o ciclo de melhoria iterativa. Um componente que estava funcionalmente correto mas visualmente inconsistente podia ser melhorado com uma sessão de refinamento. "O episodeCard está correto mas parece pesado — o número não destaca o suficiente, o hover não tem personalidade" — e o agente refinava com opções concretas. Esse loop de produto → código → revisão visual → produto ficou natural depois de algumas semanas.
O que falhou mais do que eu esperava foi contexto de estado global. Quando o sistema ficou complexo — 200 episódios, 9 temporadas, 12 séries, rotas dinâmicas com generateStaticParams — o agente ocasionalmente gerava soluções que não consideravam o estado do sistema inteiro. Era raro, mas o custo de uma mudança inconsistente num sistema estático é alto. A mitigação foi: antes de qualquer mudança estrutural, eu descrevia o estado atual do sistema completo e as restrições de compatibilidade.
No final, o que este projeto me ensinou não é sobre IA — é sobre produto. Quando você remove a fricção de implementação, o que sobra é a clareza de intenção. Você descobre rapidamente que a limitação não é o código — é saber o que quer. Especificação boa continua sendo a habilidade mais escassa, mesmo quando a geração de código ficou barata.
Este site existe porque eu tinha clareza do que queria construir e disposição para revisar o que foi gerado. IA acelerou a implementação em talvez 5x. A visão de produto, a curadoria de conteúdo e as decisões de arquitetura continuam sendo minhas.
Essa semana: Se você tem um side project parado por falta de tempo de implementação, tente uma sessão de 2 horas com um agente de código. Defina o escopo com precisão cirúrgica ("construir X, que faz Y, usando Z") e veja o quanto avança. O objetivo não é terminar — é calibrar o que é possível quando a fricção de implementação diminui.