Cover do episódio 180: O que aprendi construindo projetos de pesquisa com IA como par de programação
#1808 de abril, 20253 min leituraComo Eu ConstruíS8 · 2025

O que aprendi construindo projetos de pesquisa com IA como par de programação

Estudar e prototipar sozinho em 2025 é diferente de 2020. Não porque ficou mais fácil — porque ficou possível atacar escopo que antes exigia um time, mesmo sem meta de produto ou receita.

PesquisaIASolo EngineeringProjeto de EstudoComo Construí

Em 2020, tentei construir um produto solo e desisti na terceira semana.

Não por falta de ideia. Por falta de fôlego. Trabalho CLT em período integral, família, e um projeto paralelo que exige que eu seja backend, frontend, infra, design, marketing e suporte ao mesmo tempo — algo colapsa.

Hoje não tento mais construir produto fora da WEX — desde que entrei lá, decidi que fora do trabalho é só pesquisa e aprendizado, nada comercial. Mas em 2025 terminei um protótipo de estudo em seis semanas, sem meta de lançar nada, trabalhando nas brechas: manhãs, fins de semana, horários de almoço.

A diferença não é tempo. É o que você consegue fazer com o tempo que tem.


O que mudou: o ciclo de decisão-execução ficou muito mais curto.

Antes, quando eu chegava num problema de frontend (sendo backend de formação), eu parava. Precisava pesquisar, ler documentação, tentar, errar, pesquisar de novo. Isso não cabe numa janela de 90 minutos.

Agora, descrevo o problema para a IA, ela mostra um caminho, eu adapto para o meu contexto, testamos juntos. O tempo de "não sei como fazer isso" para "funciona" caiu de horas para minutos.

Isso muda o que é possível numa janela de 90 minutos.


Como funcionou na prática:

Defini a ideia em uma página. O que o protótipo faz, para quem seria, qual o problema que resolveria. Escrevi isso como se fosse explicar para um colega que nunca ouviu falar — essa clareza é o que alimenta o diálogo com IA depois.

Construí um roadmap de duas semanas. Não um backlog de 200 tickets — uma lista de funcionalidades mínimas para ter algo testável. Com IA, o risco de over-engineering aumenta porque você consegue construir mais rápido. A disciplina de escopo ficou mais importante, não menos.

Tratei IA como par técnico sênior que não conhece meu contexto. Isso é a postura certa. A ferramenta tem conhecimento amplo, mas não sabe o que estou explorando, para quem seria, com qual constraint. Eu explico o contexto. Ela sugere implementações. Eu julgo se faz sentido.


O que eu faço que a IA não faz:

Decidir qual problema vale a pena explorar. A ferramenta não tem opinião sobre isso — tem padrões de mercado.

Testar com gente real. Mostrei o protótipo para algumas pessoas para ouvir reação, sem nenhuma meta de lançamento. Feedback real é insubstituível — a IA não simula alguém que não entende um botão, não clica onde você espera, usa a coisa de um jeito que você não antecipou.

Definir o que é suficientemente bom para parar. IA tende a otimizar infinitamente. Eu decido quando encerrar o estudo.


O que aprendi sobre qualidade com esse processo:

Velocidade de escrita de código aumentou, mas velocidade de debug não acompanhou. Quando algo quebra de forma estranha, ainda preciso entender o código o suficiente para encontrar a causa raiz. Copiar código sem entender cria dívida de debugging.

A regra que adotei: não avançar para o próximo bloco sem entender o bloco atual. Não na totalidade — mas o suficiente para saber onde olhar quando quebrar.


Essa semana: se você tem uma ideia de estudo parada por "não tenho tempo de construir sozinho", estime quantas janelas de 90 minutos seriam o mínimo para ter um protótipo testável. Se for menos de 20, você pode ter subestimado o que é possível agora.