Mid-January 2026, I came back to Claude Code. I had been the Chief AI Officer at Stone Co. for almost three years. My team of ~100 people had built AI systems at real scale — 100% of our customer service and sales running on proprietary AI, nearly R$1 billion in results over a five-year horizon. I knew AI. I was confident. And within a single session, I felt like I'd gone from pole position to dead last.
Not because the code I was writing was bad. Because I realized how little of it I actually needed to write.
Over the next six weeks — squeezed between board meetings, team reviews, and the ordinary chaos of leading a large technology organization — I built twelve pieces of software. Some useful. Some silly. Some genuinely impressive, if I'm honest. This is the story of what I built, what broke, what surprised me, and what all of it implies for the future of software development.
A bit of context
I've been writing code for almost 30 years. I started as a kid, became an entrepreneur in my 20s, built teams and companies through my 30s, and never stopped coding. When I joined Stone three years ago to build the AI team, I brought that coding instinct with me — not because a CAIO needs to code, but because you can't lead something you haven't done yourself.
Our AI work at Stone had been focused entirely on building software that uses AI to solve customer problems: conversational agents, LLM-powered decision systems, retrieval pipelines. Not AI on the SDLC itself. That was the CTO's domain. I'd been experimenting with coding assistants since 2022 — Copilot, Cursor, various agentic modes. I'd shipped a few things with them. But the experience was always the same: a lot of back-and-forth, quality that degraded as context grew, and a mental model of the process that hadn't really changed. I was still the one doing the work; the AI was autocompleting it.
Then I sat down properly with Claude Code. And something actually shifted.
It wasn't that the code was perfect. It's that the interaction model was different. I described what I wanted at the product level. It built it. I refined. It adapted. Context held. The back-and-forth that used to happen inside my own head — "should I use this library, how should I structure this, what are the edge cases" — now happened as a conversation. And the conversation was fast.
I started staying up late. Not because I had to. Because I couldn't stop.
What I built
Here's the full list. Twelve projects in six weeks, all built in evenings and on weekends. Most are running in production today — on my home server, on my Mac, in Docker containers on a Raspberry Pi. A few are genuinely novel. All of them taught me something.
1. Home Chores — the housekeeper's print list
My housekeeper has been with my family for years. She knows her job, but coordinating recurring tasks — which bathroom gets cleaned on which day, what's on the menu this week, what needs special attention before guests arrive — involves a lot of back-and-forth that neither of us enjoy. I wanted to automate that.
What it does: Home Chores is a Next.js web app that generates daily checklists and prints them — physically, on a thermal printer — for household tasks. It's explicitly not a task tracker — there's no "done" state, no completion logging, no dashboard. The system decides what appears on today's list based on recurrence rules, and the list comes out on paper each morning. The housekeeper grabs the sheet and gets to work.
It also handles meal planning: a monthly calendar where dishes are scheduled (or randomized), so the shopping list and daily cooking instructions flow naturally from the same system.
Home Chores
🖨️ ⚙️
‹
Hoje
terça-feira, 11 de março
›
Preview do que será impresso para este dia
Joana (diarista)4 tarefas
🧹Limpar banheiro suíte
🧺Lavar roupa de cama
🍳Preparar almoço: Frango grelhado
📦Organizar armário quarto
4 tarefas regulares · 0 especiais · 1 avulsa
📋
Hoje
✅
Tarefas
🍽️
Cardápio
🖨️
Imprimir
👥
Equipe
The Today view — pulled from a phone at 7am, then handed to the printer.
What's cool: Before this, the housekeeper worked from memory and a pen-and-clipboard system my wife had jury-rigged over the years. Now there's a printed list waiting every morning, and we've been running on it for six weeks without a single coordination hiccup. My wife runs it — she plans the menu, sets special tasks, adjusts. When the AC filter needed cleaning she just added it. Done. It has quietly become the connective tissue of our household operations.
Built in: A weekend, between playing with my kid, barbecuing and jumping in the pool.
2. AIR — the AI news curator
I read Hacker News obsessively. Too obsessively. I wanted a daily digest of only the AI-related stories, summarized, ranked by score, delivered to a static website I control.
What it does: AIR (AI Engineer News) is a fully automated pipeline that runs every morning at 6am UTC. It fetches the previous day's HN stories via the Algolia API, classifies each title as AI-related or not using GPT-4.1-mini, crawls the actual URLs (with Playwright, plus Firecrawl as a paywall fallback), generates ~128-character summaries, and publishes a static HTML page to S3. There's a CloudFront distribution in front of it. Stories with a score above 82 get a fire emoji.
air.lucasprim.org/2026-03-10.html
> AI_ENGINEER.NEWS
// curated from Hacker News with AI · March 10, 2026
AIR's generated newsletter page — dark terminal aesthetic, monospace throughout, stories ranked by HN score.
What's cool: I built something similar in 2023. It worked, barely, and took weeks of wrestling with scrapers, rate limits, and brittle parsers. Claude built a better version — multi-layer crawl strategy, parallel workers, exponential backoff, paywall detection — in a single sitting. It runs unattended every morning at 6am UTC and I haven't touched it since. Live at ainews.lucasprim.org.
Built in: A single sitting.
3. Let's Stretch — stretch reminders for desk workers
I sit at a desk for too many hours. My back knows it. My physiotherapist knows it. I needed something that would interrupt me every hour with a specific stretch, walk me through it step-by-step, and then go away.
What it does: A native macOS menu bar app. 18 curated stretches designed for desk workers. Configurable intervals. Step-by-step visual instructions with a countdown timer. Auto-play sessions that chain multiple stretches. Starts at login, stays out of the way.
🧘
Neck Tilt Stretch
↺
🏃 neck⏱ 20s🪑 desk-friendly
Gently releases tension in the neck and upper trapezius muscles.
14
How to do it
1
Sit up straight with your shoulders relaxed and feet flat on the floor.
2
Slowly tilt your head toward your right shoulder until you feel a gentle stretch on the left side.
3
Hold for the duration of the timer, then switch sides.
The Let's Stretch popover — drops from the menu bar, counts down, guides you through each step.
What's cool: This was my first Mac app ever. I've always wanted to ship something native for macOS — it's been a dream since I got my first Mac — but I never learned Swift. I still haven't, really. I watched Claude write the whole thing, stepping in only to decide what the next feature should be. The moment the popover dropped from the menu bar and the timer started counting down, I felt something I haven't felt in software in a long time. I use it every day.
4. Livelo Notifier — catching loyalty point bonuses
Livelo is Brazil's largest loyalty points program, and its partner multipliers change constantly. When a partner goes from 1x to 4x points, there's usually a brief window to earn a lot of points. I was missing these windows because I don't check the site manually.
What it does: A background service that scrapes Livelo's partner page, compares current multipliers against stored history, and sends Telegram notifications when a tracked partner changes. You can manage tracked partners directly through the Telegram bot with inline buttons.
🤖
Livelo Notifier
bot
🔥 Promoção detectada!
iFood mudou de 1× para 4× pontos
⏰ Válido por tempo limitado
🔕 Ignorar📋 Ver parceiros
14:32
Ver parceiros
14:33 ✓✓
📋 Seus parceiros monitorados
🍔 iFood4×
✈️ Latam2×
🛒 Rappi1×
14:33
Livelo Notifier catches a 4× multiplier window on iFood and pings Telegram immediately.
What's cool: I've wanted this for years. I'm a compulsive buyer of points — I used to check Livelo every few days, anxious about missing a good promotion. Since this went live, that anxiety just... evaporated. Promotions still come and go, but now I find out the moment they happen. When I don't get a notification, I stop thinking about it. The app fixed a behavior I couldn't fix with willpower alone.
Built in: A Saturday afternoon, while my toddler slept.
5. Mercado — automated grocery cart filling
Online grocery shopping at my local supermarket involves too much clicking. For a recurring weekly order, I want to add items to the cart without browsing. Mercado is an attempt to automate that.
What it does: A macOS Electron desktop app that maintains a local product catalog from my local supermarket, normalizes product names and categories using OpenAI, and lets you select items to add to your cart — very quickly, since the catalog is in memory.
Mercado — Delivery Fort
Mercado
🔍Buscar produtos...
✓ Atualizado
Categorias
Todos (847)
🥩 Carnes (94)
🥦 Verduras (67)
🥛 Laticínios (52)
🍞 Padaria (38)
🧴 Limpeza (71)
Todos os Produtos (847)
🫒
Azeite Extra Virgem 500ml
Gallo
R$ 24,90
🍗
Peito de Frango 1kg
Sadia
R$ 18,99
🥛
Leite Integral UHT 1L
Itambé
R$ 6,49
🍞
Pão de Forma Integral 500g
Wickbold
R$ 8,90
🛒 Carrinho (1 item — R$ 18,99)
Mercado's product grid — OpenAI-normalized names, organized by category, with one-click cart building.
What's cool: My wife is the main user. What used to be 45–60 minutes of clicking through a grocery app is now 5 minutes in Mercado. I didn't overengineer it — no integrations with the menu, no multi-providers, no recurring lists, nothing. Just a local Electron app that does one thing. The fact that it's exactly what she needed and nothing more is the point.
Built in: Two evenings.
6. Mibo Snapshot — 1080p camera frames without port forwarding
I'm building a house. There are cameras at the construction site. The site runs on Starlink — great bandwidth, but you can't open inbound ports, so there's no way to reach the cameras directly from outside. I wanted periodic 1080p snapshots uploaded to S3 automatically, and I wanted them without having to drive over there every time I got curious.
The cameras use a proprietary P2P relay protocol that isn't documented anywhere.
What it does: Connects to the camera through Dahua's proprietary P2P relay infrastructure (the Intelbras cameras are white-label Dahua hardware), opens a PTCP sub-channel, bridges it to a local TCP port, and uses ffmpeg to capture 15 frames from the H.264 main stream — then picks the best one using an ML-based quality scorer. No port forwarding. No local network access required. 1080p.
site-snapshot — python
INFO Starting snapshot service (3 cameras, interval: 15m) INFO [Camera 1] Connecting via P2P relay... (attempt 1/50) WARN [Camera 1] Relay connection failed, retrying... INFO [Camera 1] Connecting via P2P relay... (attempt 2/50) OK [Camera 1] P2P tunnel established → localhost:18554 INFO [Camera 1] Capturing 15 frames via RTSP... INFO [Camera 1] Frame scores: [42KB✓ 38KB✗ 51KB✓ 49KB✓ 55KB✓ ...] OK [Camera 1] Best frame: 55KB (frame 12, no corruption) OK [Camera 1] → s3://my-site-cameras/Camera 1/20260311141503.jpg INFO [Camera 2] Connecting via P2P relay... (attempt 1/50) OK [Camera 2] P2P tunnel established → localhost:18555 OK [Camera 2] → s3://my-site-cameras/Camera 2/20260311141518.jpg INFO [Camera 3] Connecting via P2P relay... (attempt 1/50) OK [Camera 3] → s3://my-site-cameras/Camera 3/20260311141531.jpg OK Snapshot cycle complete in 28.4s · Next run: 14:30:00 ▊
site-snapshot running — the P2P relay succeeds on attempt 2, 15 frames captured, best one wins.
What's cool: Claude spent about 30 hours on this. I watched it try and fail dozens of times — wrong connection approach, wrong protocol handshake, wrong frame extraction method. I intervened maybe three times to redirect: "try the P2P relay instead of direct RTSP," "capture multiple frames and pick the best one," "check for corruption before uploading." The result is super reliable. It runs on my home server, handles network flakiness gracefully, and the snapshots land in S3 every 15 minutes without complaint.
Built in: One weekend.
7. Water Tracker — drink water, with your webcam as a witness
I don't drink enough water. My endocrinologist says this. Nobody fixes it. My solution: a macOS menu bar app with a webcam pointed at my desk that detects when I'm actually drinking — and a counter to prove it.
What it does: An overengineered macOS menu bar app. The main feature is the webcam detection: it uses Machine Learning to notice when you lift your bottle and drink, so you don't have to manually log anything. On top of that: configurable bottle sizes, daily goal tracking, screen-edge nudges, and a calibration flow that trains the model on your specific camera, your specific lighting, and your specific bottle.
1 250
/ 2 000 ml
🔥7 day streak
Water Tracker's menu bar popover — 1,250 of 2,000 ml logged, 7-day streak intact.
What's cool: The webcam detection actually works, which surprised me. The calibration UI — capture baseline, capture drinking, tune thresholds, test live — turned out to be harder to design than the detection algorithm itself. Lighting changes all day and your camera sees everything differently at 3pm vs. 8am. More importantly: I actually drink more water now. Every 15 minutes, my screen flashes blue. That's the reminder. It works.
8. Obra Reporter — construction site surveillance via Telegram and Claude
I'm building a house. The construction site is a few kilometers away. I have cameras on-site, their snapshots going to S3 via Mibo Snapshot (see above), and my anxiety keeps tempting me to open the cameras every hour or so.
What it does: A Telegram bot that connects to the S3 bucket where the camera snapshots land. Every hour, it sends an automated progress report — a photo from each camera with a timestamp. At end of day, it generates a summary log. You can also ask it on demand: /fotos shows the latest from each angle, /timelapse compiles the day's snapshots into a video, /analisa runs Claude Vision on the latest photos and tells you what changed.
🏗️
Obra Reporter
bot · online
/fotos
09:14 ✓✓
📸 Últimas fotos — 14:30
Camera 1
Camera 1 2
Camera 2
Camera 3
🎬 Timelapse🔍 Analisar
09:14
Obra Reporter shows the latest snapshot from each camera — all pulled from S3 on demand.
What's cool: Knowing what's happening at the site is amazing. Every day there are surprises — a new wall up, a team working I didn't know was coming, something unexpected uncovered. My contractor was genuinely taken aback when I showed him the hourly reports and the timelapse from the first week. He asked if I was building something to sell. I said no, it's just for me.
Built in: Two evenings.
9. My Dream Todo App — Obsidian-backed task management
I've tried every task manager. None of them stick. The problem is always the same: the data is locked in the app, the app's model doesn't quite match how I think, and eventually I abandon it. My notes, though — those live in Obsidian, and I've been consistent there for years. So: what if my task manager was just a better interface over my existing Obsidian vault?
What it does: A Next.js web app that reads and writes .md files directly in an Obsidian vault directory. SQLite acts as a derived query index (rebuilt from disk whenever files change), and Chokidar watches for external changes from Obsidian Sync. The source of truth is always the markdown files — which means everything stays in sync with Obsidian on my phone and other devices.
mytasks.local/today
☑My Tasks
📥 Inbox 4
⭐ Today
Projects
📁 Blog
📁 Stone
📁 Reforma
📅 Calendar
🔍 Search
Available Tasks
▾📥 Inbox4
☐ Responder email do contador
+
☐ Revisar métricas Stone
+
☐ Comprar passagem viagem
+
Today's Plan2 tasks · 1 event
1 of 2 done · 50%
Calendar
☐ 1:1 com o time de produto
🕐 14:00–14:30
✅Publicar post no blog−
☐ Revisar métricas Stone
−
My Dream Todo's planning view — drag tasks from inbox (left) into today's plan (right). Source of truth stays in Obsidian .md files.
What's cool: Source of truth is always the .md files — not the database, not the app's state. Every change I make in the web app syncs automatically to Obsidian on my phone. Every note I take on my phone shows up in the web app. The database is just a derived index that can be thrown away and rebuilt. That's the architecture I've always wanted from a task manager.
Built in: A few evenings.
10. Stone Trainer — practice selling to an AI persona
Sales training at scale is expensive. Role-play sessions with a coach or a colleague are limited by calendar and courage — nobody likes to be the one who stumbles through an objection in front of their manager. What if a sales rep could practice with an AI persona that pushes back, forgets nothing, scores every call, and is available at 11pm on a Sunday?
What it does: Stone Trainer is a sales role-play platform where reps practice conversations with AI-powered customer personas. Each persona has a name, backstory, company, difficulty level, and a set of objections appropriate to their profile. Reps can practice via text chat or voice — and the voice mode is genuinely impressive: sub-300ms latency, natural turn-taking, and a live transcript that follows the conversation. After each session, an AI evaluator scores the call against a structured rubric and generates detailed feedback. There are learning tracks with progressive difficulty, a leaderboard, and certificates when tracks are completed.
Stone Trainer
⚡
📊
🏆
🎙️
💬
📋
Trilha: Vendas Enterprise · Estágio 3 de 5
👩💼
Carolina Mendes
Diretora de TI · Grupo Financeiro ABC
IA falando...
TRANSCRIÇÃO
Você: Nossa plataforma reduz o custo de atendimento em até 40% no primeiro trimestre.
Carolina: Quarenta por cento é uma promessa bem ambiciosa. Quais empresas do setor financeiro vocês já atenderam com esses resultados?
Objetivo da reunião
Apresente a plataforma e convença Carolina a agendar uma PoC de 30 dias com a equipe técnica.
Critérios avaliados
● Abertura e rapport
● Descoberta de dores
● Proposta de valor
● Tratamento de objeções
● Fechamento
Dificuldade
DIFÍCIL
Stone Trainer's voice call interface — a real conversation with an AI persona, sub-300ms latency via WebRTC + OpenAI Realtime API.
What's cool: Our operations teams had been asking for something like this for years. Sales training is expensive, scheduling is hard, and nobody wants to stumble through objections in front of their manager. The idea had been on a whiteboard for a while. I sat down with Claude Code and had a working prototype — voice included, ~300ms latency, AI persona responding, scoring rubric evaluating — in under 24 hours. From idea to something you could demo to a sales team: one day.
Built in: Less than 24 hours.
11. Stone AI Apps — AI micro-apps for Brazilian entrepreneurs
Small business owners in Brazil — restaurant owners, barbers, boutique operators, gym managers — are drowning in operational complexity. Marketing, suppliers, customers, products, employees: there's always more to manage than there are hours in a day. Stone serves millions of these businesses with payments and financial services. We'd always wanted to help them beyond banking. But "help" is vague. What does it actually look like? We'd been talking about it for months without shipping anything.
I built the first version on a taxi on the way to a meeting in São Paulo. A team took it from there. In less than a week it was being tested by real customers. The feedback was immediate and genuinely surprising.
What it does: Stone AI Apps is a platform of mobile-first micro-apps powered by AI to help our customers — restaurants, gyms, boutiques, you name it — handle their day-to-day operations. There are apps for photo enhancement, social media content, menu translation, competitor intelligence. There are new ones being built as fast as we can think of them. Each one tackles a specific operational pain. Each one is available to any Stone customer from day one.
Transforme fotos comuns em imagens profissionais com IA
Variantes geradas — Prato de Frango Grelhado
🍗
Studio
Fundo branco
🍽️
Lifestyle
Em uso
Gerando...
Contexto
Ambiente
✨
Aguardando...
Criativo
Artístico
The Photo Enhancer streaming four professional variants in real time via SSE — studio and lifestyle arrived, context is generating, creative is queued.
What's cool: AI gave us the ability to jump from "we should help our customers with more than banking" to actually doing it. That gap — between the idealized version of a thing and the real thing in front of real users — used to take months. Requirements, design sprints, estimates, dev cycles, testing. Now it takes days. The cycle compressed so much it's almost unrecognizable. And the apps keep coming.
Built in: A taxi trip and a daylong meeting.
12. Lucy Manager — the migration that never happened, done in two hours
Every engineering team has one. The migration that's been on the roadmap for three years. The one that keeps getting pushed because there's always something more urgent. Ours was Lucy Manager: the internal tool our team uses daily to configure bots, manage knowledge bases, and debug conversations — sitting on a Vue.js codebase that nobody on the team uses anymore. Everyone writes React. The app worked fine. Migrating it "just" meant rebuilding the whole thing in Next.js. Nobody ever found the time.
On a Friday afternoon, a colleague and I sat down with Claude Code at 5pm. At 7pm, we had a working Next.js app.
What it does: Lucy Manager is the control plane for Stone's Lucy platform — our LLM chatbot infrastructure. From it, you create and configure bots (engine selection, personas, settings), manage the knowledge base (documents organized in folders, with draft/published versioning), define conversation intents (seven types: RAG, Dialogflow, FormFlow, GuidedFlow, and more), simulate conversations against draft or live content, and audit historical conversations with feedback, debug data, and audio playback. There's also an embedded chat widget with multiple authentication strategies for different deployment contexts.
lucy-manager.internal.example.com/bots
L
🤖
📄
⚡
💬
🔍
Bot:Lucy Atendimento▾
Rascunho
Publicado
Bots
4 bots configurados
🤖
Lucy Atendimento
GPT-4.1 · ~150 documentos · ~20 intents
ATIVO
🤖
Lucy Vendas
GPT-4.1 · ~70 documentos · ~10 intents
ATIVO
🤖
Lucy Cobrança
Claude Sonnet 4.6 · ~30 documentos · ~10 intents
RASCUNHO
Lucy Manager's bot list — the central control panel for Stone's chatbot infrastructure, now in Next.js.
What's cool: This had been on the roadmap for three years. Every quarter someone would say "we really should migrate Lucy Manager" and every quarter something more urgent would take the slot. At one point we tried to outsource it — the quote came back at six months and R$1 million. We passed. Two hours with Claude Code on a Friday evening and it was done. Our team saw it Monday morning and couldn't believe it. The migration that never finds the time turns out to take an afternoon when you stop writing the code yourself.
Built in: Friday, 5pm to 7pm, with a colleague.
The pattern I noticed
Looking at this list, a few things stand out.
First: the scope of what I was willing to attempt changed completely. Mibo Snapshot required reverse-engineering a proprietary UDP-over-relay protocol, building an image quality scoring heuristic, and orchestrating ffmpeg through an async Python process. A year ago, I would have looked at that problem and said "too much unknown territory for a weekend project." With AI, I treated it as a normal weekend project. And it worked.
Second: the bottleneck shifted from implementation to specification. The hardest parts of every project were figuring out exactly what I wanted — the product decision, the UX model, the right abstraction. The actual writing of code became almost secondary. Home Chores taught me this most directly: the insight that it should be a print list generator, not a task tracker, was the real work. Implementing it was just... typing.
Third: the native platform wasn't a barrier anymore. Let's Stretch and Water Tracker are both native Swift macOS apps with full App Store-quality UX. I had never written Swift. That didn't matter. The language barrier collapsed. What used to require dedicated iOS/macOS engineers — or months of re-learning — is now something you can pick up for a weekend project.
Fourth: the gap between "idea" and "thing that exists" is now measured in hours, not weeks. Every single project on this list, from conception to first running version, took less than a weekend. Some took a single night. The Livelo Notifier, including the Telegram bot integration, the database schema, and the scraper, was probably 4 hours of actual elapsed time.
The premises on which the entire software development lifecycle was built — scarcity of engineering time, high cost of exploration, the need for specialized skills — have changed overnight.
What this means for the SDLC
Our entire field has been organized around a fundamental constraint: software is expensive to build. That constraint shaped everything. Why we have product managers (to prioritize ruthlessly because engineering time is scarce). Why we have sprints (to batch work into predictable delivery units). Why we have separate design, frontend, backend, and QA roles (because expertise is narrow and specialists are faster than generalists). Why we have architecture review boards and RFC processes (because the cost of a wrong architectural decision is enormous to unwind).
All of that organizational machinery makes sense if, and only if, the underlying constraint holds: that engineering time is genuinely scarce and expensive, and that mistakes are costly to fix.
What I experienced over the last six weeks suggests that constraint is weakening. Fast.
When one person can build twelve pieces of software in six weeks of evenings — software that spans mobile native apps, background services, sales training platforms, Electron apps, Next.js web apps, Python data pipelines, and protocol reverse-engineering — the math changes. You don't need to prioritize as ruthlessly if exploration is cheap. You don't need specialists if the language barrier has collapsed. You don't need formal RFC processes if a wrong architectural decision takes an afternoon to unwind rather than a quarter.
This doesn't mean engineers become irrelevant. It means the job description changes. The most valuable thing an engineer does is understand the problem deeply enough to know what to build. That judgment — "this should be a print list generator, not a task tracker," or "our customers don't need better marketing tools, they need help with the messy whole of running a business" — is not something AI does easily. It comes from years of domain knowledge, from real conversations with real customers, from the instincts built by getting things wrong. The kind of insight that produced Stone AI Apps didn't come from a prompt. It came from three years of being close to the problem. AI is remarkably good at the part that comes after that judgment is made.
The SDLC was designed for a world where implementation was the bottleneck. We built enormous systems of process, coordination, and governance to manage that bottleneck. Those systems worked. They delivered results at Stone; I've seen what they can do at scale.
But the bottleneck is moving. And organizations that adapt — that rethink what product management looks like when exploration is cheap, that rethink what engineering teams look like when one person can do what used to require five, that rethink what "done" means when you can ship a prototype in a day — those organizations are going to eat the ones that don't.
I fell from pole position to last place in a single session with Claude Code. Six weeks later, I feel like I've closed the gap. Not because I've figured out how to use AI in my workflow. Because I've started to understand what the workflow itself needs to become.
The renaissance is just getting started.
Em meados de janeiro de 2026, voltei ao Claude Code. Eu era o Chief AI Officer da Stone Co. havia quase três anos. Minha equipe de ~100 pessoas construiu sistemas de IA em escala real — 100% do nosso atendimento ao cliente e vendas rodando em IA proprietária, quase R$1 bilhão em resultados num horizonte de cinco anos. Eu entendia de IA. Estava confiante. E em uma única sessão, senti que havia saído do pole position para o último lugar.
Não porque o código que eu estava escrevendo fosse ruim. Mas porque percebi o quanto pouco dele eu realmente precisava escrever.
Nas seis semanas seguintes — espremidas entre reuniões de board, revisões de equipe e o caos ordinário de liderar uma grande organização de tecnologia — construí doze softwares. Alguns úteis. Alguns bobos. Alguns genuinamente impressionantes, honestamente. Essa é a história do que eu construí, o que quebrou, o que me surpreendeu, e o que tudo isso implica para o futuro do desenvolvimento de software.
Um pouco de contexto
Escrevo código há quase 30 anos. Comecei ainda criança, me tornei empreendedor na casa dos 20, construí times e empresas na casa dos 30, e nunca parei de programar. Quando entrei na Stone há três anos para criar o time de IA, trouxe esse instinto comigo — não porque um CAIO precise programar, mas porque não dá para liderar algo que você nunca fez.
Nosso trabalho de IA na Stone sempre focou em construir software que usa IA para resolver problemas de clientes: agentes conversacionais, sistemas de decisão baseados em LLM, pipelines de recuperação. Não IA no próprio ciclo de desenvolvimento. Isso era responsabilidade do CTO. Eu havia experimentado assistentes de código desde 2022 — Copilot, Cursor, vários modos agentivos. Entreguei algumas coisas com eles. Mas a experiência era sempre a mesma: muito vai-e-vem, qualidade que degradava conforme o contexto crescia, e um modelo mental do processo que não havia realmente mudado. Eu ainda era o responsável pelo trabalho; a IA estava completando automaticamente.
Então me sentei de verdade com o Claude Code. E algo realmente mudou.
Não era que o código fosse perfeito. Era que o modelo de interação era diferente. Eu descrevia o que queria em nível de produto. Ele construía. Eu refinava. Ele adaptava. O contexto se mantinha. O vai-e-vem que costumava acontecer dentro da minha própria cabeça — "devo usar essa biblioteca, como devo estruturar isso, quais são os casos extremos" — agora acontecia como uma conversa. E a conversa era rápida.
Comecei a ficar acordado até tarde. Não porque eu tinha que fazê-lo. Porque eu não conseguia parar.
O que eu construí
Aqui está a lista completa. Doze projetos em seis semanas, todos construídos em noites e fins de semana. A maioria está em produção hoje — no meu servidor doméstico, no meu Mac, em containers Docker num Raspberry Pi. Alguns são genuinamente inéditos. Todos me ensinaram algo.
1. Home Chores — a lista impressa da diarista
Minha diarista trabalha com minha família há anos. Ela sabe seu trabalho, mas coordenar tarefas recorrentes — qual banheiro é limpo em que dia, o que tem no cardápio desta semana, o que precisa de atenção especial antes de receber visitas — envolve muito vai-e-vem que nenhuma de nós aprecia. Eu queria automatizar isso.
O que faz: Home Chores é um app web em Next.js que gera listas diárias de tarefas e as imprime — fisicamente, em uma impressora térmica — para as atividades domésticas. Explicitamente não é um gerenciador de tarefas — não há estado "concluído", sem registro de conclusão, sem dashboard. O sistema decide o que aparece na lista de hoje com base em regras de recorrência, e a lista sai no papel toda manhã. A diarista pega a folha e começa a trabalhar.
Também gerencia o planejamento de refeições: um calendário mensal onde os pratos são agendados (ou sorteados), para que a lista de compras e as instruções de culinária diárias fluam naturalmente do mesmo sistema.
Home Chores
🖨️ ⚙️
‹
Hoje
terça-feira, 11 de março
›
Preview do que será impresso para este dia
Joana (diarista)4 tarefas
🧹Limpar banheiro suíte
🧺Lavar roupa de cama
🍳Preparar almoço: Frango grelhado
📦Organizar armário quarto
4 tarefas regulares · 0 especiais · 1 avulsa
📋
Hoje
✅
Tarefas
🍽️
Cardápio
🖨️
Imprimir
👥
Equipe
A visão de Hoje — gerada no celular às 7h e enviada para a impressora.
O que é legal: Antes disso, a diarista trabalhava de memória e com um sistema de papel e caneta que minha esposa havia improvisado ao longo dos anos. Agora há uma lista impressa esperando toda manhã, e funcionamos assim há seis semanas sem nenhum problema de coordenação. Minha esposa gerencia — ela planeja o cardápio, define tarefas especiais, ajusta. Quando o filtro do ar-condicionado precisou de limpeza, ela simplesmente adicionou. Pronto. Tornou-se silenciosamente o tecido conectivo das nossas operações domésticas.
Construído em: Um fim de semana, entre brincar com meu filho, churrasco e piscina.
2. AIR — o curador de notícias de IA
Eu leio o Hacker News obsessivamente. Obsessivamente demais. Queria um resumo diário apenas das histórias relacionadas à IA, sumarizadas, classificadas por pontuação, entregues a um site estático que eu controlo.
O que faz: AIR (AI Engineer News) é um pipeline totalmente automatizado que roda toda manhã às 6h UTC. Ele busca as histórias do dia anterior no HN via API do Algolia, classifica cada título como relacionado à IA ou não usando o GPT-4.1-mini, rastreia as URLs reais (com Playwright, mais Firecrawl como fallback para paywalls), gera resumos de ~128 caracteres, e publica uma página HTML estática no S3. Há uma distribuição CloudFront na frente. Histórias com pontuação acima de 82 ganham um emoji de fogo.
air.lucasprim.org/2026-03-10.html
> AI_ENGINEER.NEWS
// curado do Hacker News com IA · 10 de março de 2026
Melhorias significativas em raciocínio de longo contexto e uso de ferramentas em múltiplas etapas; preços da API inalterados em relação à geração anterior.
A página do AIR — visual de terminal dark, tudo em monospace, histórias classificadas por pontuação.
O que é legal: Construí algo parecido em 2023. Funcionou, mal, e levou semanas de batalha com scrapers, limites de taxa e parsers frágeis. O Claude construiu uma versão melhor — estratégia de rastreamento em múltiplas camadas, workers paralelos, backoff exponencial, detecção de paywall — em uma única sessão. Roda sem atenção toda manhã às 6h UTC e não toquei nele desde então. Disponível em ainews.lucasprim.org.
Construído em: Uma única sessão.
3. Let's Stretch — lembretes de alongamento para quem trabalha sentado
Fico sentado em uma mesa por horas demais. Meu corpo sabe disso. Meu fisioterapeuta sabe disso. Eu precisava de algo que me interrompesse a cada hora com um alongamento específico, me guiasse passo a passo, e depois sumisse.
O que faz: Um app nativo para a barra de menu do macOS. 18 alongamentos selecionados para quem trabalha sentado. Intervalos configuráveis. Instruções visuais passo a passo com temporizador de contagem regressiva. Sessões com reprodução automática que encadeiam múltiplos alongamentos. Inicia no login, fica discreto.
🧘
Inclinação Lateral do Pescoço
↺
🏃 pescoço⏱ 20s🪑 sem sair da cadeira
Alivia a tensão no pescoço e no músculo trapézio superior.
14
Como fazer
1
Sente-se ereto com os ombros relaxados e os pés apoiados no chão.
2
Incline lentamente a cabeça em direção ao ombro direito até sentir o alongamento no lado esquerdo.
3
Mantenha pelo tempo do cronômetro, depois troque de lado.
O popover do Let's Stretch — desce da barra de menu, conta o tempo, guia cada passo.
O que é legal: Esse foi meu primeiro app de Mac. Sempre quis lançar algo nativo para macOS — foi um sonho desde que tive meu primeiro Mac — mas nunca aprendi Swift. Ainda não aprendi, na verdade. Assisti o Claude escrever tudo, intervindo apenas para decidir qual seria o próximo recurso. No momento em que o popover desceu da barra de menu e o temporizador começou a contagem regressiva, senti algo que não sentia no software há muito tempo. Uso todos os dias.
4. Livelo Notifier — caçando bônus de pontos de fidelidade
O Livelo é o maior programa de fidelidade do Brasil, e seus multiplicadores de parceiros mudam constantemente. Quando um parceiro vai de 1x para 4x pontos, geralmente há uma janela breve para acumular muitos pontos. Eu estava perdendo essas janelas porque não verificava o site manualmente.
O que faz: Um serviço em background que raspa a página de parceiros do Livelo, compara os multiplicadores atuais com o histórico armazenado, e envia notificações no Telegram quando um parceiro monitorado muda. Você pode gerenciar os parceiros monitorados diretamente pelo bot do Telegram com botões inline.
🤖
Livelo Notifier
bot
🔥 Promoção detectada!
iFood mudou de 1× para 4× pontos
⏰ Válido por tempo limitado
🔕 Ignorar📋 Ver parceiros
14:32
Ver parceiros
14:33 ✓✓
📋 Seus parceiros monitorados
🍔 iFood4×
✈️ Latam2×
🛒 Rappi1×
14:33
O Livelo Notifier detecta uma janela de 4× no iFood e avisa no Telegram na hora.
O que é legal: Queria isso há anos. Sou um comprador compulsivo de pontos — costumava verificar o Livelo a cada poucos dias, ansioso em perder uma boa promoção. Desde que isso entrou no ar, essa ansiedade simplesmente... evaporou. As promoções ainda vêm e vão, mas agora fico sabendo no momento em que acontecem. Quando não recebo notificação, paro de pensar nisso. O app corrigiu um comportamento que eu não conseguia corrigir com força de vontade.
Construído em: Uma tarde de sábado, enquanto meu filho dormia.
5. Mercado — preenchimento automático do carrinho de compras
Fazer compras online no meu supermercado local envolve muitos cliques. Para um pedido semanal recorrente, quero adicionar itens ao carrinho sem navegar. O Mercado é uma tentativa de automatizar isso.
O que faz: Um app desktop Electron para macOS que mantém um catálogo de produtos local do meu supermercado, normaliza nomes e categorias de produtos usando OpenAI, e permite selecionar itens para adicionar ao carrinho — muito rapidamente, já que o catálogo está em memória.
Mercado — Delivery Fort
Mercado
🔍Buscar produtos...
✓ Atualizado
Categorias
Todos (847)
🥩 Carnes (94)
🥦 Verduras (67)
🥛 Laticínios (52)
🍞 Padaria (38)
🫒
Azeite Extra Virgem 500ml
R$ 24,90
🍗
Peito de Frango 1kg
R$ 18,99
🥛
Leite Integral UHT 1L
R$ 6,49
🍞
Pão de Forma Integral 500g
R$ 8,90
🛒 Carrinho (1 item — R$ 18,99)
O grid do Mercado — nomes normalizados por OpenAI, organizados por categoria, carrinho com um clique.
O que é legal: Minha esposa é a principal usuária. O que costumava ser 45–60 minutos de cliques num app de compras é agora 5 minutos no Mercado. Não superengenheirei — sem integrações com o cardápio, sem múltiplos fornecedores, sem listas recorrentes, nada. Apenas um app local Electron que faz uma coisa. O fato de que é exatamente o que ela precisava e nada mais é o ponto.
Construído em: Duas noites.
6. Mibo Snapshot — frames em 1080p sem precisar de redirecionamento de porta
Estou construindo uma casa. Há câmeras no canteiro de obras. O canteiro funciona com Starlink — ótima largura de banda, mas não dá para abrir portas de entrada, então não há como acessar as câmeras diretamente de fora. Eu queria capturas periódicas em 1080p carregadas no S3 automaticamente, sem precisar ir até lá toda vez que ficasse curioso.
As câmeras usam um protocolo P2P proprietário que não está documentado em lugar nenhum.
O que faz: Conecta-se à câmera através da infraestrutura de relay P2P proprietária da Dahua (as câmeras Intelbras são hardware Dahua com marca branca), abre um sub-canal PTCP, faz uma ponte para uma porta TCP local, e usa o ffmpeg para capturar 15 frames do fluxo H.264 principal — depois escolhe o melhor usando um scorer de qualidade baseado em ML. Sem redirecionamento de porta. Sem acesso à rede local. 1080p.
site-snapshot — python
INFO Iniciando serviço de snapshot (3 câmeras, intervalo: 15m) INFO [Camera 1] Conectando via relay P2P... (tentativa 1/50) WARN [Camera 1] Conexão ao relay falhou, tentando novamente... INFO [Camera 1] Conectando via relay P2P... (tentativa 2/50) OK [Camera 1] Túnel P2P estabelecido → localhost:18554 INFO [Camera 1] Capturando 15 frames via RTSP... INFO [Camera 1] Pontuação dos frames: [42KB✓ 38KB✗ 51KB✓ 49KB✓ 55KB✓ ...] OK [Camera 1] Melhor frame: 55KB (frame 12, sem corrupção) OK [Camera 1] → s3://my-site-cameras/Camera 1/20260311141503.jpg OK Ciclo de snapshot concluído em 28.4s · Próxima execução: 14:30:00 ▊
O site-snapshot em execução — o relay P2P conecta na tentativa 2, 15 frames capturados, o melhor vence.
O que é legal: O Claude ficou cerca de 30 horas nisso. Eu o assisti tentando e falhando dezenas de vezes — abordagem de conexão errada, handshake de protocolo errado, método de extração de frames errado. Intervim talvez três vezes para redirecionar: "tente o relay P2P em vez de RTSP direto," "capture múltiplos frames e escolha o melhor," "verifique se há corrupção antes de fazer upload." O resultado é super confiável. Roda no meu servidor doméstico, lida com instabilidades de rede graciosamente, e as capturas chegam no S3 a cada 15 minutos sem reclamar.
Construído em: Um fim de semana.
7. Water Tracker — beba água, com a webcam como testemunha
Não bebo água suficiente. Meu endocrinologista diz isso. Ninguém resolve. Minha solução: um app para a barra de menu do macOS com uma webcam apontada para a minha mesa que detecta quando estou realmente bebendo — e um contador para provar.
O que faz: Um app superengenheirado para a barra de menu do macOS. O recurso principal é a detecção por webcam: usa Machine Learning para perceber quando você levanta sua garrafa e bebe, para que você não precise registrar nada manualmente. Além disso: tamanhos de garrafa configuráveis, acompanhamento de meta diária, lembretes nas bordas da tela, e um fluxo de calibração que treina o modelo na sua câmera específica, sua iluminação específica, e sua garrafa específica.
1 250
/ 2 000 ml
🔥7 days streak
O popover do Water Tracker — 1.250 de 2.000 ml registrados, sequência de 7 dias mantida.
O que é legal: A detecção por webcam realmente funciona, o que me surpreendeu. A UI de calibração — capturar base, capturar bebendo, ajustar limiares, testar ao vivo — acabou sendo mais difícil de projetar do que o próprio algoritmo de detecção. A iluminação muda o dia todo e a câmera vê tudo diferente às 15h vs. 8h. Mais importante: agora realmente bebo mais água. A cada 15 minutos, minha tela pisca em azul. Esse é o lembrete. Funciona.
8. Obra Reporter — vigilância do canteiro via Telegram e Claude
Estou construindo uma casa. O canteiro fica a alguns quilômetros daqui. Tenho câmeras no local, com as capturas chegando no S3 via Mibo Snapshot (acima), e minha ansiedade fica me tentando a abrir as câmeras a cada hora.
O que faz: Um bot do Telegram que se conecta ao bucket S3 onde as capturas das câmeras chegam. A cada hora, envia um relatório de progresso automatizado — uma foto de cada câmera com timestamp. No final do dia, gera um log de resumo. Você também pode consultá-lo sob demanda: /fotos mostra as últimas de cada ângulo, /timelapse compila as capturas do dia em vídeo, /analisa executa o Claude Vision nas fotos mais recentes e te diz o que mudou.
🏗️
Obra Reporter
bot · online
/fotos
09:14 ✓✓
📸 Últimas fotos — 14:30
Camera 1
Camera 2
🎬 Timelapse🔍 Analisar
09:14
O Obra Reporter mostra as últimas capturas de cada câmera — tudo puxado do S3 sob demanda.
O que é legal: Saber o que está acontecendo na obra é incrível. Todo dia há surpresas — uma nova parede erguida, uma equipe trabalhando que eu não sabia que estava vindo, algo inesperado descoberto. Meu empreiteiro ficou genuinamente surpreso quando mostrei a ele os relatórios de hora em hora e o timelapse da primeira semana. Ele perguntou se eu estava construindo algo para vender. Disse que não, é só para mim.
Construído em: Duas noites.
9. My Dream Todo App — gerenciamento de tarefas com base no Obsidian
Já tentei todo gerenciador de tarefas. Nenhum persiste. O problema é sempre o mesmo: os dados ficam presos no app, o modelo do app não combina com como penso, e eventualmente o abandono. Minhas notas, porém — essas vivem no Obsidian, e tenho sido consistente lá por anos. Então: e se meu gerenciador de tarefas fosse apenas uma interface melhor sobre meu vault existente do Obsidian?
O que faz: Um app web em Next.js que lê e escreve arquivos .md diretamente em um diretório do vault do Obsidian. O SQLite serve como índice de consulta derivado (reconstruído a partir do disco quando os arquivos mudam), e o Chokidar monitora mudanças externas do Obsidian Sync. A fonte da verdade são sempre os arquivos markdown — o que significa que tudo fica sincronizado com o Obsidian no meu telefone e outros dispositivos.
mytasks.local/hoje
☑Minhas Tarefas
📥 Entrada 4
⭐ Hoje
Projetos
📁 Blog
📁 Stone
📁 Reforma
Tarefas Disponíveis
☐ Responder email do contador
☐ Revisar métricas Stone
☐ Comprar passagem viagem
Plano de Hoje2 tarefas · 1 evento
1 de 2 concluídas · 50%
✅Publicar post no blog
☐ Revisar métricas Stone
O modo de planejamento — arraste tarefas da entrada (esquerda) para o plano de hoje (direita). A fonte da verdade sempre são os arquivos .md do Obsidian.
O que é legal: A fonte da verdade são sempre os arquivos .md — não o banco de dados, não o estado do app. Toda mudança que faço no app web sincroniza automaticamente com o Obsidian no meu telefone. Toda nota que faço no meu telefone aparece no app web. O banco de dados é apenas um índice derivado que pode ser descartado e reconstruído. Essa é a arquitetura que sempre quis de um gerenciador de tarefas.
Construído em: Algumas noites.
10. Stone Trainer — pratique vendas com uma persona de IA
Treinamento de vendas em escala é caro. Sessões de role-play com um coach ou colega são limitadas por calendário e coragem — ninguém quer ser o que tropeça numa objeção na frente do gerente. E se um vendedor pudesse praticar com uma persona de IA que resiste, não esquece nada, avalia cada ligação, e está disponível às 23h de um domingo?
O que faz: Stone Trainer é uma plataforma de role-play de vendas onde os vendedores praticam conversas com personas de clientes movidas por IA. Cada persona tem nome, backstory, empresa, nível de dificuldade e um conjunto de objeções apropriadas ao seu perfil. Os vendedores podem praticar via chat de texto ou voz — e o modo de voz é genuinamente impressionante: latência abaixo de 300ms, troca de turno natural, e uma transcrição ao vivo que acompanha a conversa. Após cada sessão, um avaliador de IA pontua a ligação contra uma rubrica estruturada e gera feedback detalhado. Há trilhas de aprendizado com dificuldade progressiva, um ranking, e certificados quando as trilhas são concluídas.
Stone Trainer
⚡
📊
🎙️
💬
Trilha: Vendas Enterprise · Estágio 3 de 5
👩💼
Carolina Mendes
Diretora de TI · Grupo Financeiro ABC
IA falando...
TRANSCRIÇÃO
Você: Nossa plataforma reduz o custo de atendimento em até 40% no primeiro trimestre.
Carolina: Quarenta por cento é uma promessa bem ambiciosa. Quais empresas do setor financeiro vocês já atenderam com esses resultados?
O modo de voz do Stone Trainer — uma conversa real com uma persona de IA, latência abaixo de 300ms via WebRTC + OpenAI Realtime API.
O que é legal: Nossas equipes de operações pediam algo assim há anos. Treinamento de vendas é caro, agendamento é difícil, e ninguém quer tropeçar nas objeções na frente do gerente. A ideia estava num quadro branco há um tempo. Me sentei com o Claude Code e tive um protótipo funcionando — voz incluída, ~300ms de latência, persona de IA respondendo, rubrica de avaliação avaliando — em menos de 24 horas. Da ideia a algo que você pode demonstrar para uma equipe de vendas: um dia.
Construído em: Menos de 24 horas.
11. Stone AI Apps — micro-apps de IA para o empreendedor brasileiro
Pequenos empresários no Brasil — donos de restaurantes, barbeiros, operadores de boutiques, gerentes de academias — estão afogados em complexidade operacional. Marketing, fornecedores, clientes, produtos, funcionários: sempre há mais a gerenciar do que horas no dia. A Stone serve milhões desses negócios com pagamentos e serviços financeiros. Sempre quisemos ajudá-los além do banco. Mas "ajuda" é vago. Como se parece na prática? Ficamos conversando sobre isso por meses sem entregar nada.
Construí a primeira versão num táxi a caminho de uma reunião em São Paulo. Uma equipe assumiu a partir daí. Em menos de uma semana, estava sendo testado por clientes reais. O feedback foi imediato e genuinamente surpreendente.
O que faz: Stone AI Apps é uma plataforma de micro-apps mobile-first movidos por IA para ajudar nossos clientes — restaurantes, academias, boutiques, enfim — a lidar com suas operações do dia a dia. Há apps para melhoramento de fotos, conteúdo para redes sociais, tradução de cardápio, inteligência sobre concorrentes. Há novos sendo construídos tão rápido quanto conseguimos pensar neles. Cada um trata de uma dor operacional específica. Cada um está disponível para qualquer cliente Stone desde o primeiro dia.
Transforme fotos comuns em imagens profissionais com IA
Variantes geradas — Prato de Frango Grelhado
🍗
Studio
Fundo branco
🍽️
Lifestyle
Em uso
Gerando...
Contexto
Ambiente
✨
Aguardando...
Criativo
Artístico
O Melhorador de Fotos gerando quatro variantes profissionais em tempo real via SSE — studio e lifestyle chegaram, contexto está gerando, criativo está na fila.
O que é legal: A IA nos deu a capacidade de pular de "deveríamos ajudar nossos clientes com mais do que banco" para realmente fazer isso. Essa lacuna — entre a versão idealizada de uma coisa e a coisa real na frente de usuários reais — costumava levar meses. Requisitos, sprints de design, estimativas, ciclos de dev, testes. Agora leva dias. O ciclo comprimiu tanto que é quase irreconhecível. E os apps continuam chegando.
Construído em: Uma viagem de táxi e um dia cheio de reuniões.
12. Lucy Manager — a migração que nunca aconteceu, feita em duas horas
Todo time de engenharia tem um. A migração que ficou no roadmap por três anos. A que continua sendo adiada porque sempre há algo mais urgente. A nossa era o Lucy Manager: a ferramenta interna que o nosso time usa diariamente para configurar bots, gerenciar bases de conhecimento e depurar conversas — rodando em uma base Vue.js que ninguém no time usa mais. Todo mundo escreve React. O app funcionava bem. Migrá-lo "apenas" significava reconstruir tudo em Next.js. Ninguém nunca encontrava tempo.
Numa sexta-feira à tarde, eu e um colega nos sentamos com o Claude Code às 17h. Às 19h, tínhamos um app em Next.js funcionando.
O que faz: Lucy Manager é o painel de controle da plataforma Lucy da Stone — nossa infraestrutura de chatbot LLM. Por ele, você cria e configura bots (seleção de engine, personas, configurações), gerencia a base de conhecimento (documentos organizados em pastas, com versionamento rascunho/publicado), define intenções de conversa (sete tipos: RAG, Dialogflow, FormFlow, GuidedFlow e mais), simula conversas contra conteúdo em rascunho ou ao vivo, e audita conversas históricas com feedback, dados de depuração e reprodução de áudio.
lucy-manager.internal.example.com/bots
L
🤖
📄
⚡
💬
Bot:Lucy Atendimento▾
Bots
4 bots configurados
🤖
Lucy Atendimento
GPT-4.1 · ~150 documentos · ~20 intents
ATIVO
🤖
Lucy Vendas
GPT-4.1 · ~70 documentos · ~10 intents
ATIVO
A lista de bots do Lucy Manager — o painel de controle central da infraestrutura de chatbot da Stone, agora em Next.js.
O que é legal: Isso estava no roadmap por três anos. Todo trimestre alguém dizia "realmente deveríamos migrar o Lucy Manager" e todo trimestre algo mais urgente tomava o lugar. Em algum momento tentamos terceirizar — o orçamento voltou em seis meses e R$1 milhão. Passamos. Duas horas com Claude Code numa sexta à noite e estava feito. Nossa equipe viu na segunda-feira e não acreditou. A migração que nunca encontra tempo acaba levando uma tarde quando você para de escrever o código sozinho.
Construído em: Sexta-feira, das 17h às 19h, com um colega.
O padrão que percebi
Olhando para essa lista, algumas coisas se destacam.
Primeiro: o escopo do que eu estava disposto a tentar mudou completamente. O Mibo Snapshot exigiu fazer engenharia reversa de um protocolo UDP-over-relay proprietário, construir uma heurística de scoring de qualidade de imagem, e orquestrar o ffmpeg através de um processo Python assíncrono. Um ano atrás, eu teria olhado para esse problema e dito "território desconhecido demais para um projeto de fim de semana." Com IA, tratei como um projeto de fim de semana normal. E funcionou.
Segundo: o gargalo mudou de implementação para especificação. As partes mais difíceis de cada projeto foram descobrir exatamente o que eu queria — a decisão de produto, o modelo de UX, a abstração certa. O código em si tornou-se quase secundário. O Home Chores me ensinou isso mais diretamente: o insight de que deveria ser um gerador de lista de impressão, não um gerenciador de tarefas, foi o trabalho real. Implementar foi apenas... digitar.
Terceiro: a plataforma nativa não era mais uma barreira. Let's Stretch e Water Tracker são ambos apps nativos Swift para macOS com UX de qualidade da App Store. Nunca havia escrito Swift. Isso não importou. A barreira do idioma desmoronou. O que costumava exigir engenheiros dedicados de iOS/macOS — ou meses de reaprendizado — é agora algo que você pode pegar num projeto de fim de semana.
Quarto: a lacuna entre "ideia" e "coisa que existe" agora é medida em horas, não semanas. Cada projeto nessa lista, da concepção à primeira versão funcionando, levou menos de um fim de semana. Alguns levaram uma única noite. O Livelo Notifier, incluindo a integração com o bot do Telegram, o esquema de banco de dados e o scraper, foi provavelmente 4 horas de tempo decorrido real.
As premissas sobre as quais todo o ciclo de desenvolvimento de software foi construído — escassez de tempo de engenharia, alto custo de exploração, a necessidade de habilidades especializadas — mudaram da noite para o dia.
O que isso significa para o SDLC
Todo o nosso campo foi organizado em torno de uma restrição fundamental: software é caro de construir. Essa restrição moldou tudo. Por que temos gerentes de produto (para priorizar implacavelmente porque o tempo de engenharia é escasso). Por que temos sprints (para agrupar o trabalho em unidades de entrega previsíveis). Por que temos papéis separados de design, frontend, backend e QA (porque a especialização é estreita e especialistas são mais rápidos que generalistas). Por que temos conselhos de revisão de arquitetura e processos de RFC (porque o custo de uma decisão arquitetural errada é enorme para desfazer).
Toda essa maquinaria organizacional faz sentido se, e somente se, a restrição subjacente se mantiver: que o tempo de engenharia é genuinamente escasso e caro, e que erros são custosos de corrigir.
O que experimentei nas últimas seis semanas sugere que essa restrição está enfraquecendo. Rápido.
Quando uma pessoa pode construir doze softwares em seis semanas de noites — software que abrange apps nativos para mobile, serviços em background, plataformas de treinamento de vendas, apps Electron, apps web Next.js, pipelines de dados Python e engenharia reversa de protocolo — a matemática muda. Você não precisa priorizar tão implacavelmente se a exploração é barata. Você não precisa de especialistas se a barreira do idioma desmoronou. Você não precisa de processos formais de RFC se uma decisão arquitetural errada leva uma tarde para desfazer, não um trimestre.
Isso não significa que engenheiros se tornam irrelevantes. Significa que a descrição do cargo muda. A coisa mais valiosa que um engenheiro faz é entender o problema profundamente o suficiente para saber o que construir. Esse julgamento — "isso deveria ser um gerador de lista de impressão, não um gerenciador de tarefas," ou "nossos clientes não precisam de melhores ferramentas de marketing, precisam de ajuda com o todo complicado de gerir um negócio" — não é algo que a IA faz facilmente. Vem de anos de conhecimento de domínio, de conversas reais com clientes reais, dos instintos construídos por errar. O tipo de insight que produziu o Stone AI Apps não veio de um prompt. Veio de três anos de estar perto do problema. A IA é extraordinariamente boa na parte que vem depois que esse julgamento é feito.
O SDLC foi projetado para um mundo onde a implementação era o gargalo. Construímos enormes sistemas de processo, coordenação e governança para gerenciar esse gargalo. Esses sistemas funcionaram. Entregaram resultados na Stone; vi o que podem fazer em escala.
Mas o gargalo está se movendo. E as organizações que se adaptarem — que repensarem como é o gerenciamento de produto quando a exploração é barata, que repensarem como são os times de engenharia quando uma pessoa pode fazer o que antes exigia cinco, que repensarem o que "pronto" significa quando você pode entregar um protótipo em um dia — essas organizações vão devorar as que não se adaptarem.
Fui do pole position ao último lugar em uma única sessão com o Claude Code. Seis semanas depois, sinto que fechei a lacuna. Não porque descobri como usar IA no meu fluxo de trabalho. Porque comecei a entender no que o próprio fluxo de trabalho precisa se tornar.