IA no desenvolvimento de Software
Como melhorar sua forma de trabalho com IA
Bem, aqui estou eu outra vez para falar de IA. É difícil não tratar do tema, pois ela se tornou hoje minha principal ferramenta de trabalho e, ao mesmo tempo que me poupa horas de esforço, também me traz dores de cabeça.
Tenho reparado frequentemente que os modelos tendem a “ficar burros” mais rapidamente. Claro, isso é um problema do próprio modelo e normalmente se normaliza em alguns dias — mas meu trabalho não pode parar por 2 dias.
Mas esse não é o tema do artigo. Estou aqui para compartilhar uma forma de trabalhar com IA que tornou o desenvolvimento de software (para mim) muito mais rápido, menos suscetível a erros e funcional para qualquer modelo — embora atualmente eu esteja usando o GPT-5.1-codex-max.
Se você ainda não tem noção do que é um prompt de fato, ou não está familiarizado com o funcionamento da IA, explico tudo isso em outro artigo. Mesmo que você não seja da área de TI, conseguirá compreender bem os conceitos básicos para começar a trabalhar com IA.
Workflow
Primeiro vamos à ideia principal de como trabalhar com o agente. Grande parte da nossa metodologia e arquitetura de software surgiu das mesmas necessidades e chegou a soluções diferentes, mas o problema que buscavam resolver envolvia:
Organização — Encontrar facilmente as partes referentes.
Reuso — Evitar código duplicado, evitando também bugs e manutenções duplicadas.
Divisão de responsabilidades — Cada parte tem uma função bem definida, evitando dúvidas sobre o que aquele trecho de código faz.
Proteção da regra de negócio — Separar a regra de negócio da tecnologia usada para implementá-la, facilitando mudanças e evitando a reconstrução da lógica.
Hoje, a regra de negócio está passando por uma transformação: o uso de Inteligência Artificial está tomando espaço em toda a aplicação.
No cliente, aparece como busca personalizada, interpretação de linguagem natural, chatbots simples.
No back-end, para processamento de informações e análise de dados.
Em serviços third-party, para validação de autenticação e perfil do consumidor.
E também dentro da própria regra de negócio.
Imagine que você tenha uma aplicação que faz análise de crédito baseada no perfil de compra e pagamento do usuário. Hoje, você pode adicionar IA para realizar essa análise. Por mais que isso esteja separado em uma camada do seu software, ainda faz parte da regra de negócio. E, da mesma forma que os modelos avançam rapidamente, a forma de trabalhar com IA também muda.
Se antes tínhamos uma estabilidade maior na regra de negócio, hoje ela se tornou mais volátil, exigindo alterações e manutenção mais frequentes do que há quatro anos.
Existe outro artigo em que aprofundo mais sobre arquitetura de software envolvendo IA. Recomendo caso você seja da área de TI, pois é um conteúdo mais técnico.
E justamente porque a forma de trabalhar com IA muda constantemente, ela ainda está em uma fase de teste — ou alpha. Para evitar mudanças contínuas no meu fluxo de trabalho, resolvi criar meus próprios testes e cheguei a uma estrutura confortável e consistente.
Simplificando o trabalho com IA, chegamos ao mais básico, já conhecido há muito tempo: Input/Output. Você passa uma entrada para ela e recebe uma saída. Simples.
Workflow
O input usado para alterar meu software é minha própria code base.
A pipeline é formada por três partes:
Agent / Guidelines: Como a IA deve se comportar — estilo de código, regras específicas, o que pode ou não pode fazer (adicionar libs, rodar testes, scripts, etc.).
Docs: Documentação da aplicação, arquitetura, organização, divisão de responsabilidades, exemplos, etc.
Prompt: O que desejo que a IA desenvolva — um fix, feature ou refactor.
Code: O código atualizado/criado pela IA.
Prompt Updated: Um log gerado pela IA mostrando o que foi desenvolvido, o que foi alterado, o motivo e possíveis colaterais. (Essa saída é definida pelo meu prompt.)
Com isso, o fluxo de trabalho fica assim:
Para padronizar meus prompts, criei templates para cada tipo de ação: fix, feature e refactor. Eles são preenchidos com as especificações técnicas e um passo a passo que garante o sucesso da tarefa.
Pense no prompt como um card bem descrito no Jira/Trello.
Com uma tarefa bem detalhada, tenho praticamente um prompt pronto para a IA trabalhar. Além disso, ao fazer a descrição correta, fica claro — tanto para a IA quanto para mim — o que precisa ser feito, quais passos seguir e quais possíveis problemas podem surgir como efeitos colaterais.
Esse prompt atualizado pode ser salvo para interações futuras, caso ocorra algum problema na implementação ou um bug causado pela mudança.
Na minha IDE, essa estrutura fica assim:
Para interagir com o agente, adiciono os arquivos necessários para dar contexto suficiente à tarefa. No caso acima, isso inclui agent.md, fix-bug-name.md e o diretório /docs.
Peço para que a IA leia todos os arquivos e execute a tarefa descrita em fix-bug-name.md, e a mágica acontece.
Resultado
Com essa estrutura simples de organização, tenho obtido resultados muito satisfatórios usando qualquer agente de IA. Consigo ter uma visão clara de cada tarefa e da implementação feita pela IA.
Esse modelo me poupou horas semanais de trabalho e pode ser facilmente replicado, modificado e estendido para se adequar ao seu fluxo.
Aqui está o link para o Github, caso tenha interesse em ver minha estrutura de agent.md e os templates de fix/feature.
Gostaria que você, caro leitor, testasse esse modelo e deixasse seu feedback aqui: faz sentido para sua forma de trabalho? Houve algum ganho real?