01 Claude Code não é um chat — é uma IA com mãos

A Anthropic (empresa que faz a Claude) vende três produtos com o mesmo nome de família. O Claude Chat é um chatbot simples, de site ou celular — você pergunta, ele responde, e fica nisso. O Claude Cowork é uma camada intermediária, uma interface simples pra automações já prontas. E o Claude Code é o mais poderoso dos três: apesar do nome, você não precisa saber programar pra usar. A diferença central é que ele tem harness: acesso a ferramentas de verdade, não só à conversa.

Pensa na sua contadora autônoma organizando notas fiscais espalhadas em pastas do computador, ou na coordenadora de RH cruzando currículos com uma planilha de vagas — nos dois casos, um chat comum não enxerga esses arquivos. O Claude Code enxerga, abre, lê e, quando você autoriza, edita.

02 O motor, o carro e o motorista

Existe uma forma simples de entender qualquer ferramenta de IA: pensa em três camadas, uma dentro da outra. No centro está o modelo, o motor que faz o raciocínio. Em volta dele está o Claude Code, o carro que usa esse motor pra rodar. E no volante está você — seu julgamento, seus dados, o contexto do seu negócio.

O motor sozinho não anda a lugar nenhum: precisa do carro pra virar movimento, e precisa de alguém dirigindo pra ir a um lugar que faça sentido. Modelo e harness mudam com o tempo — hoje é um, daqui a um ano pode ser outro, mais rápido ou mais barato. A parte que não muda, e que é a mais importante das três, é você.

Pro dono de uma pequena loja, o motor pode ser trocado amanhã sem que ele precise aprender nada disso na hora; já pra uma consultora freelancer, o que nunca muda é o contexto que ela dá — sem isso, o motor mais caro do mundo ainda erra o alvo.

03 Pare de caçar o prompt perfeito

Por muito tempo, a dica número um sobre IA era "escreva melhor o seu pedido" — dar um papel pra IA assumir, instruções claras, um exemplo do que você quer. Isso ainda ajuda, mas está ficando menos decisivo, porque os próprios modelos melhoram sozinhos nisso. O que virou decisivo é outra coisa: engenharia de contexto, o que a IA sabe sobre você antes mesmo de você perguntar.

Um estagiário novo não produz nada bom no primeiro dia se ninguém explicou o que a empresa faz, quem é quem, o que já está em andamento — mesmo sendo esforçado e inteligente. Uma IA sem contexto é exatamente isso: um estagiário inteligente adivinhando. E contexto é dado que só você tem — se todo mundo usa o mesmo modelo com o mesmo pedido genérico, todo mundo recebe a mesma resposta genérica.

Um professor que só escreve "faça um plano de aula sobre frações" recebe algo genérico; se ele contar que dá aula pro 6º ano, com dificuldade em multiplicação, e colar o plano da semana passada, a resposta já nasce pronta pra usar — a mesma diferença vale pra uma contadora autônoma pedindo uma cobrança educada pra um cliente específico.

04 Ninguém acerta de primeira — e tudo bem

Pensa em ensinar uma criança a andar de bicicleta: você não solta e sai andando. Segura o banco, corrige o peso, solta um pouco, segura de novo. Trabalhar com IA é parecido — iteração é a regra, não a exceção. Depois de "ensinar" o décimo quinto assistente ou automação, o processo de ajustar já virou quase ciência — mas todo mundo começa cambaleando.

Isso explica um padrão comum: no papel, aprender algo novo parece uma linha reta de progresso. Na prática é uma curva que afunda antes de disparar — você fica mais devagar por um tempo, antes de ficar bem mais rápido depois. É exatamente nesse vale que a maioria desiste, justo antes de a virada valer a pena.

Uma coordenadora de RH que testa um processo novo de triagem de currículos com IA não acerta o filtro ideal na primeira tentativa — ajusta, olha os erros, ajusta de novo. O mesmo vale pro dono de um pequeno negócio testando uma resposta automática pra clientes: a segunda versão já fica bem melhor que a primeira, e a quinta, melhor ainda.

05 Vending machine ou slot machine?

A diferença entre um chatbot comum e um agente de IA é essa: o chatbot só age quando você manda; o agente dispara sozinho quando algo acontece — é isso que este curso chama de construir o seu próprio "Jarvis". Mas antes de sair automatizando tudo, vale uma pergunta simples: essa tarefa é uma máquina de vendas ou uma caça-níqueis? Máquina de vendas é determinística — mesma moeda, mesmo produto, sempre. Caça-níqueis não é: cada vez que você puxa a alavanca, o resultado varia. Toda vez que você fala com uma IA generativa, você está, de certo modo, apostando numa caça-níqueis — o resultado tem variação.

A regra prática: use IA quando a tarefa precisa mesmo de raciocínio e varia de caso a caso; use um passo a passo fixo quando o processo é sempre igual — é mais barato, mais rápido e quase nunca quebra. Antes de automatizar, pergunte duas coisas: preciso ser eu a disparar isso, ou o sistema pode disparar sozinho? E esse passo precisa mesmo de IA, ou um jeito simples e fixo resolve mais barato?

Uma consultora freelancer que manda sempre o mesmo modelo de proposta, só trocando nome e valor, não precisa de IA generativa toda vez — um modelo fixo resolve mais rápido. Já quando um professor precisa adaptar uma explicação difícil pro jeito de aprender de um aluno específico, aí entra IA de verdade, porque cada caso pede um julgamento diferente.

06 O que você publica leva sua assinatura

Quanto melhor a IA fica, mais fácil é confiar cegamente na primeira resposta — essa é a armadilha. Existe uma piada que resume bem: um lado usa IA pra transformar um bullet point num e-mail formal; o outro lado usa IA pra transformar esse mesmo e-mail de volta num bullet point. Ninguém lê o meio do caminho. Um sinal de alerta comum é o texto cheio de travessões longos sem necessidade — quem nunca escreveu assim na vida percebe na hora quando um texto não foi revisado por ninguém.

Repertório se treina: estude os melhores exemplos da sua área, guarde o que funciona, pergunte à própria IA "por que isso ficou bom?", e toda vez que corrigir algo, alimente essa correção de volta nas suas instruções. A frase que resume isso: repertório é decidir o que merece levar o seu nome — o que você publica com ajuda de IA carrega sua assinatura, pro bem e pro mal.

Esse mesmo repertório vira proteção de carreira quando você embala a sua expertise de mais de um jeito — não em assuntos diferentes, que se dispersam e quebram, mas na mesma especialidade, com formatos diferentes: curso, boletim por e-mail, consultoria avulsa. A mesma expertise de uma contadora autônoma pode virar um curso curto sobre organização fiscal, um boletim mensal e um serviço de consultoria avulsa, sem trocar de assunto; o dono de um pequeno negócio que já domina controle de estoque pode fazer o mesmo, embalando o que já sabe de formas diferentes.

Um cuidado: se você tem contrato de trabalho ou cláusula de exclusividade, confira antes, e seja transparente com quem te emprega. E compartilhar o que você está aprendendo, mesmo aos poucos, é o que te torna encontrável — inclusive quando alguém pesquisa sobre o assunto usando a própria IA.

01 Três portas, o mesmo motor

Existem três jeitos de abrir o Claude Code, e nenhum deles muda o que está por dentro. O primeiro é digitar comandos numa tela de comando (o que os técnicos chamam de terminal); é o caminho mais rápido pra quem já tem intimidade com computador, mas não é obrigatório. O segundo, e o mais indicado pra quem está começando, é o aplicativo de computador da própria Claude — uma janela com botões e conversa, parecida com qualquer programa que você já usa. O terceiro é uma extensão dentro do VS Code, um editor usado por quem já programa; só faz sentido se você já usa esse programa por outro motivo.

A instalação em si pede uma assinatura paga — o plano gratuito da Claude não dá acesso ao Claude Code, só os planos Pro e Max. Os planos Max (US$100 ou US$200 por mês) dão limites de uso bem mais largos que o Pro; vale pensar nisso como contratar um funcionário: um bom engenheiro de software custaria muito mais de US$100 mil por ano, então US$200 por mês por um "funcionário de IA" completo é outra conta. Não importa qual das três portas você escolher: os arquivos, as conversas e os projetos continuam os mesmos se você trocar de porta depois.

Uma consultora freelancer sem costume nenhum de tela preta pode começar direto pelo aplicativo; um professor que já usa o VS Code pra organizar provas pode preferir a extensão — os dois chegam ao mesmo lugar.

02 Ele não só responde — mexe nos seus arquivos de verdade

A diferença fica clara já no primeiro pedido fora do comum. Um usuário pediu pro Claude Code achar um arquivo de logo chamado "AIS Live Black" espalhado em algum lugar da pasta de Downloads — sem saber o caminho exato. Um chat comum não teria como fazer isso: só enxerga o que você cola na tela. O Claude Code entrou na pasta, olhou os nomes e até as imagens dos arquivos pra confirmar visualmente qual era o certo, encontrou o logo, devolveu o caminho completo — e ainda perguntou se devia organizar ou copiar o arquivo pra outro lugar.

Isso vale pro dia a dia de qualquer profissão que lida com arquivo espalhado. Uma contadora autônoma com notas fiscais em pastas diferentes por cliente, ou uma coordenadora de RH cruzando currículos recebidos por e-mail com uma planilha de vagas abertas — nos dois casos, o Claude Code enxerga os arquivos reais no computador, não uma descrição deles.

03 As quatro alavancas que fazem o pedido valer a pena

Existem quatro coisas que separam um pedido genérico de um pedido que devolve exatamente o que você precisa — e nenhuma delas é "escrever melhor a pergunta".

Um professor que só escreve "faça um plano de aula sobre frações" recebe algo genérico. Se ele contar que dá aula pro 6º ano, com dificuldade recorrente em multiplicação, e colar o plano da semana passada, a resposta já nasce pronta pra usar — as mesmas quatro alavancas valem pra uma consultora freelancer pedindo uma proposta comercial pra um cliente específico.

04 De um pedido a uma planilha pronta

As quatro alavancas na prática viraram, numa demonstração real, um relatório inteiro de analytics do YouTube. O pedido foi assim: "quero uma avaliação do segundo trimestre do canal, puxando dados reais do YouTube e fazendo uma análise profunda como se fosse meu estrategista de conteúdo — não só me mostrar números". Repare que esse pedido não lista passo a passo o que fazer: ele descreve o resultado pronto e deixa a IA decidir o caminho até lá. Isso é o que se chama de pedido com meta: em vez de pedir uma tarefa isolada, você descreve a condição de "pronto" e deixa a IA trabalhar até chegar lá.

O resultado: o Claude Code foi até o YouTube, tirou capturas de tela pra conferir se os números batiam, e gerou uma planilha completa em Excel — painel executivo, nota por vídeo, tendência mês a mês, temas de conteúdo, formato e duração, audiência e origem do tráfego — em cerca de dez minutos. Um trabalho que, feito à mão, levaria horas, saiu de um único pedido em linguagem comum, sem nenhuma fórmula digitada por quem pediu.

O mesmo tipo de pedido serve pra um dono de pequeno negócio que quer entender o trimestre da loja, ou pra uma coordenadora de RH que quer um raio-x de contratações do semestre — a estrutura do pedido é a mesma, só muda o que se está avaliando.

05 Peça pra IA provar o próprio trabalho

Quanto melhor a IA fica, mais fácil é confiar de olhos fechados na primeira resposta — e é aí que mora o risco. Existe uma pergunta simples que resolve isso: "se um humano me entregasse este trabalho, o que eu faria pra aprovar? Eu abriria e testaria? Reveria três vezes? Tentaria quebrar de propósito?" O que você faria manualmente pra aprovar um trabalho humano, você também pode pedir pra IA fazer sozinha antes de te entregar.

Um exemplo real: pedir pra IA testar cem envios de um formulário de site pra achar sozinha os bugs de validação de e-mail, em vez de você descobrir o problema semanas depois com um cliente reclamando. Isso muda o ponto de partida do resultado.

Isso vale pra qualquer profissão: uma dona de pequeno negócio pode pedir pra IA revisar sozinha se todos os preços de uma lista bateram com a tabela original antes de publicar; um consultor freelancer pode pedir pra IA reler a própria proposta procurando números que não fecham antes de mandar pro cliente.

06 O que cada resposta custa

Todo pedido e toda resposta são medidos em tokens — um token equivale a cerca de três quartos de uma palavra. Existem três modelos disponíveis, cada um com um equilíbrio diferente entre velocidade, custo e capacidade: o Haiku é o mais rápido e mais barato; o Sonnet 5 é o equilíbrio pro dia a dia; o Opus 4.8 é o mais capaz, reservado pra tarefa que realmente precisa de profundidade — e custa mais caro que os outros dois. Gerar uma resposta sempre sai mais caro que ler um pedido, porque escrever é o trabalho ativo do modelo.

Um número real ajuda a dar escala: a planilha de analytics do Q2 do passo anterior consumiu cerca de 25 mil tokens de saída rodando no Opus — em torno de US$0,63 de custo real, dentro de uma sessão que usou 428 mil tokens de um limite de 1 milhão. Quem assina o plano (em vez de pagar avulso pelo uso) não paga por token isoladamente: tem uma janela de uso que se renova a cada cinco horas, mais um limite semanal geral e um limite semanal específico pros modelos mais caros. Encher toda essa cota, num plano de US$200 por mês, equivaleria a uns US$8.000 de uso se fosse pago por token — um desconto bem grande sobre o preço avulso.

Na prática: uma coordenadora de RH triando currículos em lote todo dia ganha mais economizando no Haiku pras tarefas repetitivas e reservando o Opus pras decisões que pesam de verdade; um professor corrigindo uma redação complexa se beneficia mais do Opus do que economizando no modelo mais barato numa tarefa que exige julgamento fino.

01 O bilhete que a IA lê antes de te atender

Todo agente de IA lê um arquivo específico antes de processar qualquer mensagem sua — sempre, em toda conversa nova. Pensa numa recepcionista que, antes de te atender, sempre dá uma olhada rápida num bilhete fixado na entrada com os avisos do dia: quem é quem, o que está em andamento, o que evitar. O CLAUDE.md cumpre esse papel. Você digita só "oi", e por trás, a IA já leu esse bilhete inteiro antes de responder — é por isso que a resposta pode vir contextualizada, do tipo "pronta quando você estiver — só um lembrete: o evento X é essa sexta, o projeto Y abre no dia tal".

Um CLAUDE.md de verdade costuma ter um formato parecido, não importa a profissão de quem escreveu: primeiro, o papel do agente ("você é meu assistente, seu trabalho é..."); depois, um mapa que diz onde procurar cada assunto — "se for sobre X, o caminho é Y" — pra cada área importante do seu trabalho. O ".md" no nome é só a extensão do arquivo, um código curto que diz o tipo: texto simples formatado (chamado markdown), do jeito que ".py" indica um programa de computador ou ".txt" um texto puro sem formatação nenhuma.

Existe um jeito de fazer esse bilhete melhorar sozinho com o tempo: quando uma resposta sai ruim, você usa seu julgamento pra apontar o que faltou, e pede pra própria IA atualizar o CLAUDE.md com essa instrução. Um professor que percebe que as respostas sempre citam poucas fontes pode pedir isso; uma contadora autônoma incomodada com textos cheios de travessão longo sem necessidade pode fazer o mesmo — da próxima vez, a IA já sai melhor, sem você precisar reexplicar nada.

02 Global vs. Projeto — duas camadas de memória

Existem dois níveis onde esse bilhete pode viver, e a diferença importa. O nível global fica na sua pasta pessoal do computador e vale pra qualquer projeto que você abrir — é o lugar certo pra preferências que não mudam, tipo um jeito de escrever que você nunca quer ver na resposta (uma lista de frases que soam robóticas), ou coisas que a IA foi aprendendo sobre o seu jeito de trabalhar ao longo do tempo. O nível de projeto fica dentro da pasta de um projeto específico e só vale ali dentro.

Na prática: quando você abre uma pasta nova pela primeira vez, a IA pergunta se pode confiar naquele lugar — ela vai poder ler, escrever e até executar coisas ali dentro, então só autorize pastas que você realmente reconhece. E se a pasta é nova, não precisa montar nada sozinho: basta pedir pra própria IA "inicializa esse projeto com um CLAUDE.md" que ela já cria a estrutura básica.

Um consultor freelancer que atende três clientes diferentes pode ter um CLAUDE.md global com o próprio jeito de escrever e-mail, e um CLAUDE.md de projeto separado pra cada cliente, com o contexto que só vale pra aquele contrato; uma dona de pequeno negócio com só uma loja pode nem sentir falta do nível de projeto, e usar quase só o global.

03 Modos de permissão: da pergunta constante ao piloto automático

Existe um controle que decide o quanto a IA para pra te perguntar "posso fazer isso?" antes de agir. No modo automático (o padrão, bom pra maioria dos casos), ela pergunta antes de ações mais sensíveis. Dá pra apertar esse controle pro lado mais cauteloso, exigindo permissão pra cada passo, ou soltar totalmente — um modo em que ela nunca para pra perguntar nada, que precisa ser ligado de propósito nas configurações, porque é arriscado por padrão.

Existe uma história real que mostra onde mora o risco de verdade: um agente de uma equipe mandou um e-mail com cupom de desconto pra 150 mil pessoas sem que ninguém tivesse pedido isso. O problema não foi o modo de permissão escolhido — foi o agente TER ACESSO à ferramenta de enviar e-mail, quando só devia ter acesso à ferramenta de rascunhar. A permissão real não está só no que você escreve pra IA não fazer: está em quais ferramentas ela literalmente consegue usar.

Uma coordenadora de RH que monta um agente pra triar currículos deve dar acesso só pra ler e organizar, nunca pra responder candidatos sozinho sem revisão; um professor que usa IA pra corrigir provas deve manter o lançamento de notas fora do alcance automático, revisando antes de publicar.

04 Dentro da pasta de apoio: permissões, agentes, receitas prontas

Além do bilhete principal, todo projeto pode ter uma pasta de apoio (chamada .claude) que guarda três coisas importantes. A primeira é o arquivo de configurações — onde ficam as permissões: o que o agente PODE e o que NÃO PODE fazer, escritas em linguagem simples ("pode usar a tela de comando, pode buscar na internet, mas nunca apagar essa pasta específica"). Você não precisa saber escrever nesse formato técnico: descreve em português o que quer permitir ou proibir, e a própria IA edita o arquivo por você.

A segunda é uma pasta de agentes auxiliares — assistentes secundários com uma tarefa específica cada um, tema aprofundado num módulo mais à frente. A terceira é uma pasta de receitas prontas (skills) — instruções empacotadas que a IA carrega automaticamente quando o pedido combina com aquela receita, também aprofundado adiante.

Pensa nessa pasta como a sala de apoio atrás da recepção: o bilhete (CLAUDE.md) fica na entrada e é lido sempre; a sala de apoio só é aberta quando o assunto pede. Um consultor freelancer que atende clientes diferentes pode ter uma receita própria por cliente guardada ali; uma dona de pequeno negócio pode ter um agente auxiliar só pra organizar pedidos recebidos por WhatsApp.

05 Uma chave de API é uma senha pros SEUS dados

Duas ferramentas conversam entre si por um canal chamado API — pensa nisso como um telefone direto entre dois programas. Sem nenhuma credencial, esse telefone só alcança informação pública: o Claude Code consegue ver dados públicos de qualquer canal do YouTube, por exemplo, mas não as métricas privadas do seu. A chave de API é o que destrava esse acesso privado — funciona como uma senha, e deve ser tratada com o mesmo cuidado de uma.

Onde essa chave fica guardada importa: existe um tipo de arquivo específico pra isso, chamado .env — pensa nele como um cofre dentro do próprio projeto, separado do resto, que nunca deve ser compartilhado nem publicado em lugar nenhum. Quando você pede pra IA criar esse arquivo, ela já cria junto uma trava (chamada .gitignore) que garante que aquele cofre nunca vá parar num lugar público por acidente.

Uma consultora freelancer que usa uma ferramenta de busca paga pra pesquisas de mercado, ou um professor que conecta um serviço de geração de slides — os dois precisam da mesma coisa: pegar a própria chave no site do serviço, e deixar a IA guardar no cofre certo.

06 Testando de verdade: a lição que só apareceu com a chave errada

Numa demonstração real, alguém conectou a chave de uma ferramenta de busca (a Tavily, que dá os primeiros mil usos de graça) seguindo uma sequência simples.

O mesmo teste, de propósito, foi refeito com uma chave inválida — e a IA, sem nenhuma instrução extra, simplesmente voltou a usar sua própria busca nativa em vez de avisar que a chave falhou. A lição: seja explícito ("não use a busca nativa, use só a Tavily"), porque sem essa instrução um agente pode silenciosamente escolher um caminho alternativo pior, sem te contar. Depois de corrigir a chave, vale pedir pra IA guardar o endereço do serviço e a forma de autenticação no próprio CLAUDE.md — assim, da próxima vez, ela não perde tempo "redescobrindo" o mesmo caminho.

Um contador autônomo que conecta uma ferramenta de consulta de dados públicos de empresas, ou uma coordenadora de RH que conecta uma plataforma de vagas — o roteiro é sempre o mesmo: pegar a chave, guardar no cofre, testar, e deixar a IA anotar o caminho pra não redescobrir depois.

07 Trate toda chave como um cartão sem limite

Ao criar uma chave nova pra qualquer serviço, normalmente dá pra restringir de duas formas: um limite de gasto (ela para de funcionar depois de um valor definido) e um limite de capacidade (só pode fazer uma coisa específica, não tudo que o serviço oferece). Uma chave pra gerar efeito sonoro não precisa também ter acesso a dublagem ou outros recursos do mesmo serviço.

Você daria um cartão de crédito sem limite pra um funcionário novo? Trate toda chave de API do mesmo jeito. A regra prática pra guiar essa escolha: se o seu agente PUDER tocar num dado, assuma que ele VAI tocar — mesmo sem você pedir. Por isso, dê só o acesso mínimo que a tarefa exige, nunca o máximo disponível.

Isso conversa direto com privacidade: em planos de assinatura pessoal, treinar a IA com os seus dados passou a ser uma escolha que você faz ativamente, e dá pra ligar ou desligar nas configurações — mas mesmo desligado, a empresa por trás da IA ainda tem acesso aos seus dados, só não usa pra treinar. Antes de colar contrato, dado de cliente ou qualquer informação sensível, vale conferir a política da sua empresa. Uma coordenadora de RH nunca deveria colar dado pessoal de candidato num chat sem saber essa política; pro contador autônomo, o mesmo cuidado vale pra dado bancário de cliente.

01 Contexto, conexões, capacidades, cadência

Quando um projeto central de IA está conectado a todas as ferramentas do seu negócio, com contexto completo sobre o que você faz, ele passa a funcionar como uma espécie de sistema operacional de IA — memória perfeita, busca instantânea, e contexto que nenhum humano consegue guardar todo na cabeça ao mesmo tempo. Existe até um caso real curioso: numa equipe, quando alguém não localiza o líder, manda mensagem direto pro sistema de IA dele — que responde melhor e mais rápido do que o próprio líder responderia.

Esse sistema se organiza em quatro partes, chamadas aqui de quatro Cs: contexto (o que a IA sabe sobre você e seu negócio) e conexões (quais ferramentas ela alcança) formam o que os próximos módulos chamam de "segundo cérebro"; capacidades e cadência (as receitas prontas e as rotinas automáticas) vêm depois, quando o segundo cérebro já está de pé.

02 Como escolher o que conectar primeiro

Não dá — e não vale a pena — conectar tudo de uma vez. Comece pelo que os negócios em geral mais dependem: receita, clientes, agenda, comunicação, tarefas, reuniões e conhecimento acumulado. Existe um jeito simples de descobrir quais dessas ferramentas são as suas: olhe as abas abertas agora no seu navegador, os favoritos salvos, o histórico recente — é isso que você mais visita, e é isso que mais vale a pena conectar primeiro.

O caminho pra conectar qualquer uma delas segue sempre o mesmo roteiro: buscar "[nome da ferramenta] API documentation", pedir pra IA ler essa documentação e configurar a conexão, pegar a chave de acesso no site da ferramenta, e colar no cofre (.env) do projeto — o mesmo processo do módulo anterior, repetido ferramenta por ferramenta.

Um professor que vive entre e-mail, agenda de aulas e uma pasta de materiais tem ali os três primeiros candidatos óbvios; uma dona de pequeno negócio que vive numa planilha de vendas e no WhatsApp Business tem os dela. Uma medida simples de progresso vale mais que qualquer meta abstrata: quanto do seu dia você consegue resolver só dentro dessa janela de conversa com a IA, sem trocar de programa?

03 Um canal só pra Drive, Gmail, Agenda e mais

Existe uma ferramenta gratuita e de código aberto do próprio Google que dá acesso, por um único canal, a Drive, Gmail, Agenda, Documentos, Planilhas e Apresentações — com mais de cem tarefas prontas, tipo gerar um documento a partir de modelo, ler dados de uma planilha e montar um relatório, ou achar um horário livre e marcar uma reunião sozinha. A vantagem sobre conectar cada ferramenta separadamente: uma interface só, respostas num formato que a IA entende bem, e atualização automática sempre que o Google adiciona algo novo — depois de configurado uma vez, dá pouquíssimo trabalho de manutenção.

Depois de pronto, os pedidos ficam simples: achar um documento do Google que você só lembra vagamente; ler os e-mails não lidos e dar nota de prioridade baseada no que importa pro seu negócio, marcando como lido automaticamente o que é baixa prioridade; ou criar uma apresentação inteira, com a própria IA tirando print do resultado, comparando com a identidade visual esperada, e corrigindo espaçamento sozinha até bater. Uma consultora freelancer que perde documentos entre projetos ganha o achar-documento; um contador autônomo que lida com dezenas de e-mails de clientes por dia ganha a triagem por prioridade.

04 ".env" ou "conectar" — a decisão que evita retrabalho

Muitos aplicativos de IA já trazem um botão pronto de "conectar", com login simples, pra serviços comuns — bem mais fácil do que configurar chave e cofre na mão. O problema é onde essa conexão fica presa: ela vale só pra aquele aplicativo específico. Se você trocar de aplicativo, de interface ou até de empresa de IA — o que já aconteceu mais de uma vez nos últimos anos — perde todas as conexões feitas e precisa refazer uma por uma.

Já a chave de API guardada no cofre (.env) não pertence a nenhum aplicativo: é só uma pasta e um arquivo de texto. Qualquer IA, de qualquer empresa, rodando em qualquer interface, consegue ler o mesmo cofre. Ser independente de ferramenta é a parte mais importante disso tudo — porque modelo e interface mudam toda semana, mas seus dados e suas conexões não deveriam precisar mudar junto.

Um dono de pequeno negócio que testa duas ou três interfaces de IA diferentes ao longo do ano economiza um bom tempo se as conexões já estiverem no cofre, prontas pra qualquer uma delas usar; um consultor freelancer que troca de assinatura de vez em quando tem exatamente o mesmo ganho.

05 A receita que a IA aprende de cor

Uma skill (receita, em português direto) é uma instrução escrita que ensina a IA a repetir um processo do seu jeito. Pensa numa receita de bolo: na primeira vez você segue ao pé da letra; depois de fazer um punhado de vezes, já sabe de cor e ajusta no olho. Uma skill funciona assim — só que quem "decora" a receita é a IA, não você.

O truque que evita desperdício: a IA não lê todas as receitas guardadas por inteiro toda vez — ela dá só uma espiada rápida no título e na descrição de cada uma, decide qual combina com o que você pediu, e só aí lê essa receita inteira antes de agir. Isso é o que mantém o sistema rápido mesmo com dezenas de receitas guardadas.

Existem duas formas de criar uma: pedir pra montar do zero, explicando passo a passo o que você quer; ou fazer o processo manualmente uma vez, e só depois pedir "transforma isso que a gente acabou de fazer numa receita". Uma coordenadora de RH que triou manualmente sua caixa de entrada por semanas pode, depois, pedir pra virar uma receita fixa — e o melhor: se um e-mail foi classificado errado, ela conta o motivo, e a IA já ajusta a própria receita sozinha, sem precisar reescrever nada na mão.

06 A janela de contexto enche — e o julgamento piora

Motorista de caminhão só pode dirigir um número limitado de horas antes de descansar — não porque perdeu a habilidade, mas porque o julgamento piora com o cansaço, mesmo sem ele perceber. Com IA acontece uma coisa parecida: quanto mais cheia fica a janela de contexto daquela conversa, pior fica a qualidade da resposta — mesmo que o modelo continue "sabendo" tudo tecnicamente.

A prática recomendada é encerrar a conversa bem antes de chegar no limite — perto de um quarto do espaço total já é hora de recomeçar. Mas recomeçar do zero significa perder todo o contexto acumulado, e é aí que entra um passo simples: antes de fechar, peça pra IA gerar um resumo estruturado da sessão — onde começou, o que ficou decidido, o que foi entregue, o que ainda está em aberto. Você copia esse resumo, começa uma conversa nova, cola o resumo de volta, e a conversa continua exatamente de onde parou, só que com muito mais espaço livre.

Uma consultora freelancer numa sessão longa de planejamento de projeto, ou um professor organizando o material de um semestre inteiro numa única conversa — os dois se beneficiam do mesmo hábito: resumir e recomeçar antes que a qualidade caia, em vez de esperar a IA "esquecer" sozinha.

01 O Claude Code aprende sozinho — até certo ponto

Depois de um tempo de uso, o Claude Code passa a escrever, sozinho, os fatos que aprendeu sobre você e o seu trabalho — sem que você peça. Essa memória automática guarda cada fato aprendido num arquivo próprio, curto, dentro de uma pasta só dela: no caso de quem gravou este curso, já são 72 arquivos individuais, cada um com um nome que explica do que trata — algo como "como o Noel gosta que eu organize os lembretes" ou "como a estrutura da empresa funciona". No topo de cada arquivo existe uma etiqueta curta dizendo se aquilo é uma preferência, uma correção ou uma referência, e um arquivo-índice reúne todas elas.

Pra conferir se está ligada — vem ligada por padrão — existe um comando específico que mostra o status, mas ele só aparece na versão do Claude Code que funciona por comandos de texto digitados numa tela, não no aplicativo mais simples, de janelas e botões. Uma contadora autônoma que corrige o Claude Code três vezes sobre como prefere que as notas fiscais sejam separadas por cliente não precisa corrigir uma quarta vez — depois de algumas sessões, isso já virou fato lembrado. O mesmo vale pra um professor que sempre repete o mesmo critério de correção: a memória automática aprende esse padrão sozinha.

02 Regra, fato aprendido ou mapa — três camadas diferentes

É fácil confundir três coisas que parecem a mesma "memória", mas cumprem papéis diferentes. O CLAUDE.md são as regras que você escreve — o que a IA deve sempre fazer, do seu jeito, sem exceção. O arquivo de memória automática são os fatos aprendidos — preferências corrigidas, decisões tomadas, referências guardadas, escritos pela própria IA ao longo do tempo. E existe uma terceira camada, maior: um segundo cérebro — um mapa do negócio inteiro, não só das suas preferências pessoais (este curso aprofunda essa ideia no módulo 8). O CLAUDE.md funciona como um roteador: quando a IA não sabe algo de cara, ele aponta pra onde mais procurar — na memória, no mapa maior, nos projetos.

A ideia do segundo cérebro vem de um post que viralizou: em vez de bancos de dados complicados de tecnologia, basta organizar documentos em texto simples — o próprio modelo consegue manter índices e resumos, e navegar entre eles sem se perder, mesmo em cem artigos ou meio milhão de palavras. Um caso real citado: alguém organizou 383 arquivos soltos e mais de cem transcrições de reunião numa wiki compacta, e o gasto de "munição de leitura" da IA a cada consulta (o que o custo e a velocidade dependem) caiu 95%.

Um coordenador de RH que mantém as políticas internas espalhadas em quinze arquivos soltos ganha muito mais organizando tudo num só lugar navegável do que só corrigindo a IA sessão após sessão; uma consultora freelancer que atende doze clientes diferentes só evita confundir o contexto de um cliente com o de outro se tiver esse mapa maior, e não só a memória automática de preferências gerais.

03 Antes de automatizar, ache o gargalo

Pensa no seu negócio como um cano de água: os pedidos e clientes entram de um lado, atravessam o processo, e do outro lado sai o resultado — o trabalho entregue, o lucro. Em algum ponto desse cano sempre existe um aperto, um gargalo, que limita o quanto passa, não importa quão bem o resto funcione. Automatizar uma parte do cano que já flui bem não muda nada no que sai do outro lado — só o gargalo, quando destravado, muda o resultado final.

A pergunta que revela onde ele está: "se amanhã eu tivesse cinco vezes mais clientes, o que quebraria primeiro?" Essa pergunta obriga a mapear o processo de verdade, em vez de adivinhar. E depois de destravar um gargalo, mais água passa pelo cano — e o próximo aperto aparece em outro lugar. É um ciclo sem fim, mas cada rodada dá um roteiro claro de por onde seguir.

Uma dona de pequena loja descobre, fazendo essa pergunta, que o gargalo não é vender mais — é dar conta de responder os pedidos que já chegam pelo WhatsApp a tempo de não perder a venda. Um contador autônomo descobre que o gargalo não é fechar as contas mais rápido — é o tempo que perde esperando os clientes juntarem os documentos certos.

04 Uma métrica só, definida antes de começar

Todo projeto ou automação precisa de uma métrica norte — combinada antes de construir qualquer coisa, não depois. Voltando ao exemplo do cano: se o gargalo identificado é "poucos pedidos entrando" (digamos, cinco por semana), a métrica norte vira "quinze por semana". Sem esse número acordado com antecedência, ninguém sabe, meses depois, se a automação valeu o esforço — medir o retorno de uma automação não é tão direto quanto "gastei X em anúncio, entrou Y de receita".

Uma professora que decide automatizar parte da correção de provas só sabe se valeu a pena se, antes de começar, tiver decidido o número: cair de três horas para uma hora por turma, por exemplo. Uma consultora freelancer que automatiza o acompanhamento de propostas enviadas precisa da mesma clareza prévia: a métrica pode ser a taxa de resposta dos clientes, não "parece que está indo melhor".

05 Você não automatiza o que não consegue desenhar no papel

Se o seu trabalho ainda não tem escala pra pensar em gargalos formais, existe um exercício mais simples: escrever, literalmente num papel, que processos e ferramentas você usa toda semana, o que se repete, e quais são os seus gatilhos — o que acontece que te faz agir. Isso costuma revelar de cinco a dez processos candidatos; escolha o que acontece com mais frequência, a menos que seja arriscado demais mexer nele agora.

Não importa quão bom seja o modelo de IA por trás — sem o entendimento profundo do processo, a expertise que só você tem sobre o seu próprio trabalho, a IA não faz nada significativo com os dados do seu negócio. É a mesma lógica por trás da frase atribuída a Abraham Lincoln: "se eu tivesse seis horas pra derrubar uma árvore, passaria as primeiras quatro afiando o machado." O tempo gasto mapeando e planejando antes de automatizar vale muito mais do que pular direto pra execução.

Uma professora que mapeia no papel as etapas da correção — ler, comparar com o gabarito, dar a nota, escrever o comentário — descobre com clareza qual etapa vale a pena passar pra IA. Um coordenador de RH que mapeia as etapas da triagem de currículos antes de automatizar qualquer parte evita automatizar exatamente a etapa errada.

01 A sessão principal é a chefe — e ela pode delegar

Até aqui, você conversou sempre com a mesma sessão — a mesma "pessoa" ouvindo tudo, do início ao fim. Existe uma forma diferente de trabalhar: a sessão principal vira uma espécie de chefe, que continua sendo a única a falar com você, mas que consegue delegar tarefas a um sub-agente — que trabalha numa memória própria, separada, e só reporta de volta pra quem chamou, nunca direto pra você.

Um exemplo real: pedir cinco sub-agentes, cada um com uma persona diferente — um leitor iniciante completo, uma engenheira de software, um dono de negócio, uma editora — pra revisar os capítulos de um livro em paralelo, cada um enxergando o texto com uma lente distinta. Os cinco trabalham ao mesmo tempo, cada um na sua própria sessão isolada, e devolvem cinco pareceres diferentes pra a mesma chefe juntar.

Um contador autônomo pode pedir pra sessão principal delegar a revisão de quarenta notas fiscais em paralelo pra sub-agentes, enquanto ele segue conversando sobre outro assunto na conversa principal; uma dona de pequeno negócio pode delegar a comparação de preços de três fornecedores diferentes ao mesmo tempo, em vez de fazer uma consulta de cada vez.

02 Built-in ou sob medida — como um sub-agente é feito

Existem dois tipos: os de uso geral, prontos, sem nenhuma configuração — você só pede e a sessão principal aciona um automaticamente quando faz sentido; e os sob medida, criados por você, guardados como um arquivo próprio dentro de uma pasta especial do projeto. Esse arquivo tem uma estrutura fixa: no topo, um bloco de configuração — como uma ficha de identificação, com nome, o que faz, qual modelo usa, quais ferramentas pode ou não usar — e abaixo dele, em texto comum, as instruções de como se comportar.

A parte mais importante dessa ficha é a descrição: é ela que funciona como gatilho de disparo automático. Quanto mais precisa essa descrição, menos "chamados errados" acontecem — nem disparar quando não devia, nem deixar de disparar quando devia.

Uma consultora freelancer pode criar um sub-agente permanente só pra revisar propostas antes de enviar, disparado sempre que ela disser algo como "revisa esta proposta"; um dono de pequeno negócio pode ter um sub-agente que confere preços antes de qualquer anúncio ser publicado.

03 Por que delegar vale a pena — três motivos

Existem três razões práticas pra usar sub-agentes. A primeira é manter a conversa principal limpa: uma pesquisa extensa ou a leitura de dezenas de arquivos pode "sujar" a janela de contexto principal; delegada, ela acontece numa janela fresca, à parte, e só o resumo final volta pra você. A segunda é o custo: a conversa principal pode rodar num modelo mais caro e capaz, enquanto tarefas simples e repetitivas vão pra sub-agentes num modelo mais barato — um chefe inteligente com um time de trabalhadores baratos. A terceira é o paralelismo: vários sub-agentes trabalhando ao mesmo tempo, cada um na sua própria janela.

Um coordenador de RH que precisa passar por cinquenta currículos evita poluir a conversa principal sobre a vaga em aberto delegando essa leitura pra um sub-agente; uma professora que tem uma pilha de redações pra corrigir mantém o planejamento da próxima aula limpo, na conversa principal, delegando a correção pra outra janela.

04 Construindo o seu — o Plan Roaster e um erro comum

Um exemplo real de construção: o "Plan Roaster", um sub-agente advogado do diabo, criado pra fazer críticas duras a um plano ou ideia antes de você seguir com ele. A ficha dele: descrição clara ("crítica adversarial de plano, dispara com frases como 'avalie meu plano' "), ferramentas limitadas só à leitura — ele não edita nada —, modelo simples e barato, já que a tarefa não exige um raciocínio caro, e uma cor própria, só pra identificar visualmente quando ele está ativo.

Uma professora pode construir, do mesmo jeito, um sub-agente "revisor de plano de aula" que só lê e comenta, nunca edita o plano original; um contador autônomo pode montar um "conferidor de cálculo" que revisa números antes de fechar um relatório pro cliente.

05 Sub-agente não é a mesma coisa que skill

Skills e sub-agentes são estruturalmente quase idênticos por baixo — os dois são um arquivo de texto com a mesma ficha de configuração no topo. A diferença real está em como rodam: um sub-agente roda numa janela de memória isolada e fresca, permite paralelismo de verdade, e pode usar um modelo diferente do da conversa principal; uma skill normalmente dispara dentro da própria conversa principal, sem essa separação. E eles se combinam — uma skill pode chamar um sub-agente, e um sub-agente pode usar uma skill.

A mesma lógica do CLAUDE.md vale aqui: um sub-agente guardado dentro da pasta de um projeto só existe naquele projeto; guardado na pasta pessoal, funciona em qualquer projeto na sua máquina. Existem coleções prontas de sub-agentes pra baixar da internet — mas, assim como qualquer arquivo de origem desconhecida, vale revisar antes de instalar: um arquivo malicioso pode esconder uma injeção de instrução disfarçada de ficha comum.

Um coordenador de RH guarda o sub-agente de triagem só dentro do projeto do time de recrutamento, pra não vazar pra outros times; uma consultora freelancer guarda o sub-agente de revisão de proposta na pasta pessoal, porque usa com qualquer cliente novo.

06 Quando vale delegar — e quando não vale

Sinais de que vale a pena criar um sub-agente: você vai ler muitos arquivos ou gerar uma resposta longa que nunca vai reler de verdade; a tarefa se repete toda semana; o trabalho é independente e pode ser feito em paralelo; ou você quer um parecer sem viés, de alguém que "acorda" sem nenhum contexto prévio.

Sinais de que não vale: uma edição rápida e pontual; passos que dependem uns dos outros em sequência — isso é orquestração de vários agentes, não um sub-agente isolado, porque sub-agentes não conversam entre si, só reportam pra quem chamou; ou quando a tarefa precisaria do histórico completo da conversa, ou de te fazer uma pergunta no meio do caminho, porque sub-agentes não interagem direto com você.

Existe também um recurso mais avançado, pra tarefas realmente grandes: disparar vários sub-agentes automaticamente, em fases, escalando de poucos a dezenas ou até centenas numa única tarefa. Isso consome o seu limite de uso muito rápido — um teste real chegou a 210 sub-agentes numa única rodada — então vale usar com cautela, de olho no limite antes de deixar rodando sozinho.

Um consultor freelancer usa esses sinais pra decidir se revisa sozinho, na hora, um contrato pontual, ou se delega pra um sub-agente uma pilha de contratos parecidos; um coordenador de RH usa o mesmo raciocínio pra saber quando vale revisar um currículo na conversa principal e quando vale delegar a triagem de uma leva inteira.

01 Uma pasta vazia é o começo de um projeto

Pra construir algo que sai da conversa e vira uma página de verdade, o caminho mais simples é baixar um editor de código gratuito — um programa parecido com um processador de texto, mas feito pra organizar arquivos de um projeto, não pra você digitar código à mão. Depois, uma extensão liga o Claude Code direto dentro dele, você entra com a sua assinatura, e abre uma pasta vazia no computador. Essa pasta, a partir daí, é o seu projeto: tudo que o Claude Code criar vai morar ali dentro.

Um dono de pequeno negócio que nunca abriu nada parecido com isso na vida consegue montar, a partir de uma pasta vazia, o cardápio digital da própria loja; uma professora consegue montar, do mesmo jeito, um site simples com o portfólio de trabalhos da turma.

02 O hack número zero — e a diferença que uma regra faz

Antes de pedir qualquer página, vale escrever uma única regra no CLAUDE.md do projeto: "sempre use reforço de design visual antes de escrever qualquer código de página, sem exceção." Sem essa regra, o resultado tende a sair "feito só no talento" — visualmente sem graça, mesmo funcionando direito.

A diferença é grande: existem reforços de design instaláveis com um comando simples que elevam demais a qualidade visual e as animações, mesmo com um pedido mínimo — um caso real: um pedido de uma frase só, "faça um app de tocar música", saiu com animações e elementos dinâmicos muito acima do padrão comum, só por causa dessa regra somada a esse reforço.

Uma consultora freelancer constrói a própria página de apresentação já com essa regra escrita desde o início; um dono de pequeno negócio faz o mesmo pro cardápio digital da loja, sem precisar saber nada de design pra sair bonito.

03 Clonar com responsabilidade e deixar a IA se corrigir sozinha

Um jeito prático de partir de algo bonito, em vez de uma folha em branco: achar um site de inspiração, tirar um print da página inteira, copiar o estilo visual dele, e dar os dois pro Claude Code pedindo "clone este site". Depois, é só pedir pra trocar cor, logo e texto pela sua própria marca — e o resultado já nasce com uma base visual testada.

Existe ainda um truque de autocorreção: o próprio Claude Code tira prints da página enquanto constrói, compara com o que devia ficar, e ajusta sozinho — isso costuma levar o trabalho de uns 60% pronto pra mais de 90% sem tanta correção manual repetida. Uma ressalva importante: pra elementos animados, um print parado pode confundir o processo — nesse caso, avise explicitamente que aquilo é uma animação, pra ele não tentar comparar uma imagem parada com um movimento.

Uma professora pode clonar o layout de um site de curso já pronto pra usar como base do material da turma; um coordenador de RH pode clonar um formulário de inscrição de evento bonito, achado na internet, e adaptar pro processo seletivo do próprio time.

04 Do seu computador pro mundo

Enquanto você trabalha, o Claude Code roda tudo local — só no seu computador, só você acessa. Publicar de verdade pede dois passos a mais: sincronizar o projeto com um repositório (uma pasta especial que guarda o histórico de tudo que já mudou) e conectar esse repositório a um serviço que fica de olho nele — toda vez que uma mudança nova chega lá, esse serviço busca sozinho e atualiza o site ao vivo, sem você fazer mais nada.

Uma boa prática vale pra qualquer profissão: sempre testar a mudança no seu computador antes de pedir pra sincronizar — isso pode até virar uma regra fixa, escrita no próprio CLAUDE.md ("sempre testar aqui até eu confirmar, só então sincronizar"). Um dono de pequeno negócio publicando o cardápio digital pela primeira vez segue exatamente esses passos; uma professora publicando o portfólio da turma também.

05 A régua da autonomia

Existe uma régua útil pra entender qualquer sistema de IA, de baixo pra cima: no chão, um chatbot — você dispara na mão, toda vez. Acima, um processo fixo, sem nenhuma IA, sempre nos mesmos passos, disparado por um evento ou horário. Acima dele, o mesmo processo fixo, mas com IA entrando só num dos passos — a ordem continua sempre previsível, só o conteúdo daquele passo varia. No topo, um agente: sem ordem fixa nenhuma, decidindo sozinho o que fazer. Quanto mais alto na régua, mais autonomia, mais imprevisibilidade, mais custo e mais risco.

A regra de ouro: construa a solução mais simples possível pro problema. Se não precisa de IA, não bote IA — é a mesma lógica da máquina de vendas contra a caça-níqueis, vista lá no módulo 1: mesma entrada, mesma saída sempre, pede um processo fixo; entrada que varia de caso a caso pede IA de verdade.

Um exemplo real, comparando as duas pontas pro mesmo problema — triagem de e-mail: um design como agente, com um roteiro gigante de regras e várias ferramentas, decidindo tudo sozinho, saiu menos confiável, mais caro e mais difícil de revisar quando errava; um design como processo fixo, com regras objetivas de encaminhamento e IA entrando só pra resumir a informação, teve quase nenhuma falha, saiu mais barato, mais rápido, e dava pra rastrear exatamente onde algo tinha ido errado. Um consultor freelancer decidindo entre um agente pra triar e-mails ou um processo fixo, e um coordenador de RH decidindo entre IA decidindo tudo sozinha ou regras fixas de triagem de currículo, enfrentam a mesma escolha.

06 O prompt não tranca a porta — a ferramenta tranca

Escrever "nunca envie e-mail, só deixe o rascunho pronto" no pedido é só uma sugestão — pode falhar na centésima primeira vez, mesmo tendo funcionado nas cem anteriores. A proteção real é outra: se a ferramenta de "enviar e-mail" nem existir entre o que aquele sistema pode usar, ele fisicamente não consegue enviar, não importa o que "decida" fazer. A mesma lógica vale pra apagar registros ou mexer num banco de dados — não dê acesso à ação que nunca deveria acontecer.

Vale a mesma lição da bicicleta, do módulo 1: não solte uma automação sozinha, sem supervisão nenhuma, de primeira — vá removendo a supervisão aos poucos, conforme a confiança é testada, nunca de uma vez só. Uma consultora freelancer configura com cuidado o que uma automação pode e não pode acessar antes de ligar; um dono de pequeno negócio limita o acesso de uma automação de respostas automáticas só ao canal certo, em vez de liberar tudo por comodidade.

07 Antes de publicar, teste

Antes de deixar qualquer automação rodando sozinha em produção, vale montar um conjunto de teste: dezenas ou centenas de exemplos de entrada com a resposta certa ao lado, rodar o sistema contra eles, medir a taxa de acerto, e só depois colocar pra valer ou trocar de modelo. Isso não precisa ser complicado: em linguagem natural, dá pra pedir ao próprio Claude Code "me ajude a pensar em todos os casos extremos que podem dar errado aqui antes de eu publicar" — ele ajuda a desenhar os testes e as travas de segurança junto com você.

Uma professora testando uma automação de geração de exercícios com casos antigos conhecidos, antes de usar com a turma inteira, evita um exercício errado chegando pronto pros alunos; um coordenador de RH testando um triador de currículo contra decisões antigas já confirmadas, antes de confiar nele pra decidir de verdade, evita descartar um candidato bom por engano.

01 Pare de confiar só na sua memória

Existe um jeito simples de dar à IA acesso ao que você já sabe, sem precisar de nenhuma ferramenta cara ou complicada — a ideia ficou famosa depois que Andrej Karpathy, um dos nomes mais respeitados da área, descreveu o método que ele mesmo usa: guardar tudo em arquivo de texto simples organizado em duas pastas. Uma pasta chamada raw guarda as fontes originais — os artigos, transcrições, anotações, do jeito que chegaram. Outra pasta chamada wiki guarda o que a própria IA organizou a partir dessas fontes: resumos, ligações entre assuntos, o que é importante. Um arquivo index.md funciona como sumário de tudo, e um log.md guarda o histórico do que foi feito — pra você ou a IA conseguirem entender depois o que já foi processado.

Uma ferramenta chamada Obsidian pode desenhar essas mesmas pastas como um mapa visual, com bolinhas conectadas — mas é só decoração opcional por cima do mesmo sistema de arquivos de texto. O que importa não é o mapa bonito, é a IA conseguir achar e usar o que está guardado.

Uma contadora autônoma que recebe uma mudança na lei todo mês pode colar o texto oficial na pasta raw e pedir um resumo prático na wiki; um professor que junta materiais de vários cursos que já fez pode usar o mesmo sistema pra nunca mais procurar em três lugares diferentes a mesma anotação. Na prática, processar um artigo denso leva de 10 a 15 minutos na primeira vez — e organizar 36 transcrições de uma vez, em lote, leva perto de 14 minutos.

02 Os 5 níveis — comece pelo mais simples que resolve

Existem cinco jeitos de montar um segundo cérebro, cada um respondendo uma pergunta diferente — e não existe um nível "melhor" que os outros, existe o nível certo pra dor que você tem agora. A regra prática: comece sempre no mais simples que resolve o seu problema, e só suba de nível quando sentir dor de verdade no nível atual.

O Nível 1 é busca por palavra exata: um arquivo raiz que funciona como roteiro, mais pastas simples — uma pra contexto geral, uma pra projetos em andamento, uma pra decisões já tomadas. A pergunta que ele responde: "eu consigo achar esse arquivo procurando o nome ou uma palavra exata?". O risco é crescer demais sem estrutura e virar bagunça que a própria IA passa a ignorar.

O Nível 2 é a wiki com relações — o sistema raw/wiki do passo anterior, com ligações entre os textos guardados (um documento aponta pro outro relacionado), mais um arquivo de memória automática com o que já foi combinado antes. A pergunta que ele responde: "eu consigo juntar tudo que já sei sobre um assunto, mesmo que esteja em textos diferentes?". Pra maioria dos negócios pequenos, este é o nível onde vale ficar por um bom tempo.

Um dono de pequeno negócio que só precisa achar o contrato do fornecedor pelo nome já resolve no Nível 1; uma consultora freelancer que atende vários clientes e quer que a IA junte tudo que já discutiu com um cliente específico, espalhado em reuniões diferentes, precisa do Nível 2.

03 Quando "buscar pelo significado" falha

O Nível 3 entra quando você busca com palavras diferentes das que escreveu, e ainda assim quer achar o que precisa — chama-se busca semântica. Pra isso funcionar, cada documento é cortado em pedaços menores, e cada pedaço vira um ponto numa espécie de mapa de significados, onde pontos próximos representam ideias parecidas.

O problema é que esse mapa não é mágico. Se você pergunta "resuma a reunião de 5 de março" e essa reunião foi cortada em 20 pedaços espalhados, a busca pode trazer só os 5 pedaços mais parecidos com a palavra "resumo" — e ignorar o pedaço com o dado mais importante. Já aconteceu de uma busca assim trazer a "semana 6" quando a maior venda do período tinha acontecido na "semana 19", só porque o pedaço da semana 19 não usava as mesmas palavras da pergunta.

Pra dados que precisam ser lidos inteiros pra fazer sentido — como uma reunião completa ou um contrato — arquivo de texto organizado (Nível 1 ou 2) continua sendo mais confiável que busca semântica. Uma coordenadora de RH que guarda entrevistas inteiras ganha mais confiando na wiki organizada do que cortando cada entrevista em pedaços soltos; já um professor com uma biblioteca de centenas de textos curtos, onde cada um já faz sentido sozinho, pode se beneficiar de buscar por significado.

04 Quando o que importa é a ligação entre as coisas

O Nível 4 entra quando você não precisa só achar uma informação, precisa seguir uma cadeia de ligações entre elas — um grafo de conhecimento. Por exemplo: "fulano trabalha na empresa X; a empresa X é indicada pela empresa Y; a empresa Y é concorrente da empresa Z". Isso só compensa o esforço de montar quando você tem muitos dados de clientes ou negócios interligados — não é o caso da maioria dos profissionais autônomos.

O Nível 5 é o "cérebro sempre ligado" — um sistema que atualiza sozinho, sem você precisar mandar nada manualmente pra dentro dele. Vale a ressalva: manter controle sobre o que entra no seu segundo cérebro tende a valer mais a pena do que automatizar isso por completo — sem curadoria, o sistema vira ruído com o tempo, em vez de ficar mais útil.

Uma coordenadora de RH com centenas de candidatos, empresas parceiras e indicações cruzadas pode um dia justificar um grafo de conhecimento; já um dono de pequeno negócio que só quer lembrar o que já combinou com cada fornecedor não precisa de nada tão avançado — e ganha mais desconfiando de qualquer sistema que promete se atualizar sozinho sem ele nem saber o que entrou.

05 O que vale guardar pra sempre — e o que não vale

Existe uma distinção prática pra decidir o que merece virar memória permanente. Contexto é o que não muda de uma semana pra outra: decisões já tomadas, o jeito como o seu negócio funciona, informação que ainda seria útil daqui a um ano — isso vale guardar no segundo cérebro. Conexões são dados que mudam toda hora: uma conversa de ontem, um e-mail de hoje, um número de cliente que muda toda semana — isso não vale guardar de forma permanente, porque vira lixo desatualizado rápido demais.

Pra quem tem acesso a uma ferramenta de trabalho já em uso — uma planilha, um sistema de gestão — o caminho certo costuma ser dar à IA acesso a essa ferramenta viva, não copiar os dados pra dentro do segundo cérebro. Um professor que atualiza notas de aluno toda semana ganha mais deixando a IA consultar a planilha de notas atual do que colando uma cópia desatualizada; uma consultora freelancer com um combinado fixo com cada cliente, que raramente muda, pode sim guardar esse combinado como contexto permanente.

06 O gargalo não é a IA — é tirar da sua cabeça

Antes de montar qualquer sistema novo com a IA, existe um passo que quase todo mundo pula: tirar o conhecimento de dentro da própria cabeça. Um resumo rápido de 5 minutos quase nunca é suficiente — você sabe muito mais sobre o seu próprio trabalho do que consegue lembrar de escrever de uma vez. Existe uma instrução curta e pronta pra resolver isso, apelidada de "me interroga": você pede pra IA te entrevistar sem parar sobre cada parte de um plano ou processo, percorrendo uma decisão de cada vez, sempre dando uma recomendação e perguntando só uma coisa por vez — até chegar num entendimento completo e compartilhado.

Um dono de pequeno negócio, em vez de tentar explicar de uma vez como atende um cliente difícil, deixa a IA interrogá-lo passo a passo até o processo ficar claro até pra quem nunca viu a loja; uma coordenadora de RH pode usar "me interroga" pra registrar como ela mesma decide entre dois candidatos parecidos — um critério que só estava na cabeça dela, nunca escrito em lugar nenhum. A cada pergunta respondida, vale ir gravando o progresso num arquivo próprio — um resumo, as decisões já tomadas, o histórico de perguntas e respostas — pra não perder nada mesmo numa conversa longa. O ganho é real: um processo novo criado sem essa entrevista costuma nascer acertando perto de 70% do que você queria, e melhora aos poucos a cada correção; criado depois de uma boa entrevista, já nasce perto de 90% certo na primeira versão. Vale a frase atribuída a Lincoln: se tivesse seis horas pra cortar uma árvore, passaria as quatro primeiras afiando o machado.

01 Delegar não é o mesmo que montar um time

Um sub-agente funciona como um "1 pra muitos": a sessão principal delega uma tarefa, o sub-agente resolve sozinho numa janela nova e reporta só de volta pra sessão principal — sub-agentes não conversam entre si. Já um agent team é outra coisa: a sessão principal cria o time, existe uma lista de tarefas compartilhada, e os membros conseguem se comunicar entre si e reivindicar tarefas dessa lista — é colaboração de verdade, não delegação isolada.

O trade-off é real: um agent team consome bem mais tokens e limite de sessão do que sub-agentes comuns, porque cada membro mantém contexto próprio e ainda troca mensagens com os outros. Vale usar com moderação, só quando o valor de várias perspectivas debatendo entre si compensa o custo.

Uma consultora freelancer que precisa formatar três propostas parecidas ao mesmo tempo resolve bem com sub-agentes simples, cada um cuidando de uma proposta; já uma coordenadora de RH decidindo entre dois formatos de processo seletivo, algo que pesa de verdade, ganha mais com um agent team debatendo prós e contras entre si.

02 O conselho que debate por você

O uso mais comum de agent team é montar uma espécie de "conselho" ou "sala de guerra": um time com personas diferentes — por exemplo, dono de um negócio pequeno, dono de um negócio grande, e um funcionário júnior — discutindo o mesmo relatório ou decisão, com várias rodadas de debate até chegar num veredito coletivo. A base científica por trás disso vem de uma pesquisa da universidade de Stanford: pesquisa feita com várias personas atacando o mesmo assunto de ângulos diferentes produz um resultado mais completo e rigoroso do que uma perspectiva única.

Um dono de pequeno negócio decidindo se aumenta o preço de um produto pode montar esse conselho e ver o mesmo dado sendo debatido por perspectivas diferentes antes de decidir; um professor pode montar um debate entre personas que representam abordagens pedagógicas diferentes, pra escolher qual explica melhor um assunto difícil pra turma dele.

03 Seja explícito, ou a IA volta ao caminho simples

Depois de um debate ou pesquisa longa, dá pra pedir "empacota isso numa página compartilhável" — a IA gera uma página bem formatada, hospedada num link real (não só no seu computador), que atualiza sozinha se você pedir mudanças depois, sem precisar mandar um arquivo novo pra quem recebeu o link.

Uma contadora autônoma que pede "monta um time pra revisar minha proposta de honorários" precisa reparar se o resultado realmente veio de um debate, ou só de respostas paralelas disfarçadas de time; uma consultora freelancer pode pedir a mesma página compartilhável pra mandar o resultado de uma pesquisa por link direto pra um cliente, sem precisar reenviar nada depois de ajustar.

04 Automações que rodam sem o computador ligado

Uma rotina é diferente de um lembrete agendado no seu computador: ela roda na própria internet, numa estrutura mantida por quem faz a IA — você não precisa deixar nada ligado. Pra configurar uma, você define: um nome; um prompt único (a instrução tem que vir completa, porque ninguém vai estar lá pra responder dúvidas durante a execução); qual modelo de IA usar; o repositório de onde a rotina vai puxar informação; as chaves de acesso que ela vai usar (coladas manualmente, já que essas chaves normalmente não viajam junto do resto do projeto por segurança); a cadência (no mínimo uma vez por hora); e o nível de acesso à internet — só sites confiáveis e verificados, qualquer site, ou uma lista específica escolhida por você.

Cada execução roda numa máquina temporária que é apagada depois, exceto por duas coisas que ficam salvas: qualquer mudança de código vira uma proposta de revisão pra você aprovar depois, e o histórico de execuções fica guardado. Regra prática: se algo só existe no seu computador (uma sessão salva no navegador, por exemplo) ou não está acessível de fora, a rotina simplesmente não consegue usar aquilo.

Um dono de pequeno negócio pode configurar uma rotina que manda, toda manhã, um lembrete dos compromissos do dia; uma coordenadora de RH pode configurar uma que revisa candidatos novos toda semana, sem precisar lembrar de fazer isso manualmente.

05 Um exemplo real: briefing automático todo dia de manhã

Uma automação bem desenhada segue a regra de usar sempre a ferramenta mais simples que resolve: um briefing diário, disparado às 6h, pode ser desenhado como um processo de passos fixos — pesquisar um assunto, escrever um resumo com IA, e enviar a mensagem pronta — em vez de deixar uma IA livre decidindo tudo sozinha a cada execução. O cuidado de segurança mais importante: travar no próprio código o destino da mensagem pra um único lugar privado específico, nunca um canal público — e testar isso de verdade antes de ativar a automação pra valer, pra nunca repetir o erro de uma mensagem indo parar no lugar errado.

Um professor pode receber, assim, um resumo diário de novidades da própria área, sem precisar procurar; uma consultora freelancer pode receber um briefing diário com possíveis clientes novos, pronto quando ela abre o dia de trabalho.

06 Campainha ou checar a porta de novo?

Existe uma segunda forma de automação, disparada por evento em vez de horário. A diferença é a mesma entre uma campainha e ficar checando a porta de 10 em 10 minutos: um aviso automático entre sistemas dispara só quando algo de fato acontece — por exemplo, alguém preenche um formulário — em vez de ficar checando em loop. Um exemplo real: um formulário simples de contato dispara, na hora em que é enviado, uma notificação já formatada pra você. Vale um ponto importante: essa automação específica não usa IA nenhuma de propósito — é só um modelo preenchendo espaços em branco, porque colocar IA ali só adicionaria custo e risco (como "corrigir" um erro de digitação da pessoa) sem nenhum ganho real.

Como bônus, existe um comando que expõe uma sessão ativa pro aplicativo de celular da mesma conta — útil pra continuar acompanhando ou até mandando novas instruções de longe, quando você precisa sair de casa mas quer manter o trabalho andando.

Um dono de pequeno negócio com um formulário de contato no site ganha com o aviso automático (sem IA, mais barato e mais confiável); uma contadora autônoma que sai pra visitar clientes pode usar o acesso pelo celular pra acompanhar uma automação sem precisar voltar ao computador.

01 Por que a conversa fica cara sem você perceber

Toda vez que você manda uma mensagem, a IA relê a conversa inteira desde o começo — o custo não soma, ele multiplica. Uma primeira mensagem pode custar uma quantidade pequena de token (a unidade que mede o quanto uma IA "lê" e "escreve"); a trigésima mensagem da mesma conversa pode custar trinta vezes mais, porque está relendo tudo que veio antes, de novo. Um desenvolvedor mediu uma sessão de mais de 100 mensagens e descobriu que 98,5% de todo o custo era só releitura de histórico antigo — não processamento de coisa nova.

Existe também um custo invisível: a cada mensagem, arquivos de instrução, ferramentas conectadas e as regras do sistema são recarregados por baixo dos panos, mesmo num simples "oi". E além do dinheiro, sessões muito longas pioram a qualidade da resposta — a IA tende a prestar mais atenção no início e no fim da conversa, e "esquecer" um pouco o que ficou no meio.

Uma consultora freelancer que percebe respostas mais genéricas depois de uma hora de conversa não está imaginando coisa — é o efeito de sessão pesada; um professor que se assustou com uma conta mais alta num mês descobriu depois que tinha deixado uma única conversa aberta por semanas, sem nunca limpar.

02 Os hábitos básicos — pra todo mundo

Um punhado de hábitos simples já resolve boa parte do desperdício. Limpar a conversa sempre que muda de assunto, em vez de carregar um assunto novo em cima do antigo. Desligar ferramentas conectadas que você não está usando — cada uma carrega suas próprias instruções em toda mensagem, e algumas custam sozinhas milhares de tokens por mensagem. Juntar pedidos numa mensagem só, em vez de mandar três separadas (e, se algo saiu errado, editar a mensagem original é mais barato do que mandar uma correção nova em cima). Usar o modo de planejamento antes de qualquer tarefa real, deixando a IA mapear a abordagem e fazer perguntas antes de gastar token indo pro caminho errado. E existem dois comandos que mostram exatamente o que normalmente fica escondido: um mostra pra onde os tokens estão indo (histórico, ferramentas conectadas, arquivos carregados), o outro mostra o gasto estimado da sessão.

Um dono de pequeno negócio que manda três pedidos separados numa manhã corrida paga o preço de três releituras completas — juntar tudo numa mensagem só já economiza de verdade; uma coordenadora de RH que desliga uma ferramenta conectada que não usa mais numa determinada semana sente a diferença direto no custo daquela sessão.

03 Hábitos de quem já usa toda semana

Existe um arquivo especial, chamado CLAUDE.md, que guarda as regras fixas do seu projeto — e ele é relido em toda mensagem, mesmo um simples "oi". Por isso vale mantê-lo enxuto, tratando-o como um índice que aponta pra onde mais informação mora, não como uma enciclopédia que tenta guardar tudo. Outro hábito que ajuda: ser cirúrgico ao apontar um documento específico, em vez de pedir pra IA "procurar em tudo". E vale limpar ou resumir a conversa por volta de 60% de uso da janela, sem esperar o limite máximo — e cuidado com pausas longas, porque o desconto de reaproveitamento (explicado no próximo passo) expira depois de um tempo parado.

Um professor que mantém um "caderno de instruções" enxuto pra IA, em vez de colar o material inteiro do curso toda vez, sente a diferença na velocidade e no custo das respostas; uma contadora autônoma que cuida pra nunca deixar uma sessão pausada por muito tempo evita reprocessar tudo do zero na próxima mensagem.

04 Escolhendo a ferramenta certa pra cada tarefa

Nem toda tarefa precisa do modelo de IA mais caro e mais poderoso. Um modelo mais rápido e barato resolve bem tarefas simples e repetitivas; o modelo padrão dá conta do trabalho do dia a dia; e o modelo mais caro, mais lento e mais profundo vale a pena guardar só pra planejamento importante — de preferência menos de um quinto do seu uso total. Sub-agentes custam bem mais tokens que uma sessão normal, porque cada um acorda com contexto cheio do zero — ainda assim compensam quando usados pra tarefas pontuais e paralelas, principalmente com um modelo mais barato.

Vale entender também que o consumo drena mais rápido em horário de pico — deixar refatorações grandes ou tarefas com vários agentes pra fora desse horário rende mais. E o CLAUDE.md funciona bem como "constituição" do seu jeito de trabalhar: guardar ali decisões estáveis, nunca reexplicar a mesma coisa duas vezes.

Uma consultora freelancer que só precisa formatar um documento simples ganha tempo usando o modelo mais rápido, guardando o mais caro pra decisões que exigem raciocínio fundo; um dono de pequeno negócio que evita mandar uma tarefa grande justo no horário mais concorrido do dia sente a sessão render mais.

05 O desconto que você já está pagando sem saber

Existe um mecanismo chamado cache de prompt por trás de boa parte da economia: tokens reaproveitados desse jeito custam só 10% do preço normal. Na assinatura comum, essa janela de reaproveitamento dura 1 hora — se você fica mais de uma hora sem mandar mensagem, a próxima reprocessa a conversa inteira do zero, no preço cheio. O que quebra esse desconto no meio do caminho: trocar de modelo durante a mesma sessão reinicia o reaproveitamento, mesmo que seja só pra economizar noutra frente — é um trade-off consciente. Já editar o CLAUDE.md não quebra o desconto na hora, só quando a sessão reinicia de fato.

Três hábitos cobrem a maior parte dos casos: não deixar uma sessão pausada por mais de uma hora sem necessidade; limpar ou resumir sempre que trocar de assunto; e, pra documentos grandes que você usa toda semana, guardá-los num só lugar de referência em vez de colar de novo em cada conversa solta.

Uma coordenadora de RH que sai pro almoço por mais de uma hora e volta pra mesma conversa sente a próxima resposta demorar mais e custar mais — é o desconto expirando; um professor que usa sempre o mesmo plano de aula como referência ganha guardando esse plano num só lugar de consulta, em vez de colar de novo toda conversa nova.

06 Bater no limite pode ser um bom sinal

Existe uma forma mais justa de pensar sobre bater no limite de uso: se você já pratica os hábitos deste módulo e ainda assim bate no limite, isso não é necessariamente ruim — é sinal de que está usando a ferramenta pra valer, extraindo o valor real dela, não desperdiçando. O problema quase nunca é "preciso de um plano maior" — geralmente é higiene de contexto: parar de reenviar a mesma conversa inteira dezenas de vezes quando dava pra mandar bem menos, de forma mais enxuta.

Este curso cobriu fundamentos, estrutura de projeto, segundo cérebro, times de agentes, automações e agora gestão de tokens — dez módulos que formam a base pra você se tornar alguém que já pensa com IA por padrão. O convite final é simples: continue praticando, trate essa jornada como algo que nunca "termina", e vá construindo o seu próprio jeito de trabalhar em torno de quatro peças — o que você guarda (contexto), o que você conecta ao vivo (conexões), o que a IA consegue fazer por você (capacidades), e a frequência com que você repete esse ciclo (cadência).

Uma professora que aplicar só um hábito deste módulo por semana já vai sentir a diferença em um mês; um dono de pequeno negócio que trata esse aprendizado como contínuo, não como algo "concluído" num certificado, é quem realmente extrai o valor de tudo o que este curso trouxe.