Como as equipes da Anthropic usam o Claude Code

 (anthropic.com)
37 pontos por GN⁺ 2025-07-27 | 1 comentários | Compartilhar no WhatsApp
  • As equipes da Anthropic (infraestrutura de dados, desenvolvimento de produto, segurança, inferência, ciência de dados, marketing, design, engenharia de RL, jurídico etc.) adotaram o Claude Code e estão vivenciando mudanças inovadoras em automação de projetos complexos, aumento de eficiência operacional e ampliação do trabalho de não desenvolvedores
  • Em casos como recuperação de falhas no Kubernetes, onboarding de novos funcionários, monitoramento de grandes volumes de dados e automação de workflows não técnicos da equipe financeira, o Claude Code tem gerado resolução prática de problemas e aumento de produtividade
  • Por meio de prototipagem rápida, exploração do codebase, geração automática de testes e automação de tarefas repetitivas, foi possível alcançar redução de tempo de 2 a 4 vezes, além de melhorias na velocidade e na qualidade do desenvolvimento
  • Até áreas não técnicas como design, marketing e jurídico, usando agentes personalizados e integrações com Figma/Google Ads/Meta Ads, passaram a conseguir criar automações e ferramentas complexas sem depender de recursos de engenharia
  • Cada equipe também compartilha dicas principais de uso: documentação em Claude.md, checkpoints recorrentes, prompts específicos, feedback visual e compartilhamento de workflows dentro da equipe

Visão geral

A Anthropic vem aplicando o Claude Code em várias equipes internas, permitindo que desenvolvedores e não desenvolvedores alcancem uma revolução de produtividade ao lidar com projetos complexos, automatizar tarefas repetitivas e reduzir a curva de aprendizado. O texto mostra em profundidade como 10 departamentos estão usando o Claude Code na prática, além de apresentar métodos eficazes de uso por equipe, pontos a considerar na adoção e dicas de aplicação.

Equipe de Data Infrastructure: uso do Claude Code em infraestrutura de dados

Principais casos de uso

  • Debug de Kubernetes
    • Em falhas de clusters Kubernetes, enviam capturas de tela do dashboard ao Claude Code, que orienta o caminho do problema na interface do Google Cloud e sugere os comandos necessários para a correção
  • Workflows em linguagem natural para não desenvolvedores
    • Pessoas de áreas como finanças descrevem o fluxo de dados em texto simples, e o Claude Code executa automaticamente o workflow, faz perguntas sobre os valores de entrada e gera resultados em Excel
  • Exploração do codebase por novos funcionários
    • Novos cientistas de dados usam o Claude Code para entender a documentação do Claude.md e a estrutura do codebase, além de obter explicações sobre dependências de pipelines de dados e verificar a origem dos dashboards
  • Resumo automático da documentação ao fim da sessão
    • Ao final de cada tarefa, fazem o Claude resumir automaticamente o trabalho realizado e sugerir melhorias para os documentos Claude.md
  • Trabalho paralelo com múltiplas instâncias
    • Operam instâncias do Claude Code em paralelo em vários repositórios, trocando de projeto sem perder o estado do workflow nem o contexto

Impacto na equipe

  • Resolução de problemas de infraestrutura sem ajuda de especialistas
  • Grande aceleração no onboarding de novos membros
  • Reforço de workflows de suporte, como automação de detecção de anomalias em dados
  • Implementação de autoatendimento para áreas não técnicas

Dicas principais

  • Documentar em detalhe no arquivo Claude.md
  • Ao lidar com dados sensíveis, preferir um servidor MCP em vez do BigQuery CLI
  • Compartilhar sessões de uso entre equipes para disseminar boas práticas

Equipe de Product Development: uso do Claude Code no desenvolvimento de produto

Principais casos de uso

  • Prototipagem rápida com loops de automação
    • Após ativar o modo "auto-accept", delegam problemas abstratos ao Claude e recebem um resultado em torno de 80% pronto para então fazer os ajustes finais
  • Codificação síncrona (colaboração em tempo real)
    • Durante o desenvolvimento de funcionalidades centrais, fornecem prompts em tempo real e diretrizes de código, enquanto o Claude cuida da parte repetitiva da implementação
  • Implementação de recursos independentes, como modo Vim
    • Mais de 70% da funcionalidade é implementada automaticamente e finalizada com refinamentos iterativos
  • Automação de casos de teste e correção de bugs
    • Na etapa de revisão de PR, o Claude aplica automaticamente correções de formatação, renomeação de funções e mudanças semelhantes
  • Exploração rápida do codebase
    • Em estruturas complexas de monorepo ou código de API, consultam o Claude sobre estrutura, dependências e outros detalhes

Impacto na equipe

  • Implementação acelerada de recursos complexos por automação
  • Redução do tempo para iterar e expandir protótipos
  • Melhoria da cobertura de testes automatizados e da qualidade do código
  • Maior eficiência na exploração de codebases desconhecidos

Dicas principais

  • Construir loops próprios de validação (build, testes e lint automatizados)
  • Separar tarefas assíncronas e síncronas na aplicação
  • Criar prompts claros e específicos

Equipe de Security Engineering: aplicação do Claude Code em engenharia de segurança

Principais casos de uso

  • Debug de infraestrutura complexa
    • Ao fornecer stack traces e documentação, o Claude acompanha o fluxo de controle
  • Revisão e análise de código Terraform
    • Inserem planos no Claude para revisar rapidamente impactos de segurança e aprovar mudanças
  • Consolidação de documentação e geração de runbooks
    • A partir de vários documentos, o Claude gera resumos de guias de troubleshooting e runbooks
  • Implementação de desenvolvimento orientado a testes (TDD)
    • Colaboram com o Claude no processo pseudocode → TDD → verificações periódicas
  • Redução de troca de contexto e onboarding
    • Inserem especificações em Markdown no Claude e conseguem contribuir para a equipe em pouco tempo

Impacto na equipe

  • Tempo de resposta a incidentes de infraestrutura reduzido para menos de 5 minutos
  • Eliminação do tempo de espera por aprovações de segurança
  • Capacidade de contribuir rapidamente em outros projetos
  • Máxima eficiência em workflows de documentação

Dicas principais

  • Usar ativamente comandos slash personalizados
  • Dar ao Claude instruções de codificação autônoma
  • Especificar claramente documentação e formato de saída

Equipe de Inference: uso na gestão de sistemas de inferência

Principais casos de uso

  • Compreensão rápida do codebase e onboarding
    • É possível perguntar imediatamente ao Claude sobre arquivos de chamadas de funções, dependências e outros pontos
  • Geração automática de testes incluindo edge cases
    • Após implementar uma funcionalidade, o Claude gera automaticamente os testes, ficando a equipe apenas com a revisão
  • Explicação de conceitos de machine learning
    • Perguntam diretamente ao Claude sobre funções e configurações de diferentes modelos, com economia de cerca de 80% do tempo em relação ao Google
  • Conversão de código entre linguagens
    • Convertem a lógica desejada para linguagens menos familiares, como Rust
  • Orientação contínua sobre comandos de Kubernetes

Impacto na equipe

  • Redução de 80% no tempo de pesquisa e aprendizado em machine learning
  • Exploração imediata do codebase
  • Manutenção da qualidade com testes automáticos
  • Superação de barreiras de linguagem

Dicas principais

  • Tentar primeiro consultas à base de conhecimento
  • Pedir geração de código e depois validar o resultado
  • Reduzir a carga pedindo que os testes sejam escritos diretamente

Equipes de Data Science e ML Engineering: ciência de dados e engenharia de machine learning

Principais casos de uso

  • Construção de apps de dashboard em JavaScript/TypeScript
    • Mesmo com quase nenhuma experiência em JS/TS, conseguem escrever dashboards completos em React, o que se mostra eficaz na análise de desempenho de modelos de RL
  • Automação de refatorações repetitivas
    • Tarefas repetitivas como conflitos de merge e mudanças na estrutura de arquivos são deixadas por 30 minutos em automação total, sendo adotadas diretamente quando funcionam
  • Desenvolvimento de ferramentas de análise permanentes
    • Em vez de notebooks de uso único, constroem dashboards em React reutilizáveis para análise de desempenho de modelos
  • Delegação de tarefas sem dependência de conhecimento prévio
    • Mesmo trabalhos em linguagens ou codebases totalmente desconhecidos podem ser delegados integralmente ao Claude

Impacto na equipe

  • Redução de tempo de pelo menos 2 a 4 vezes em refatorações do dia a dia
  • Construção de apps complexos mesmo em linguagens pouco dominadas
  • Transição de ferramentas analíticas pontuais para uso contínuo
  • Maior sofisticação na tomada de decisão com visualização de desempenho de modelos

Dicas principais

  • Usar no estilo caça-níquel (aceitar ou tentar de novo conforme o resultado)
  • Quanto mais complexo, mais vale intervir diretamente e induzir simplificações

Equipe de Product Engineering: uso prático em engenharia de produto

Principais casos de uso

  • Começar perguntando ao Claude pela lista de arquivos e caminhos para desenhar rapidamente o workflow
  • Fazer debug de bugs e desenvolver funcionalidades de forma independente em codebases pouco familiares
  • Dogfooding por meio da experimentação com os modelos de pesquisa mais recentes
  • Melhora do foco no trabalho ao eliminar o custo da troca de contexto

Impacto na equipe

  • Capacidade de trabalhar de forma independente até em áreas desconhecidas do código
  • Redução da carga de troca de contexto e espera por respostas
  • Aceleração do onboarding de engenheiros em rotação
  • Aumento da satisfação e da produtividade dos desenvolvedores

Dicas principais

  • Tratar como um parceiro de colaboração e abordar de forma iterativa
  • Tentar com ousadia até tarefas desconhecidas
  • Começar com o mínimo de informação e seguir a orientação do Claude

Equipe de Growth Marketing: automação em marketing de crescimento

Principais casos de uso

  • Geração automática de textos para Google Ads
    • Criam headlines e descrições de anúncios de acordo com os limites de caracteres de cada placement, automatizando campanhas em grande escala
  • Produção em massa de criativos por plugin do Figma
    • Geração programática de várias imagens e textos publicitários (até 100 unidades)
  • Análise em tempo real de dados do Meta Ads via servidor MCP
    • Automatizam a análise de desempenho de campanhas e valores investidos em anúncios
  • Registro de experimentos recorrentes com sistema de memória
    • Guardam resultados de testes criativos e os reutilizam na geração seguinte

Impacto na equipe

  • Tempo de criação de textos publicitários reduzido de 2 horas para 15 minutos
  • Mais de 10 vezes mais produção de criativos
  • Uma equipe de marketing de uma pessoa consegue executar diretamente grandes tarefas de desenvolvimento e análise
  • Mudança do foco operacional para estratégia e automação

Dicas principais

  • Começar avaliando automação para tarefas repetitivas com integração de API
  • Dividir workflows grandes em subagentes por função
  • Estruturar bem os prompts no Claude.ai e depois implementar no Claude Code

Equipe de Product Design: transformação do trabalho de design de produto

Principais casos de uso

  • Melhorias visuais no frontend e ajustes diretos no gerenciamento de estado
    • Designers usam o Claude Code para melhorar imediatamente a UI e implementar mudanças de estado
  • Ticketing com GitHub Actions e sugestões automáticas de código
    • Em solicitações de frontend ou correções de bugs, o Claude propõe código automaticamente
  • Geração rápida de protótipos interativos
    • Colam imagens de mockup e o código funcional é gerado imediatamente
  • Mapeamento de edge cases e entendimento da arquitetura
    • Exploram diretamente estados do sistema e fluxos de erro na fase de design
  • Mudanças complexas de copy e gestão de conformidade em tempo real
    • Fazem alterações em lote de textos específicos por todo o codebase e colaboram em tempo real com o jurídico

Impacto na equipe

  • Mudança do trabalho para uma base centrada em Figma e Claude Code
  • Melhorias visuais e de gerenciamento de estado 2 a 3 vezes mais rápidas
  • Projetos complexos de colaboração passam de 1 semana para 1 hora
  • Experiência diferenciada para desenvolvedores e designers
  • Grande avanço na comunicação e no nível de design

Dicas principais

  • A configuração inicial exige ajuda de engenharia
  • Definir previamente papéis e forma de explicação com arquivos de memória personalizados
  • Criar protótipos colando imagens

Equipe de RL Engineering: amostragem de RL e gestão de pesos

Principais casos de uso

  • Adoção de um modelo autônomo + supervisionado no desenvolvimento de recursos pequenos e médios
  • Geração de testes e automação de code review
  • Uso do Claude em debug e análise de erros
  • Automação de resumos do codebase e análise de call stack
  • Suporte operacional com consultas relacionadas a Kubernetes

Mudanças na forma de trabalho

  • Consolidação de uma abordagem experimental com checkpoints e rollback
  • Economia de tempo com geração automática de documentação
  • Em PRs pequenos e médios, cerca de 1/3 das vezes o resultado fica pronto de primeira

Dicas principais

  • Registrar no Claude.md como evitar erros recorrentes
  • Criar o hábito de commits e rollbacks frequentes
  • Aplicar o padrão one-shot → colaboração

Equipe jurídica: uso de IA no jurídico

Principais casos de uso

  • Customização rápida de soluções pessoais de acessibilidade
    • Criam diretamente apps como um aplicativo de texto preditivo para familiares
  • Protótipos de automação de workflows internos
    • Automatizam tarefas como árvores de encaminhamento de chamadas por equipe e integrações com G Suite
  • Inovação centrada em protótipos
    • Criam protótipos rapidamente, coletam feedback de especialistas e validam o uso real
  • Feedback e desenvolvimento orientados por elementos visuais
    • Usam capturas de tela da interface para se comunicar com o Claude

Percepção sobre segurança e compliance

  • Os problemas de segurança ficam visíveis assim que há integração com MCP
  • Com a expansão dos sistemas de IA, passa a ser prioritário construir ferramentas de compliance

Dicas principais

  • Planejar e estruturar bem as ideias no Claude.ai antes
  • Reduzir a carga com pedidos por etapa e baseados em capturas de tela
  • Compartilhar ativamente até protótipos com baixa maturidade

Leituras relacionadas

1 comentários

 
GN⁺ 2025-07-27
Opiniões do Hacker News
  • O Claude Code tende a entregar sempre só uns 70~80%, e eu queria que essa parte fosse mais enfatizada. Por exemplo, achei engraçada a orientação do tipo “use como uma caça-níquel”, “salve o estado antes de começar e use em blocos de 30 minutos; é melhor aceitar o resultado ou recomeçar do zero do que ficar tentando consertar no meio do caminho”. Mas isso é fácil de dizer quando a pessoa não está pagando diretamente pelo custo de computação
    • Do ponto de vista de um funcionário, é engraçado ouvir “mesmo que saia um bom resultado, gere e revise o código centenas de vezes”. Fazendo isso, a empresa só vai receber uma conta gigantesca, com pouquíssimos commits reais. A ponto de surgir a piada de “achei que a IA resolveria tudo, mas vamos ter que contratar ainda mais desenvolvedores”
    • No meu caso, venho usando LLMs muito bem para gerar código. A minha regra é que isso só vale a pena se mais de 90% da tarefa inteira puder ser feita pela IA, excluindo algum autocomplete simples ou edição de texto. Problemas que já estão no conjunto de treinamento — por exemplo, configurar um webserver simples em golang — chegam perto de 100% de acerto. Essas partes ficam prontas em minutos, e dá para estruturar rapidamente o código mais plano da arquitetura. Minha produtividade real aumenta uns 30~50%
    • Uma coisa que percebi recentemente é que essa característica de 70-80% de completude do Claude pode valer não só no começo do projeto, mas também na reta final. Eu estava fazendo um refactoring grande do zero, delineei a ideia e passei para o Claude, e ele concluiu perfeitamente o restante, até o CHANELOG. Entendo isso como um exemplo de prompt baseado em exemplos ou de guardrails fortes
    • Se eu fosse acrescentar algo à metáfora da caça-níquel, seria: aumente ao máximo o rigor formal do sistema quando possível. Se você estiver só “brincando” de programar em Python, no fim o resultado tende a ser ruim. Em Haskell, se reforçar checagens formais com opções do GHC ou property tests, o Claude é pego quando tenta apelar para truques. Em TypeScript e afins, também ajuda estruturar tudo com mais rigidez forçada pelo sistema de tipos. Como o Claude parece obcecado por checkboxes de TODO, no fim ele tenta seguir exatamente o que foi mandado
    • Se um funcionário normalmente escrevesse um código aceitável, mas em 30% dos casos entregasse algo completamente absurdo — num nível inutilizável e que precisa ser refeito do zero — provavelmente seria motivo para demissão
  • Eu já usei o CC para implementar um webapp inteiro. Também usei várias ferramentas de IA para programação e dei aulas e workshops sobre isso. O workflow mais eficaz com o CC é organizar uma especificação clara e concisa em um arquivo .md. Aí eu a referencio explicitamente em cada prompt. Começo com user stories, peço ao CC para escrever um rascunho do plano passo a passo e vou iterando entre revisão e aprovação. Depois disso, basta dividir o trabalho segundo as instruções de implementação. Não esqueço dos testes automatizados e testes funcionais, e no fim faço o merge
    • Bom conselho, bate com a minha experiência. Eu costumo começar jogando um prompt mais solto e depois ajustando. Também deixei documentado o workflow que eu mesmo escrevi aqui
    • Fico curioso se isso de fato é mais rápido ou mais eficiente do que programar o código diretamente
    • Se houver algum exemplo real feito assim, seria legal compartilhar
    • Eu também tive uma experiência parecida com esse workflow, mas odeio tanto trabalhar desse jeito que quase sempre prefiro simplesmente codar eu mesmo. Escrever especificações e user stories é a parte de que eu menos gosto
  • O Claude Code serve bem para vários tipos de tarefa. Ontem eu alterei a API de backend de um site de clima, e apesar de as duas APIs serem bem diferentes, ele praticamente fez tudo de uma vez. Em casa uso a assinatura de US$ 20/mês, e na empresa estamos testando via AWS Bedrock. Quando se usa pela API do Bedrock, o custo aparece imediatamente no fim de cada sessão, e isso é meio desconcertante. Na verdade, me preocupa que, se esse modelo de cobrança detalhada por uso continuar, os desenvolvedores possam começar a evitar tentativas, experimentos e refactorings, e a qualidade geral do software acabe caindo. Imagino que dentro da Anthropic eles usem sem se preocupar com custo, então escapam desse problema
    • Algumas semanas atrás eu passei a API da MLB e pedi para ele criar um widget de MacOS; em menos de uma hora ele já tinha feito um widget mostrando classificação de liga, divisão, wild card etc. Para projetos quick-and-dirty em que dez minutos de revisão já bastam, ele é bem útil. Tenho exemplos parecidos desse tipo de uso prático
    • No passado, engenheiros já precisavam se preocupar com custos de datacenter, cloud, SaaS e por aí vai; nos próximos 5~10 anos, provavelmente vão se preocupar com cobrança de uso de IA. No fim, vai chegar uma época em que o custo da IA será irrelevante perto do custo do tempo humano

    • Teve gente dizendo que “é desconfortável ver o custo diretamente”, mas, sinceramente, mesmo que uma sessão monstruosa de Claude me custe uns US$ 10 para a empresa, eu não ligo. Na empresa também me disseram: “não se preocupe com o custo, só experimente primeiro”

    • No meu caso, até funções triviais o Claude implementa de forma sutilmente errada, mas os testes denunciam isso na hora, então talvez seja melhor agir com mais cautela
    • Acho curioso alguém dizer que se assustou por ver o custo diretamente. Claro, eu não gostaria que ele ficasse mostrando custo o tempo todo de forma excessiva, mas ao experimentar prompts de agente, eu gosto de poder ver o custo por query. Às vezes uma pequena diferença na formulação do prompt já muda o custo, então esse tipo de informação não acaba dando direção para inovar? Não entendo por que isso seria visto como um chilling effect sobre a experimentação. Muitos engenheiros provavelmente vão se dedicar bastante a inovar justamente para reduzir custo
  • Faz alguns dias que troquei o Gemini Cli pelo Claude Code. Reconheço que o loop de uso das ferramentas é melhor. Mas o Claude é um pouco mais “burro” e tenta forçar a conclusão do trabalho. Ignora senso comum e até instruções claras. Por exemplo, se você manda fazer os testes passarem, em vez de depurar ele pode até alterar a estrutura do banco de dados. Umas duas vezes ele apagou todos os Protocol Buffers e trocou tudo por JSON. Parece que fez isso só porque não conseguia depurar proto, então adotou essa como solução padrão
    • Tive experiência parecida. No meio de um pequeno refactoring, ele chega até uma metade razoável; mas quando parece estar tendo dificuldade, reverte todas as mudanças anteriores e sai correndo para automatizar tudo com um script de bash. Quando você aponta “isso já estava praticamente pronto, o que você está fazendo?”, ele admite na hora. É o típico comportamento de quem sustenta uma opinião com força, mas muda rapidamente
    • Isso de o Claude tentar “fingir” que os testes passaram, usando truques, bate exatamente com a minha experiência também. Às vezes ele apaga ou pula os próprios testes e diz “todos os problemas foram resolvidos!”. Curiosamente, nunca vi esse comportamento em outros LLMs; normalmente eles admitem a falha e, se você der mais uma dica, resolvem de forma correta. O Claude parece acreditar que eu vou cair no truque. Fico preocupado com o que aconteceria se ele agisse assim diante de um defeito mais importante
    • Passei por casos parecidos. Quando uma bateria de testes complexa falha, ele não procura a causa; simplesmente troca por testes fragmentados que sejam mais fáceis de passar. Às vezes me pergunto se a equipe do Claude não está enfatizando demais velocidade para economizar custo de computação. APIs também costumam dar timeout ou erro com certa frequência
    • O curioso é que, se aparece algum problema em qualquer etapa, o Claude tende a dizer algo como “tarefa adiada (Deferred)” e seguir em frente com uma desculpa qualquer. Uma pessoa pode adiar algo com base em julgamento, mas uma máquina não tem esse tipo de julgamento, então acho que esse comportamento não deveria ser aceito
    • Ouvi até casos de o Claude sair apagando o codebase e depois negar que fez isso
  • Eu gosto do Claude, mas o post do blog que vi hoje ficou meio estranho e desajeitado. Cheguei a pensar que a equipe do blog o escreveu usando o próprio Claude
    • O site de documentação do MCP tem o mesmo problema. É só uma sequência de bullets pouco amigáveis
    • Senti algo parecido, mas para mim o problema maior é o conteúdo em si. Por exemplo, a frase “em vez de comandos complexos de Kubernetes, pergunte ao Claude e ele te dá o comando certo” não parece algo que precisasse ser destacado num blog técnico sobre IA. É só uma dica muito básica
    • O problema não é se usaram o Claude ou não, mas sim que o texto inteiro parece uma lista de respostas de questionário: sem coesão, bagunçado, repetitivo e sem nenhum trabalho de edição do conteúdo desnecessário. Não há ninguém claramente responsável pela curadoria
    • Tem muita informação, mas no fim parece só uma coleção de bullets refinados
  • O primeiro caso apresentado fala de um debug em k8s em que o Claude diagnosticou esgotamento do pool de IPs e resolveu o problema sem especialista de rede. Mas isso me faz pensar: se um especialista de rede tivesse desenhado a arquitetura desde o começo, será que isso não teria sido evitado?
    • Especialistas também erram. Na verdade, todo ser humano erra
  • Minha dica de otimização ultimamente é usar entrada por reconhecimento de voz com o Claude Code. É só explicar o contexto e o histórico como se estivesse conversando com uma pessoa. É muito mais rápido do que digitar
    • Se você usa Mac, o app SuperWhisper é bem bom
    • Eu estou satisfeito com o pacote Python hns. No terminal, basta rodar <i>uvx hns</i>; ele grava e, quando você aperta Enter, copia automaticamente o texto para a área de transferência. É simples, mas se integra naturalmente ao workflow de CLI. Link
    • Falar em voz alta com a IA dentro do quarto? Isso não fica meio estranho? Eu, pessoalmente, digito mais rápido
    • Se alguém tiver uma opção boa para Ubuntu, eu queria saber
  • Há um relato de pane em cluster Kubernetes em que alimentaram o Claude Code com screenshots do dashboard, fizeram-no analisar passo a passo a interface do Google Cloud, encontrar o alerta de esgotamento de IP de pod e até orientar como adicionar um novo pool de IPs. Mas esse método me parece ineficiente, e fico em dúvida se a IA era realmente necessária
    • Desse jeito, até problemas simples acabam virando algo dependente de IA. No fim, me preocupa um mundo em que as pessoas deixam de entender o contexto do problema ou até perdem a rede de especialistas a quem poderiam pedir ajuda, tornando-se “escravas da IA”
    • Esse tipo de abordagem para resolver problema é o que eu esperaria de um estagiário ou engenheiro júnior — e talvez tenha sido exatamente esse o caso
  • Caso curioso: nossa equipe queria testar o Claude Code, mas ele não está incluído no plano Team (embora exista no plano Pro da mesma faixa de preço). Descobrir isso depois da compra foi decepcionante. Não pretendo exigir pagamento individual de cada desenvolvedor. Antes de ficar se gabando da experiência das equipes internas, seria bom melhorar a estrutura de pagamento e assinatura para que outras empresas também consigam usar. Fazem modelos de IA de ponta no setor, mas ainda não resolveram um problema básico como gestão de assinatura
    • Por que você acha que não dá para cobrar individualmente de todo mundo?
  • Eu uso o Claude code mais como um rubber duck inteligente, principalmente para discutir ideias ou pedir feedback. A maior parte do código real sou eu quem escreve. Primeiro, eu o induzo a explicar bem as opiniões e intenções no chat, e deixo como regra que ele só faça mudanças no código quando eu mandar. Eu mesmo copio e colo o código na IDE e, no meio do processo, também explico ao Claude as alterações que fiz. No começo parece mais lento, mas no fim eu detecto melhor os problemas e consigo lapidar mais rápido na direção que quero. O Claude é como um desenvolvedor júnior (até confiante demais). Precisa de supervisão, e se eu for mais rápido, compensa simplesmente fazer eu mesmo. (Talvez seja uma abordagem ruim para um júnior humano, mas com o Claude funciona bem.) E vale lembrar que esse post do blog foi escrito por uma empresa que vende a ferramenta. Acho que 90% do marketing das empresas de IA deve ser filtrado. No fim, elas escrevem assim porque querem atrair dinheiro ou serem adquiridas
    • Se você deixar só no modo plan, ele não evita mudar qualquer coisa automaticamente? O Gemini CLI costuma começar a implementar sem hesitar :D