- O CEO de uma startup de AI SaaS com 7 pessoas compartilha uma experiência prática de ter construído uma equipe de marketing com IA de 5 pessoas — composta por CMO, redator de conteúdo, responsável por redes sociais, gerente de HN e analista de performance — usando o recurso experimental Agent Teams do Claude Code
- Não escreveu uma única linha de código manualmente, e toda a equipe de agentes funcionava apenas com 15 a 20 arquivos Markdown e o Claude Code
- Em um Mac Mini M1, tudo era executado automaticamente a cada hora com cron, realizando de forma autônoma, sem intervenção humana, desde a redação de blog até a distribuição em redes sociais, atividade no HN e análise de resultados
- Na primeira semana, 3 posts de blog foram publicados automaticamente, e surgiram DMs reais de inbound nas redes sociais e pedidos de conexão no LinkedIn. Uma pessoa que não falou com o autor, mas sim com um agente de IA, enviou um pedido de conexão
Contexto: restrições reais de uma startup
- Uma startup em estágio inicial com ARR de $500K, em que a nova pessoa responsável por growth precisava se concentrar em outbound sales
- Logo após o lançamento de uma nova funcionalidade, surgiu um vazio de marketing. O CEO assumiu o marketing diretamente e, em vez de trabalhar da forma tradicional, decidiu montar uma equipe de marketing com IA
- O primeiro protótipo levou 2 horas, o primeiro loop completo levou dois dias, e foram necessários cerca de 7 dias para chegar à operação totalmente autônoma
Projeto central: pensar como vaga de contratação, não como prompt
- A abordagem para os agentes não foi como “prompts”, mas como “contratar funcionários”. Escopo do cargo, guia de estilo, documentos da empresa, permissões de ferramentas e cronograma foram definidos em Markdown
- Cada agente foi definido em um único arquivo Markdown dentro de
.claude/agents/. Ele era composto por frontmatter em YAML (nome, modelo, memória) e prompt de sistema (procedimentos de trabalho, regras)
- Ao armazenar em
.claude/rules/ as políticas comuns da equipe — como schema do CMS, regras de UTM e política de geração de imagens — todos os agentes as herdavam automaticamente
- O
CLAUDE.md funcionava como a carta da equipe, compartilhando com todos a estrutura dos agentes, as regras de segurança e a organização de pastas
Arquitetura de operação autônoma
- O agente CMO definia a estratégia semanal todo domingo e distribuía as tarefas em slots de tempo de 3 horas
- Quando o cron executava o Claude Code em modo headless a cada hora (
-dangerously-skip-permissions), o CMO fazia spawn em paralelo de agentes especialistas como subprocessos (usando o recurso experimental de agent team do Claude)
- Formas de colaboração entre agentes
- Sistema de tarefas:
TaskCreate / TaskUpdate
- Sistema de arquivos: compartilhamento de rastreador em CSV
- SendMessage: reporte ao CMO
- Cada agente mantinha memória persistente em
.claude/agent-memory/, acumulando entre sessões estratégia, desempenho e padrões como “conhecimento organizacional”
Integração de ferramentas
- Servidores MCP: Sanity CMS (criação e publicação de posts), X/Twitter (tweets e busca), Slack (notificações), Ahrefs (análise de SEO e palavras-chave)
- Scripts customizados: Reddit OAuth2, HN headless, geração de imagens com Gemini e upload para a CDN do Sanity. Todos os scripts foram escritos pelo Claude
- Todas as atividades eram reportadas no canal Slack
#team-ai-marketing como em um stand-up da equipe, incluindo plano diário, conclusão de publicações, erros e resumo de performance
Loop de feedback
- Responsável por redes sociais → log em CSV → analista de performance → relatório diário → CMO → atualização de estratégia → geração de conteúdo → distribuição → repetição
- Quando o analista de performance atualizava automaticamente o
marketing-insights.md, os outros agentes o liam antes da próxima tarefa, permitindo que os insights se espalhassem para toda a equipe em menos de um dia
- A forma de gestão do CEO era dar instruções em linguagem natural ao Claude Code. Ex.: “faça o responsável por social não usar em dash” → ajuste automático do Markdown → aplicado a partir da sessão seguinte
Lições aprendidas
- O mais importante não era o código, mas sim a construção do loop de feedback: fazer com que o sistema aprendesse sozinho com os resultados das próprias ações
- As regras se acumulam com efeito composto. Uma regra adicionada uma vez melhora permanentemente o comportamento de todos os agentes
- O sistema de slots de 3 horas é central. Sem ele, surgiam problemas de agentes fazendo demais ou de menos
- Na terceira parte da série, o autor pretende refletir sobre “se isso é uma nova forma de trabalhar ou, no fim, algo que vai apenas complicar a própria vida”
Ainda não há comentários.