Casos de Sucesso
Estratégia à implementação — assim é como isso se parece na prática.
Redução de tempo de ciclo após integração de AI na SDLC.
Requisitos, código, automação de QA, operações de release.
Tempo de ideia para sistema de detecção funcional.
SDLC AI-native para plataforma sportstech
Trabalhei com uma operadora de sportstech regulada para incorporar AI em cada estágio do ciclo de desenvolvimento de software. Moldei a estratégia de AI com a liderança, então me incorporei aos times de engenharia para implementá-la.
Destaques
- Defini o roadmap de adoção de AI com o CTO, então construí com os times.
- Workspace de AI unificado sintonizado aos microserviços específicos do domínio.
- Desenvolvimento orientado por spec orquestrado no Linear mantém produto, engenharia e QA alinhados.
O Que Eu Construí
- Pipeline de fine-tuning do Cursor alinhada às convenções de código e arquitetura da empresa.
- Templates de requisitos assistidos por AI convertendo conceitos de apostas em specs executáveis.
- Harness de QA automatizado combinando geração de dados sintéticos com pacotes de regressão.
- Guardrails de deployment para que código escrito por AI passe com segurança por revisão, teste e release.
Resultados
- 50% mais rápido em velocidade de entrega nos squads priorizados.
- Automação de QA cobrindo jornadas mission-critical.
- Adoção consistente pelos desenvolvedores porque workflows ficaram em ferramentas existentes.
Como Aconteceu
Discovery
Acompanhei times de produto, engenharia e compliance para mapear onde AI poderia remover fricção.
Build
Fine-tunei Cursor, escrevi bibliotecas de prompts, pareei com engenheiros para validar outputs no codebase real.
Scale
Lancei playbooks de enablement, dashboards de observabilidade e cadências de tuning contínuo.
Detecção de romance scam — do conceito ao protótipo funcional
Um investidor early-stage precisava validar um conceito: AI pode detectar romance scams antes do dinheiro se mover? Eu não apenas pesquisei — construí um protótipo funcional para provar (ou refutar) a tese em seis semanas.
Destaques
- Construí uma engine de scoring protótipo classificando padrões de perpetradores em quase tempo real.
- Experimentação rápida com LLMs mais grafos comportamentais para testar abordagens de detecção.
- Mapeei a superfície completa de ataque — humana, técnica e regulatória — em menos de seis semanas.
O Que Eu Construí
- Protótipo funcional ranqueando risco de romance-scam a partir de padrões de mensagens.
- Catálogo de sinais de inteligência raspada, dados de parceiros e entrevistas de usuários.
- Modelo de ameaças cobrindo apps de namoro, plataformas de mensagens e trilhas de pagamento.
- Análise de viabilidade técnica com próximos passos claros.
Resultados
- Protótipo provou que a abordagem core de detecção funciona.
- Narrativa clara de diferenciação ancorada em sinais comportamentais novos.
- Investidor teve evidência suficiente para prosseguir com build faseado.
Como Aconteceu
Pesquisa
Coletei entrevistas qualitativas, intel de dark-web e dados de incidentes para entender o espaço do problema.
Build
Construí modelos leves de detecção, testei precisão vs falsos positivos, iterativamente melhorei.
Validação
Demonstrei protótipo, documentei achados, delineei caminho para frente.