SDLC + IA: Como Usar IA em Cada Fase do Ciclo de Desenvolvimento

Destaques

• Requisitos: discovery com Gemini em reunião, transcrição via Notas do iPhone, Notion e NotebookLM, além de um "agente especialista do projeto" alimentado com decisões e atas (caso de consultoria para um grupo de faculdades).
• Planejamento: pipeline detalhado por Nando — transcrição bruta organizada no ChatGPT, depois refinada em Claude Code (modo Plan, Superpowers) até virar PRD, quebrado em specs modulares, tasks de 2 a 5 minutos e sprints, com contratos canônicos definindo regras de falha antes de qualquer linha de código.
• Ferramentas de planejamento/organização citadas: Adapta, Obsidian como "segundo cérebro", Hermes (agente autônomo via Telegram), Mindmeister/Xmind para mapas mentais gerados a partir do ChatGPT.
• Metodologias mencionadas: SDD (Spec Driven Development), BMAD (agentes especializados por papel — PM, arquiteto, designer, dev, tester) e GSD, com debate sobre economia de token entre planejar bastante (mais barato por chamada) versus ir direto num modelo mais caro (menos retrabalho).
• Design e arquitetura: Claude Design e Stitch (integrado a Figma e NotebookLM) para telas, Cloudcraft para diagramas de arquitetura AWS com estimativa de custo; discussão sobre Filament ainda valer a pena com IA — consenso de que sim, pela economia de tokens ao reaproveitar componentes prontos.
• Desenvolvimento: Claude Code, Antigravity, Codex, Cursor, Junie (dentro do PHP Storm), Devin (agente autônomo com LLM própria da Cognition) e Paperclip (orquestrador que simula uma "empresa" de agentes com papéis de CTO, sênior, pleno e júnior).
• Cases reais compartilhados: backlog de dois anos resolvido em poucas semanas com Filament e Codex; migração de quase 3 mil contas de e-mail em 15 dias, evitando um aumento de custo mensal de infraestrutura de e-mail; deploy expresso de um sistema legado feito sem IA, finalizado sob pressão de cliente usando Superpowers, Context7 e Serena.
• Testes: Playwright integrado a agentes de IA para testes end-to-end (login, navegação, prints, debug de log), citado inclusive como requisito em vagas de AI Engineer; reforço do TDD (red-green-refactor) combinado com Context7 para reduzir retrabalho pós-feature.

Profundidade técnica

A discussão deixou claro onde a IA agrega e onde quebra em cada fase: em requisitos e planejamento, o ganho vem de transformar reuniões e ideias soltas em artefatos estruturados (PRD, specs modulares, contratos canônicos) antes de qualquer código, o que reduz alucinação e retrabalho — um membro relatou que 33% do próprio gasto de tokens vinha de correção de bugs por pular essa etapa. Em design, ferramentas como Stitch e Claude Design aceleram a geração de telas, mas a base de um framework como Filament continua relevante porque reduz o volume de código (logo, de tokens) que a IA precisa gerar do zero. Em desenvolvimento, a divergência apareceu no trade-off entre planejar exaustivamente (mais barato em tokens, mais lento) e executar direto em um modelo mais caro (mais caro por chamada, menos retrabalho); orquestradores como Paperclip e agentes autônomos como Devin representam o próximo passo, delegando papéis inteiros a agentes distintos. Em testes, Playwright surge como ferramenta madura o suficiente para virar requisito de vaga, cobrindo testes end-to-end e geração de evidência visual. O ponto de quebra mencionado por mais de um participante é a perda de contexto em janelas longas — mitigada com handoffs estruturados entre modelos e compactação de contexto guiada por specs previamente travadas.

Faça parte do Clã

Esse mapeamento fase a fase — com as ferramentas que os próprios membros testaram na prática, o que funcionou e o que não funcionou — é conteúdo exclusivo dos encontros ao vivo do Clã. Participe: Beer and Code Clã Nível 1