A ferramenta de IA que mais uso não tem 1 linha de modelo de linguagem.
É um script Python de 312 linhas que chama APIs de agendamento.
Você provavelmente esperava que eu dissesse Claude. Ou um agente. Ou algum LLM orquestrando algo sofisticado.
Não. É código Python simples. Com uma estrutura de pastas bem pensada. E um processo editorial que eu já fazia manualmente — mais lento, com mais erro, mais dependente de calendário.
Na semana passada documentei o inventário: 40 iniciativas, 6 meses, R$50 mil investidos contando meu tempo. Quatro empresas — integração ERP para e-commerce, biotecnologia, cibersegurança e um projeto meu de geração de conteúdo.
De 40 iniciativas, 6 ficaram rodando. As outras 34 estão em pastas com documentação excelente que ninguém abre.
Essa semana, desço nas 6.
As 6 ferramentas — com o que cada uma entrega hoje
1. PostFlow — sistema de geração e agendamento de conteúdo
Scripts em Python que leem um arquivo de instruções, geram o conteúdo da semana, criam imagens para carrosséis do Instagram e agendam posts via API do Buffer.
O que entrega hoje: 22 semanas ininterruptas de publicação. 250 peças geradas — 89 posts no LinkedIn, 50 carrosséis no Instagram, 49 roteiros de reel, 21 newsletters, 19 artigos. Zero intervenção técnica depois que o processo está rodando.
Classificação técnica: automação de processo. Não é IA generativa na produção — é um orquestrador que coordena chamadas ao Claude, ao Imgur e ao Buffer. O Claude gera o conteúdo. O script faz o resto.
2. Detector de leads por setor — integração ERP para e-commerce
Ferramenta que identifica lojas virtuais com plataforma de e-commerce específica, sem ERP integrado, ativas em determinado segmento. Resultado do primeiro ciclo: 207 leads qualificados, integrados diretamente à estratégia de feiras.
Classificação técnica: processamento de dados e web scraping com critério determinístico. Nenhum LLM envolvido. A qualificação é binária: tem plataforma X, não tem integração ERP, está no segmento Y.
3. Integração com CRM via linguagem natural
MCP server que conecta o CRM ao ambiente de trabalho. Permite consultas e atualizações em português — "quantos negócios sem próximo passo na fase de proposta" — sem precisar abrir o painel.
Classificação técnica: essa sim usa LLM. O Claude interpreta linguagem natural e traduz para chamadas de API do CRM.
4. Dashboard de pipeline ao vivo
HTML interativo gerado por script Python que consulta o CRM toda semana e atualiza métricas de pipeline: cobertura, velocidade, distribuição por fase, negócios sem próximo passo. Uma análise que levava 40 minutos para montar manualmente agora está atualizada em 3 minutos.
Classificação técnica: visualização de dados. Zero IA. Python mais HTML mais API do CRM.
5. Bot de vendas consultivo — biotecnologia
Agente treinado no portfólio de suplementos de alto valor da empresa. Responde perguntas consultivas de farmacêuticos e médicos prescritores, com argumentação calibrada por perfil de comprador.
Classificação técnica: IA generativa com RAG simples. Único dos 6 onde o LLM é o produto, não o orquestrador.
6. Posicionamento completo e design system — cibersegurança
Trabalho de estratégia e posicionamento de marca, do diagnóstico ao statement aprovado. Design system com paleta, tipografia, tom de voz. Três rodadas de mockup de site. Plano de marketing semestral com cinco pilares e dez linhas de produto.
Classificação técnica: assistência estratégica com Claude como parceiro de raciocínio. Não é automação — é aceleração de processo analítico.
A surpresa que os números revelam
Os 13 agentes planejados com arquitetura detalhada? Nenhum em produção. TCO calculado em R$58 mil por ano, ROI projetado de 411%. Aguardando go/no-go que ainda não chegou.
O SDR Bot para WhatsApp — planejado para automatizar a primeira etapa da prospecção? Travado por restrições de API há meses.
A base de conhecimento de inteligência comercial, com seis fontes de dados cruzadas, atualizada toda semana? Construída. Não consultada de forma recorrente por ninguém além de mim.
Segundo a McKinsey (State of AI, 2025), organizações com ROI positivo em IA para receita têm uma característica em comum: começaram automatizando processos existentes com dono claro, não criando processos novos a partir da automação. IA amplifica o que já funciona. Não inaugura o que ainda não existe.
As três condições
Depois de mapear as 6 que ficaram e comparar com as 34 que não ficaram, as condições que separam um grupo do outro são três. Consistentes. Sem exceção nos dois sentidos.
Condição 1: problema delimitado antes de qualquer código. Cada uma das 6 nasceu de uma pergunta específica. PostFlow: "Como publico 5 peças por semana com consistência, sem depender do meu humor naquele dia?" Detector de leads: "Qual loja virtual brasileira usa plataforma X, está no segmento Y e vai estar na feira Z nos próximos 60 dias?" Cada pergunta tem critério de sucesso embutido. As 34 que não ficaram tinham intenções, não perguntas.
Condição 2: processo humano funcionando antes da automação. Todas as 6 automatizaram um processo que já existia. PostFlow existia como planilha e esforço manual. O detector de leads automatizou um critério de qualificação que o time já usava. O dashboard automatizou uma análise que o gestor já fazia manualmente toda semana. Os manuais que não funcionaram documentaram processos que o time ainda estava descobrindo. A automação chegou antes do processo ter forma.
Condição 3: dono claro no dia zero. Toda iniciativa que ficou em produção tinha, antes de ser construída, um nome. Uma pessoa que usaria aquilo amanhã e reclamaria se parasse de funcionar. Onde não havia dono, havia uso zero.
Por que a ferramenta "menos inteligente" gerou mais retorno
PostFlow tem zero LLM no seu loop principal. O Claude é chamado para gerar texto — depois, scripts determinísticos fazem o resto. É a ferramenta mais simples das 6 e a mais impactante, de longe.
A iniciativa com mais "IA" — os 13 agentes planejados — tem o maior TCO calculado, o ROI mais alto projetado e zero produção até agora.
A lição: a inteligência que importa não está no modelo. Está no design do problema. Uma pergunta bem formulada com processo maduro por trás vale mais do que um agente sofisticado esperando processo que nunca vai chegar.
O que eu faria diferente
- Escrever a pergunta específica em 1 frase antes de qualquer código. Não a intenção — a pergunta com critério de sucesso embutido.
- Mapear o processo manual que a ferramenta vai substituir. Pedaço a pedaço: quem faz, quando, com qual input, gerando qual output. Se esse mapa não existe, não existe processo para automatizar.
- Nomear o dono antes do primeiro commit. Uma pessoa. Um nome. Que vai usar toda semana e vai reclamar quando parar.
Das 6 ferramentas que ficaram rodando, 4 não envolvem inteligência artificial no sentido técnico que o mercado usa esse termo. São scripts, dashboards e automações de processo.
A mais impactante é um agendador de posts que chama API.
IA é o acelerador. Processo é o combustível. Sem processo, o acelerador não faz o carro andar — faz barulho.
A pergunta que fica: antes de automatizar o que você quer fazer com IA, você consegue descrever o que você já faz manualmente, em papel, com quem faz e para quem vai?
Porque se não consegue, o projeto vai para a pasta. E eu tenho 34 exemplos de como isso acontece.
Essa é a parte 2 de 5 da série. Na semana que vem: a anatomia do fracasso — os projetos que ficaram no papel e o que eles têm em comum. SDR Bot travado. Agentes esperando go/no-go. Manuais que ninguém abriu.
Você já está aqui, então já está no lugar certo para acompanhar.
Se você está no meio de um projeto de IA em GTM e quer comparar notas: Me manda um oi!