🛠️ Machine — Como Construir e Operar
Boring is beautiful. Aprenda a montar pipelines de IA como linhas de montagem: cada bloco faz um trabalho, cada output valida antes do próximo, e o sistema inteiro pode ser desligado sem culpa.
Lego Principle + Assembly Line: blocos modulares, validação em cada elo, IA apenas onde necessário
Conteúdo detalhado
Lego Principle — Menor Passo Possível
Cada bloco do seu sistema deve ter exatamente 1 input e 1 output. O output do bloco 1 é o input do bloco 2. Esta modularidade não é só elegância — é a diferença entre um sistema que você entende e um que te domina.
🧱 Princípio Central
Comece pelos passos zero-IA — os determinísticos. Se você pode fazer com código simples (parse, validação, formatação), faça assim. A IA só entra onde genuinamente agrega valor. Isso reduz custo, latência e pontos de falha.
✓ O que FAZER
- ✓1 input → transformação → 1 output por bloco
- ✓Nomear blocos pelo que fazem ("classifica intenção", "formata resposta")
- ✓Manter blocos pequenos o suficiente para testar isolados
- ✓Documentar contrato de I/O de cada bloco
✗ O que NÃO fazer
- ✗Criar um "mega prompt" que faz parse + raciocínio + formatação + envio
- ✗Blocos com 3+ inputs de fontes diferentes simultâneos
- ✗Usar IA onde código determinístico resolve igualmente
- ✗Não documentar o schema de output esperado
Assembly Line — Especialização por Chamada
Não construa um generalista. Uma chamada de IA deve fazer UM trabalho especializado: ou escreve copy, ou raciocina sobre dados, ou classifica intenção. Misturar torna o sistema difícil de debugar e de melhorar.
📊 Por que especialização ganha
- • Prompt mais curto → menos custo
- • Avaliação direta: saída certa ou errada
- • Troca de modelo sem reescrever tudo
- • Fine-tune possível em tarefa isolada
- • Prompt gigante → contexto poluído
- • Falha em A → afeta B e C
- • Impossível substituir só a parte ruim
- • Latência alta para tarefas simples
💡 Dica Prática
Se você precisar alterar o prompt porque a classificação piorou, não deveria precisar revalidar a parte de formatação. Se os dois estão no mesmo passo, você vai. Separe.
Validation Chain — Valide Antes de Encadear
Não construa o pipeline inteiro e teste no fim. Valide o output de cada bloco antes de conectar o próximo. Bloco 1 → roda → confirma → bloco 2 com o output real → confirma → encadeia.
🔗 O protocolo de encadeamento seguro
✓ Validation Chain correta
- ✓Roda cada bloco com dados reais antes de conectar
- ✓Define schema de output esperado (JSON schema, regex, enum)
- ✓Falha rápido e explicitamente em cada elo
- ✓Usa output real (não mock) para testar o próximo bloco
✗ Antipadrão frequente
- ✗Montar o pipeline completo e testar no fim
- ✗Usar dados mockados para simular o output intermediário
- ✗Assumir que "se bloco 1 funciona, bloco 2 vai funcionar"
- ✗Sem schema definido → não sabe o que validar
Iteration Mindset — Não Há Produto Acabado com IA
Scripts determinísticos PODEM ser "prontos". Passos de IA evoluem sempre — o modelo melhora, o contexto muda, o uso real revela edge cases. Perfeccionismo é inimigo do deploy. Suba o POC, expanda do uso real.
🚀 A regra do POC primeiro
Um sistema de IA em produção com 70% de qualidade, rodando e gerando dados reais, ensina mais em 1 semana do que 2 meses de iteração offline. O uso real revela o que o ambiente de testes nunca vai mostrar.
✓ Iteration Mindset
- ✓Sobe o POC o quanto antes e observa o uso real
- ✓Melhora baseado em dados de produção, não suposições
- ✓Aceita que passos de IA nunca estão "completos"
- ✓Versionamento de prompts como código
✗ Perfeccionismo paralisante
- ✗Semanas iterando offline antes do primeiro deploy
- ✗"Precisa estar 100% antes de subir para produção"
- ✗Medir qualidade apenas em benchmark artificiais
- ✗Tratar prompt como código final sem versionamento
Bike Method — Rollout em 4 Fases
Mesmo um sistema de 90% de confiança deve começar com 10% do volume. O Bike Method define quatro fases de autonomia crescente — e você só avança quando os dados justificam.
🚲 As 4 fases de autonomia
Thresholds: confiança alta → auto, média → fila de rascunho, baixa → humano
🚼 Rodinhas — Manual com supervisão total
Fase 1O sistema gera, você executa ou corrige à mão.
Você valida 100% dos outputs. O objetivo é entender onde o sistema erra antes de soltar o controle. Nunca pule esta fase.
🧑🏫 Guiado — Roda, mas você revisa tudo
Fase 2Sistema rascunha, você aprova antes do envio.
Rascunha mas não envia. Você revisa cada item antes de ir para produção. Comece com 10% do volume mesmo estando na fase 2.
👁️ Vigiado — Autônomo com monitoramento ativo
Fase 3Sistema executa, você monitora + alertas configurados.
Alertas e dashboards ativos. Você ainda verifica amostragem regular — não apenas quando algo quebra. Alertas não substituem revisão periódica.
🙌 Mãos Livres — Autônomo com revisão periódica
Fase 4Confiança estabelecida em dados históricos.
Revisão quinzenal/mensal dos logs. Sistema está em "produção confiável" — mas ainda evolui (Iteration Mindset). Revisão periódica é sagrada.
Intern Rule — Trate a IA como Contratado no Dia 1
"Você não confiaria sua conta bancária a alguém que acabou de conhecer." Trate a IA exatamente como um contratado novo: identidade própria, read-only por padrão, sem credenciais pessoais, trilha de auditoria completa.
🧑💼 Checklist de permissões do contratado
🔑 Por que isto importa agora
Agentes de IA com acesso amplo a e-mails, calendários e sistemas podem causar danos irreversíveis por um único erro de julgamento. A proteção não é desconfiança — é arquitetura responsável. Escopo mínimo é padrão de indústria para qualquer sistema com autonomia.
Kill Switch + Princípios Governantes
Se uma automação vive precisando de patch, produz baixa qualidade ou custa mais do que economiza: desmonte. Sem sunk cost. Três princípios-mãe governam todas as decisões da Machine.
🔴 Atenção — Sunk Cost é uma armadilha
"Já investi 3 semanas nessa automação" não é motivo para mantê-la rodando quando ela está custando mais do que entrega. O tempo investido não recupera — só o valor futuro conta. Se os sinais de abaixo aparecerem: desmonte sem culpa.
- ⚠Você passa mais tempo consertando do que usando a automação
- ⚠A qualidade do output está consistentemente abaixo do threshold
- ⚠O custo (tempo + dinheiro + stress) supera o ganho gerado
⚖️ Os 3 Princípios Governantes
Boring is beautiful
O sistema mais confiável não é o mais sofisticado — é o mais previsível. Resista à tentação de complexidade. Se uma regex resolve, use regex. Se um script simples resolve, use script simples.
Passos determinísticos terminam, passos de IA evoluem sempre
Trate seus blocos de IA como organismos vivos — eles precisam de revisão periódica. Blocos determinísticos podem ter SLA de "funciona até mudar o schema". Blocos de IA precisam de revisão mesmo sem mudar o código.
Fail fast, learn faster
Falhas rápidas em ambiente controlado são baratas. Falhas lentas em produção são caras. Projete seus sistemas para falhar explicitamente e cedo — com mensagens de erro claras, logs detalhados e pontos de interrupção.
🛠️ Resumo do Módulo
Próximo: Trilha 2 — A Arquitetura (4 Cs)
Context · Connections · Capabilities · Cadence. Os 4 pilares de um AI Operating System completo.