💻 computer science

From Prompt to Production: A Case Study of Human-AI Collaborative Software Development Using Claude Code Multi-Agent Orchestration

Este artigo apresenta um estudo de caso abrangente do desenvolvimento de uma plataforma médica de nível de produção utilizando a orquestração multiagente do Claude Code, estabelecendo um framework de competência humano-IA, quantificando ganhos de desempenho em diferentes configurações de IA e propondo estratégias de otimização de tokens para aumentar a produtividade enquanto reduz custos.

Autores originais: Pham Thi Thuong, Nguyen Dang Quang, Ngo Thi Lan Phuong

Publicado 2026-07-07

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pham Thi Thuong, Nguyen Dang Quang, Ngo Thi Lan Phuong

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está construindo um arranha-céu massivo e complexo (um sistema de software) para gerenciar licitações médicas. No passado, você precisaria de uma enorme equipe de operários para fazer o trabalho pesado, tijolo por tijolo. Mas, neste estudo, os pesquisadores tentaram algo novo: eles contrataram um único e incrivelmente inteligente "Arquiteto de IA" (Claude Code) para fazer 90% da construção real, enquanto um humano atuava como o "Gerente de Obra".

Aqui está a história de como eles construíram este arranha-céu, as regras que seguiram e o que aprenderam, explicada de forma simples.

1. O Projeto: Um Mercado Digital Médico

A equipe construiu um sistema chamado SmartMedTender. Pense nele como um sofisticado mercado digital onde hospitais podem encontrar os suprimentos médicos certos e enviar propostas.

A Escala: É um edifício grande com 186 salas diferentes (arquivos de código), um banco de dados de 26 tabelas e uma interface de usuário que parece um aplicativo moderno.
A Equipe: Um especialista humano (que sabe como hospitais compram coisas) e um assistente de IA.
O Resultado: Eles construíram tudo em cerca de 120 horas de trabalho ativo. Os pesquisadores estimam que, se um humano tentasse fazer isso sozinho, teria levado cerca de 600 horas. Isso é um impulso de velocidade de 5x.

2. A Fórmula Secreta: Como a IA Funciona

A IA que eles usaram não é apenas uma ferramenta de "autocompletar" que adivinha a próxima palavra. É mais como um Canivete Suíço com cérebro. O artigo destaca quatro superpoderes especiais que a IA utilizou:

O Mestre Planejador (Planejamento Hierárquico): Em vez de dizer "Construa uma casa", a IA detalha: "Primeiro, despeje a fundação. Em seguida, levante as paredes. Depois, instale as janelas". Ela divide grandes objetivos em tarefas minúsculas e executáveis.
A Equipe Especializada (Orquestração de Multiagentes): Esta é a parte mais importante. A IA não faz tudo sozinha. Ela convoca diferentes "subagentes" (mini-bots especializados) para tarefas específicas:
- Um agente atua como o Arquiteto (desenha as plantas).
- Um é o Construtor de Backend (instala os canos e a fiação).
- Um é o Designer de Frontend (pinta as paredes e instala as portas).
- Um é o Inspetor (verifica rachaduras e bugs).
- Analogia: É como um maestro regendo uma orquestra. Em vez de uma pessoa tentar tocar todos os instrumentos, ela tem um violinista, um baterista e um flautista trabalhando juntos perfeitamente.
O Auto-melhorador "Genético": Se a IA escreve um código e ele está um pouco bagunçado, ela não espera pelo humano para consertar. Ela olha para o próprio trabalho, diz: "Hum, isso não está quite certo", e o reescreve automaticamente até que esteja perfeito. É como um escritor que edita seu próprio rascunho antes de mostrá-lo ao editor.
O Kit de Ferramentas: A IA sabe usar ferramentas específicas (como executar testes ou verificar brechas de segurança) sem precisar que lhe digam exatamente como clicar em cada botão.

3. O Trabalho do Humano: O "Diretor Estratégico"

O artigo enfatiza um ponto crucial: O humano não é o programador; o humano é o diretor.

Nos velhos tempos, um programador escrevia cada linha de código. Nesta nova forma, o trabalho do humano é:

Dar a Visão: Dizer à IA o que construir e por que (ex: "Precisamos combinar produtos baseados nestas regras médicas específicas").
Tomar as Grandes Decisões: Escolher a tecnologia e a estrutura.
Verificar a Qualidade: Olhar para o produto acabado e dizer: "Sim, isso funciona" ou "Não, isso não se ajusta às nossas regras".
Conhecer o Domínio: A IA não sabe como funcionam as licitações médicas no Vietnã. O humano fornece esse conhecimento específico.

As 6 Habilidades Necessárias: Para ser um bom diretor, o humano precisa aprender seis novas habilidades, como escrever instruções muito claras (engenharia de prompt), saber identificar erros rapidamente e saber decompor grandes tarefas em partes menores.

4. Economizando Dinheiro: O Problema dos "Tokens"

Usar IA custa dinheiro com base em quanto ela "pensa" (medido em "tokens"). Os pesquisadores descobriram que, se você apenas conversar com a IA aleatoriamente, desperdiça muito dinheiro. Eles descobriram 5 truques para economizar 47% do custo sem perder a qualidade:

Não jogue tudo de uma vez: Em vez de pedir o edifício inteiro em uma única frase, peça a fundação, depois as paredes, depois o telhado.
Use um arquivo de "Memória do Projeto": Em vez de lembrar a IA das regras toda vez, mantenha um documento mestre (como um livro de regras) que a IA lê uma vez e memoriza.
Use o especialista certo: Não peça para o bot "Gerente Geral" consertar uma lâmpada; peça ao bot "Eletricista". Especialistas cometem menos erros, portanto, você não precisa pagar por refações.

5. O Grande Experimento: Time vs. Solo

Para provar que seu método funcionava, eles realizaram uma corrida com três configurações diferentes:

O Super Time (Opus + Multiagente): A IA mais inteligente com a equipe especializada.
O Time Econômico (Sonnet + Multiagente): Uma IA um pouco mais barata com a mesma equipe especializada.
O Trabalhador Solo (Opus Agente Único): A IA mais inteligente, mas trabalhando sozinha, sem a equipe ou ferramentas especiais.

Os Resultados:

Qualidade: O "Super Time" construiu o melhor código (pontuação 92/100). O "Trabalhador Solo" foi muito pior (69/100) porque cometeu mais erros e precisou ser corrigido repetidamente.
Velocidade: O "Time" terminou na metade do tempo.
Custo: Surpreendentemente, o "Time" usou 48% menos tokens (dinheiro) do que o "Trabalhador Solo". Por quê? Porque o "Time" acertou de primeira. O "Trabalhador Solo" continuou cometendo erros, exigindo refações caras.

A Conclusão

Este artigo mostra que o futuro do software não é apenas ter uma IA mais inteligente. É sobre como você organiza a IA.

Se você tratar a IA como um trabalhador único que faz tudo, ela ficará cansada, cometerá erros e custará uma fortuna. Mas se você tratá-la como um maestro regendo uma equipe de especialistas, com um humano atuando como o diretor, você terá um resultado mais rápido, mais barato e de maior qualidade. O humano não precisa mais ser um gênio da programação; ele só precisa ser um ótimo gestor que sabe dar instruções claras e verificar o trabalho.

Resumo Técnico: Do Prompt à Produção via Desenvolvimento de Software Colaborativo Humano-IA

Definição do Problema

Apesar do rápido avanço dos Grandes Modelos de Linguagem (LLMs) e dos assistentes de codificação por IA, permanece uma lacuna crítica na literatura em relação a metodologias sistemáticas e empiricamente fundamentadas para o desenvolvimento de software colaborativo humano-IA de ponta a ponta. Pesquisas anteriores focaram amplamente em tarefas de codificação isoladas, benchmarks de programação competitiva ou geração de arquivos únicos, muitas vezes carecendo de validade ecológica. Consequentemente, os profissionais carecem de frameworks baseados em evidências para construir sistemas completos e de nível de produção desde a concepção até a implantação. Sem tais frameworks, as organizações correm o risco de uso ineficiente de tokens, degradação da qualidade devido à supervisão inadequada e deriva arquitetural. Além disso, há uma falta de compreensão sobre as competências humanas específicas necessárias para direcionar efetivamente agentes de IA e a eficácia comparativa da orquestração multi-agente versus abordagens de agente único em cenários do mundo real.

Metodologia

Os autores abordam essas lacunas através de um estudo de caso abrangente do SmartMedTender, uma plataforma de gestão de licitações médicas full-stack de nível de produção, com 186 arquivos, desenvolvida inteiramente por meio de programação em par humano-IA usando Claude Code (alimentado pelo Claude Opus 4.8).

O Estudo de Caso

Escopo do Projeto: Um sistema Spring Boot (backend) e Vue 3 (frontend) para aquisições de saúde no Vietnã, apresentando OCR, análise de requisitos por IA, correspondência de produtos de múltiplas estratégias e geração automatizada de propostas.
Modelo de Colaboração: O colaborador humano (um pesquisador sênior com expertise no domínio) atuou como o Diretor Estratégico, fornecendo visão, requisitos e supervisão de qualidade. A IA lidou com a decomposição hierárquica de tarefas, geração de código, testes e automação de implantação.
Fluxo de Trabalho: Foi estabelecido um processo iterativo de sete fases: Direção Estratégica $\rightarrow$ Planejamento de IA $\rightarrow$ Execução de IA (via orquestração multi-agente) $\rightarrow$ Revisão Humana $\rightarrow$ Integração/Teste $\rightarrow$ Implantação $\rightarrow$ Iteração.
Padrões de Comunicação: O estudo identificou quatro modos de interação: Diretivo, Exploratório, Refinamento Iterativo e Autônomo.

Desenho Experimental

Para quantificar os benefícios da abordagem proposta, os autores conduziram experimentos controlados comparando três configurações de IA em cinco tarefas padronizadas de engenharia de software (Design de Arquitetura, Implementação de Backend, Implementação de Frontend, Testes e Revisão de Código):

Config 1 (C1): Claude Opus 4.8 com Orquestração Multi-Agente (a configuração completa do SmartMedTender).
Config 2 (C2): Claude Sonnet 4.6 com Orquestração Multi-Agente (alternativa consciente de custo).
Config 3 (C3): Claude Opus 4.8 sem Orquestração (Baseline de Agente Único).

As métricas incluíram conclusão de tarefa, qualidade do output (escala de 0–100 avaliada por especialistas), consumo de tokens, eficiência de tempo e contagens de iteração.

Principais Contribuições

1. Estudo de Caso Ponta a Ponta (C1)

O artigo documenta o desenvolvimento completo de um sistema de produção de 186 arquivos, fornecendo uma referência replicável para a comunidade de pesquisa. Detalha a transição de requisitos para um sistema implantado, incluindo modelagem de esquema de banco de dados, implementação full-stack e UAT.

2. Caracterização da Capacidade de IA (C2)

Os autores identificam e quantificam quatro capacidades centrais de IA essenciais para o desenvolvimento eficaz:

Planejamento Hierárquico: Decomposição recursiva de requisitos de alto nível em tarefas implementáveis (ex: hierarquia de tarefas de 4 níveis).
Orquestração Multi-Agente: Utilização de sub-agentes especializados (Arquiteto, Backend Sênior, Frontend Sênior, Testadores, DevOps, etc.) trabalhando em pipelines sequenciais ou paralelos.
IA Genética: Um loop de geração autônoma e refinamento iterativo onde a IA autocrítica o código quanto à correção, completude e consistência antes da revisão humana.
Integração de Ferramentas Baseada em Habilidades: Invocação modular de capacidades especializadas (ex: code-review, simplify, verify) para construir fluxos de trabalho customizados.

3. Framework de Competência Humana (C3)

Indo além das habilidades tradicionais de codificação, o artigo formaliza um framework de competência de seis dimensões para o colaborador humano:

SK1: Engenharia de Prompt e Escrita de Especificações.
SK2: Avaliação de Output de IA (avaliação rápida de correção funcional, arquitetural e de segurança).
SK3: Comunicação de Refinamento Iterativo (fornecimento de feedback preciso e acionável).
SK4: Decomposição de Tarefas e Gestão de Escopo (equilíbrio da granularidade da tarefa).
SK5: Orquestração de Ferramentas e Habilidades.
SK6: Consciência e Otimização de Tokens.

4. Estratégias de Otimização de Tokens (C4)

Foram propostas cinco estratégias empiricamente validadas para reduzir o consumo de tokens sem comprometer a qualidade, alcançando uma redução agregada de 47,3%:

Gestão de Janela de Contexto: Carregamento progressivo e segmentação de sessão.
Prompting Incremental: Decomposição de requisições complexas em sequências focadas.
Reuso de Artefatos: Aproveitamento de documentação persistente (ex: CLAUDE.md) para evitar a retransmissão de contexto.
Especialização de Agentes: Roteamento de tarefas para sub-agentes otimizados em vez de modelos de propósito geral.
Calibragem de Granularidade de Tarefa: Foco em 50–200 linhas de código por interação para equilibrar qualidade e overhead.

5. Comparação Multi-Agente vs. Agente Único (C5)

O estudo fornece a primeira comparação quantitativa da orquestração multi-agente contra abordagens de agente único, demonstrando que a orquestração supera significativamente as baselines de agente único em qualidade, eficiência e custo.

Resultados

Achados Experimentais

Qualidade: A configuração Multi-Agente (C1) alcançou uma pontuação média de qualidade de 92,8, comparada a 69,4 da baseline de Agente Único (C3), uma diferença de 23,4 pontos. A lacuna foi mais pronunciada em tarefas de teste (+26 pontos).
Eficiência de Tokens: C1 consumiu 48,4% menos tokens (média de 17.820) do que C3 (média de 34.560). Este resultado contraintuitivo é atribuído à maior correção na primeira tentativa, o que reduziu drasticamente o número de iterações de refinamento (3,2 vs. 9,4).
Eficiência de Tempo: C1 completou tarefas 47,4% mais rápido que C3 (24,6 min vs. 46,8 min).
Eficiência de Custo: A configuração Sonnet + Orquestração (C2) emergiu como a mais econômica, oferecendo alta qualidade (85,6) a 44% do custo de tokens de C1, e um custo ajustado por qualidade 5,6x melhor que a baseline de agente único.

Impacto da Otimização de Tokens

A aplicação das cinco estratégias de otimização resultou em uma redução de 47,3% nos gastos de tokens. Notavelmente, estratégias como prompting incremental e especialização de agentes melhoraram simultaneamente a correção da primeira tentativa (em 22% e 16%, respectivamente), desafiando a suposição de que a redução de custos deve ocorrer às custas da qualidade.

Significância e Alegações

O artigo afirma estabelecer uma fundação baseada em evidências para a engenharia de software colaborativa humano-IA. Sua significância reside em:

Mudança de Paradigma: Mover a visão da IA de uma ferramenta de autocompletar código para um parceiro colaborativo que requer direção humana estratégica.
Definição de Novas Habilidades: Destacar que a colaboração eficaz com IA exige competências distintas (escrita de especificação, avaliação de output) que diferem da velocidade de codificação tradicional ou conhecimento algorítmico.
Validação de Arquitetura: Demonstrar que a arquitetura da assistência de IA (como os agentes são especializados e orquestrados) é tão crítica quanto a capacidade do modelo subjacente.
Viabilidade Econômica: Fornecer estratégias concretas para tornar o desenvolvimento assistido por IA economicamente viável através da otimização de tokens e uso de modelos em camadas (ex: usar Sonnet para tarefas rotineiras e Opus para arquitetura complexa).

Os autores concluem que, embora existam limitações (projeto único, colaborador humano único), os frameworks e estratégias apresentados oferecem orientações acionáveis para profissionais que buscam maximizar a produtividade e minimizar os custos operacionais no desenvolvimento assistido por IA.