O longo caminho da ideia ao deploy raramente é uma linha reta. Comecei como estudante de veterinária no Brasil, passei pela gestão pecuária e acabei construindo aplicações web full-stack e sistemas de automação com IA. Esta não é uma história de 'transição de carreira', mas de como o pensamento sistêmico se transfere entre áreas.
Na veterinária, você aprende a diagnosticar analisando sistemas: cardiovascular, respiratório, musculoesquelético. Cada sistema tem entradas, saídas e modos de falha. A engenharia de software funciona da mesma forma. Um endpoint de API lento é como um vaso sanguíneo estreitado: você rastreia o fluxo, encontra o gargalo e corrige a restrição. A mentalidade diagnóstica é idêntica.
Meu primeiro projeto web de verdade foi um site WordPress para uma clínica veterinária, com tema personalizado, formulário de agendamento e questionário de admissão de pacientes. Ele conectava o que aparecia na tela ao trabalho por trás. Um formulário útil precisa de um destino claro, uma confirmação e uma forma de a recepção tratar exceções.
Do WordPress passei para React, depois para Next.js. De JavaScript para TypeScript. De APIs REST para backends em Python com FastAPI. Cada salto parecia enorme na época, mas, olhando para trás, cada um era apenas aprender um novo módulo do mesmo sistema. Os fundamentos, como HTTP, gerenciamento de estado, modelagem de dados e fluxos de usuário, permanecem constantes em todos os frameworks.
O capítulo de IA começou com a WhatsApp Business API. Um cliente perguntou: 'O bot pode responder às dúvidas dos pacientes fora do horário de atendimento?' Essa pergunta me levou a construir o ClinicaSync IA, que levou à aplicação do mesmo padrão em escritórios de advocacia (JusTriagem), barbearias (BarberFlow) e equipes de vendas (OmniAtende). Todos os projetos tinham a mesma arquitetura: webhook do WhatsApp → classificador de intenção → handler específico do domínio → resposta estruturada, adaptada a um contexto de negócio diferente.
Construir o LCC (Local Context Compiler) apresentou outro tipo de desafio: selecionar contexto para outro sistema de IA. Seu repositório público documenta o processamento local de contexto e relatórios auditáveis. Reduzir texto e preservar a qualidade da tarefa são verificações distintas; uma entrada menor sozinha não comprova uma resposta melhor.
A lição mais importante de atravessar todas essas áreas: módulos pequenos podem sustentar sistemas pesados quando cada um tem uma função clara e um limite visível. Uma função de 50 linhas que valida uma data é mais valiosa que uma classe de 500 linhas que tenta lidar internamente com todos os casos extremos. Mantenha a superfície pequena e os contratos explícitos, e o sistema continua fácil de depurar.
Hoje construo na interseção de três coisas: interfaces de produtos (dashboards, CRMs, painéis operacionais), sistemas de automação (bots de WhatsApp, workflows n8n, pipelines agendados) e ferramentas de IA (observabilidade de agentes, otimização de contexto, engenharia de prompts). A stack continua evoluindo, mas a mentalidade diagnóstica permanece a mesma: rastrear o fluxo, encontrar a restrição, corrigi-la e seguir em frente.