Números Reais por Trás do QontoCtl 1.0

Os Números Principais

Há 28 dias, o QontoCtl não existia. Hoje está na versão 1.0.0 com cobertura total da API bancária do Qonto. Aqui está a base de código:

Eu executei scc no repositório. Ele estima o custo de desenvolvimento usando o modelo COCOMO, que leva em conta linhas de código, complexidade e benchmarks da indústria para desenvolvimento em equipe:

O que realmente foi necessário:

Esses não são projeções. O custo é do rastreamento de uso do Claude Code. O cronograma é do histórico do git. Primeiro commit: 26 de fevereiro de 2026.

O Que Foi Construído

A versão 0.1 cobriu o básico: organizações, contas, transações, extratos, rótulos, associações. 10 ferramentas MCP. Acesso somente leitura via chaves de API.

A versão 1.0.0 cobre tudo o que o Qonto expõe:

• Gerenciamento de contas - criar, atualizar, fechar, certificados IBAN
• Beneficiários SEPA - adicionar, atualizar, confiar/desconfiar
• Transferências - SEPA (com cancelar, prova, verificar beneficiário), interna, em massa, recorrente, internacional
• Faturamento de clientes - ciclo completo desde criar até finalizar, enviar, marcar como pago, cancelar
• Faturas de fornecedores - listar, visualizar, criar em massa
• Cotações e notas de crédito
• Cartões e seguros
• Links de pagamento e webhooks
• Anexos - enviar, vincular a transações
• Gerenciamento de equipes e associações
• Configurações de e-faturamento
• Moedas internacionais e elegibilidade

Tudo isso através do OAuth 2.0 com PKCE. Tratamento de Autenticação Forte do Cliente para cada operação de escrita. Chaves de idempotência para reenvios seguros. 69 ferramentas MCP no total. As mesmas operações disponíveis como comandos CLI e ferramentas MCP, apoiadas por uma biblioteca central compartilhada.

Como a Salsicha Foi Feita

306 sessões do Claude Code ao longo de 28 dias. Aqui estão os dados brutos de uso:

Isso dá aproximadamente 11 sessões por dia, cerca de 1,300 turnos por dia.

Aqui está a parte que muda a economia: eu não projetei manualmente a arquitetura para este projeto. Eu tenho uma biblioteca de habilidades do Claude Code - arquivos de configuração reutilizáveis que codificam como eu abordo a arquitetura de software. Estrutura de monorepo, limites de pacotes, estratégia de teste, padrões de design de API, tratamento de segurança - tudo isso é capturado como habilidades que o Claude aplica automaticamente quando o contexto do projeto corresponde.

As habilidades são a propriedade intelectual. Não a arquitetura específica deste projeto, mas o julgamento arquitetônico codificado em um formato que se acumula em todos os projetos. Quando eu começo um novo projeto de integração, essas habilidades entram em ação. A estrutura de monorepo com Turborepo, a biblioteca central compartilhada com camadas finas de CLI e MCP, o design do fluxo OAuth, os esquemas Zod para validação em tempo de execução - nada disso foi projetado do zero para o QontoCtl. Foi aplicado a partir de padrões que refinei em dezenas de projetos.

Cada novo domínio da API do Qonto seguiu um padrão: ler a documentação da API, projetar a camada de serviço, implementar comandos CLI, implementar ferramentas MCP, escrever testes. Uma vez que o padrão foi estabelecido para um domínio, o Claude o aplicou em dezenas de outros. Padrões internos consistentes multiplicam a produtividade da IA da mesma forma que multiplicam a produtividade humana, apenas mais rápido.

A diferença entre "decidir o que construir" e "existe e está testado" é onde essa configuração muda a matemática. E a biblioteca de habilidades é o que torna isso repetível.

O Multiplicador Que Ninguém Mede

Aqui está o que o COCOMO não leva em conta: a qualidade da API de terceiros.

A equipe de API do Qonto construiu uma API que é limpa, consistente e bem documentada em todos os domínios. Os mesmos padrões em todos os lugares. Nomenclatura previsível. Paginação coerente. Tratamento de erros consistente.

Isso importa mais do que as pessoas percebem para o desenvolvimento aumentado por IA. Quando os padrões são consistentes, a IA os aprende uma vez e os aplica corretamente em dezenas de domínios. Quando a documentação é precisa, a implementação corresponde à especificação na primeira tentativa. Quando o tratamento de erros segue convenções, você não gasta ciclos depurando inconsistências.

Eu construí integrações contra APIs com nomenclatura inconsistente, casos extremos não documentados, paginação que funciona de maneira diferente por endpoint. Essa fricção se multiplica com ferramentas de IA - cada inconsistência se torna um ciclo de correção em vez de um ciclo de geração.

A API do Qonto não tinha nada disso. A cobertura total em 28 dias foi possível porque a API foi construída corretamente.

O Que Esses Dados Mostram (E Não Mostram)

Um ponto de dados não é uma tendência. Aqui está o que eu acho que é defensável:

O que os dados suportam:

• Um único arquiteto experiente com uma biblioteca de habilidades reutilizáveis pode entregar software de qualidade de produção em um ritmo que exigiria uma equipe há 18 meses
• A economia de "vale a pena construir isso?" muda quando o custo de implementação cai em duas ordens de magnitude
• Projetos moldados por API/SDK - interfaces bem definidas, padrões sistemáticos, cobertura de testes abrangente - são particularmente adequados para desenvolvimento aumentado por IA
• A verdadeira propriedade intelectual não está no código. Está nas habilidades que geram o código. Essas se acumulam em projetos
• A qualidade da API de terceiros é um multiplicador de força que se acumula com ferramentas de IA

O que não:

• Os modelos COCOMO consideram dinâmicas de equipe, sobrecarga de comunicação, fricção organizacional. Um único especialista nunca alcançaria $1.9M mesmo sem IA. A linha de base honesta para um especialista solo é provavelmente de $150K-200K de esforço - ainda uma proporção de 100:1 em relação a $1,600, apenas não 1,200:1
• Isso não se generaliza para todo software. Projetos de integração com contratos externos bem definidos são o melhor caso. Design de algoritmos novos, requisitos ambíguos ou sistemas que exigem coordenação mostrariam diferentes proporções
• O humano não é opcional. A biblioteca de habilidades codifica o julgamento arquitetônico construído ao longo dos anos. A IA multiplica esse julgamento. Não o substitui

A questão que esses dados levantam não é "a IA substituirá os desenvolvedores?" Essa formulação perde o ponto. A questão é: o que se torna viável construir quando o custo de implementação cai em duas ordens de magnitude?