O CEO Escreveu Isso com MCP — Como Usei um Agente de IA para Examinar os Pontos Críticos da Indústria de Tradução

Kawamura International / LDX Lab

Começando com os Pontos Problemáticos

Existem alguns problemas silenciosamente problemáticos no campo da tradução.

Quando documentos jurídicos ou de IR são processados por um sistema de MT de propósito geral, a formatação de números se desintegra. A linguagem honorífica não combina com o estilo de escrita. A terminologia específica da empresa é substituída por traduções diferentes. A sensação de "Ter que corrigir isso novamente?" pode acabar representando a maior parte do trabalho pós-tradução.

Isso é menos um problema com as ferramentas de tradução do que uma limitação de processar texto não estruturado sem contexto. A mesma coisa acontece com as atas de reuniões. Quem deve fazer o quê e até quando está enterrado no texto, e você não pode saber a menos que o leia.

O que eu me propus a fazer hoje foi testar o que aconteceria se esse processo fosse entregue a um agente de IA.

Meu Histórico

Deixe-me ser honesto desde o início. Eu não sou um engenheiro.

Temos um CTO. Também temos pessoas que podem ler código. Mas eu conduzi o teste de hoje totalmente por conta própria. O que eu usei foi a interface de chat do Claude.ai e nossa API interna (hub LDX), conectada via MCP. Eu não escrevi uma única linha de código.

Isso também serve como um registro de onde não engenheiros ficam presos ao usar agentes de IA.

Arquitetura: Conectando APIs com MCP

A configuração é simples.

Claude (chat)
  └── Zuplo MCP (gateway API)
        └── hub LDX
              ├── StructFlow   ← Converte texto não estruturado em JSON estruturado
              ├── RefineLoop   ← Refinamento de terminologia e qualidade pós-tradução
              └── RenderOCR    ← Extração de texto de PDFs e imagens

O hub LDX é um serviço de API desenvolvido internamente. Ele lida com tradução, OCR e estruturação de dados. Ele opera em um gateway de API chamado Zuplo, e o Zuplo tem funcionalidade de servidor MCP.

Em outras palavras, se você conectar o Zuplo MCP ao Claude, o próprio Claude decidirá quando chamar a API.

Conectando (Onde Eu Fiquei Preso)

O processo de conexão tem três etapas.

1. Gerar uma chave de API no painel do Zuplo
2. Adicionar o servidor MCP nas configurações do Claude.ai (URL + chave de API)
3. Verificar a conexão

Parecia simples, mas eu fiquei preso na etapa 1.

Não estava imediatamente óbvio onde no painel do Zuplo gerar a chave. Acabei lendo a documentação para encontrá-la. Mais tarde, enquanto fazia a análise VOC (descrita abaixo), encontrei uma avaliação de usuário que descrevia exatamente a mesma experiência:

"Honestamente, lutei com a configuração inicial. Descobrir que as chaves de API são emitidas do painel do Zuplo não foi óbvio. Mas uma vez que estava funcionando, a precisão do StructFlow foi satisfatória."

Este foi um dos itens de dados de avaliação fictícios que processei com o StructFlow hoje, mas parecia muito real. Vou fazer um vídeo tutorial.

Verificação 1: Extraindo Itens de Ação das Atas de Reuniões

A primeira coisa que tentei uma vez conectado foi estruturar as atas de reuniões.

Eu simplesmente descrevi o que queria: "Por favor, extraia a pessoa responsável, a tarefa e o prazo de cinco conjuntos de atas de reuniões."

Claude montou o trabalho por conta própria.

{
  "model": "anthropic/claude-sonnet-4-6",
  "system_prompt": "Extraia todos os itens de ação das atas de reuniões...",
  "example_output": {
    "action_items": [
      { "assignee": "Tanaka", "task": "Corrigir o bug", "due_date": "2026-05-02" }
    ]
  },
  "inputs": [
    { "id": "minutes-001", "data": { "text": "..." } }
    // Todos 5 enviados de uma vez
  ]
}

Eu não escrevi nenhum desses JSON. Claude selecionou a ferramenta createStructFlowJob por conta própria e a chamou.

Resultado: 13 itens de ação extraídos de 5 conjuntos de atas em 11 segundos. Taxa de sucesso de 100%.

O que achei interessante: da frase "Tanaka vai corrigir isso até 22 de abril. (Nota: confirmado como já resolvido até hoje)," ele extraiu separadamente o prazo e a flag de conclusão. Ele está lendo o contexto, não simplesmente extraindo palavras-chave.

Verificação 2: Análise VOC de 100 Avaliações

Em seguida, tentei uma análise VOC (Voz do Cliente) de avaliações de aplicativos.

Quando eu disse "Quero analisar 100 avaliações mistas em japonês e inglês para um aplicativo de gerenciamento de tarefas provisoriamente chamado Flowra," Claude:

1. Gerou os 100 itens de dados de avaliação por conta própria (70 em japonês, 30 em inglês)
2. Submeteu 2 trabalhos paralelos ao StructFlow
3. Uma vez que os resultados voltaram, formatou-os em um relatório HTML

Tudo o que fiz foi descrever o que queria em três frases.

Os cinco campos que ele extraiu por avaliação:

Cada avaliação → StructFlow → JSON Estruturado
               ├─ sentimento (positivo / negativo / neutro)
               ├─ nps_score (inteiro 0–10)
               ├─ evaluation_axes (eixo / pontuação / comentário)
               ├─ mentioned_features (nomes de recursos mencionados)
               └─ improvement_requests (melhorias solicitadas)

Resultado: Todos os 100 itens concluídos com sucesso. O tempo de processamento foi de 69 segundos para o Trabalho 1 e 59 segundos para o Trabalho 2. A contagem de caracteres de saída foi 4,3× a entrada (33.791 caracteres).

A figura de 4,3× é porque os comentários são gerados automaticamente f