Como construímos o GeraDocumentos: do MVP à plataforma
O GeraDocumentos nasceu de uma frustração prática: criar um currículo de qualidade no Brasil, usando ferramentas disponíveis em 2022, era um processo lento, cheio de fricção e com resultados inconsistentes. As ferramentas genéricas não entendiam o contexto brasileiro. Os templates eram todos norte-americanos. E a IA, quando existia, era cara e inacessível para a maioria dos profissionais.
Este artigo conta como saímos dessa observação até uma plataforma hub com múltiplas ferramentas de IA, e as decisões técnicas — boas e ruins — que tomamos no caminho.
O problema que queríamos resolver
A pergunta central era direta: como reduzir o tempo e o esforço necessário para criar documentos profissionais de qualidade, especificamente para o mercado brasileiro?
O mercado brasileiro tem especificidades importantes. Recrutadores e sistemas ATS brasileiros (como o Gupy) têm critérios próprios. A língua portuguesa tem nuances que ferramentas treinadas em inglês não capturam bem. E os profissionais brasileiros, especialmente os que mais precisam de ajuda, muitas vezes não têm acesso a ferramentas pagas.
A decisão inicial foi: começar com currículos, fazer muito bem feito, e expandir a partir daí.
O MVP: velocidade acima de perfeição
O primeiro MVP do CurriculoIA (que depois se tornou um produto dentro do ecossistema GeraDocumentos) foi construído em menos de 3 semanas. O objetivo era validar a hipótese central: as pessoas usariam uma ferramenta de IA para criar currículos otimizados para sistemas ATS?
Para o MVP, usamos:
O MVP não tinha autenticação, não tinha histórico, não tinha múltiplos templates. Tinha uma coisa: você colava informações brutas sobre sua experiência profissional e recebia um currículo estruturado, otimizado para o formato que os sistemas ATS brasileiros preferem.
Os resultados foram claros. O tempo médio de criação de um currículo caiu de algumas horas (com ferramentas tradicionais) para menos de 10 minutos. Os usuários voltavam. E pediam mais.
A evolução para plataforma hub
A segunda fase foi a mais desafiadora do ponto de vista de produto: como expandir sem perder o foco?
A tentação era adicionar funcionalidades ao CurriculoIA. Mas a análise das conversas com usuários mostrava que o mesmo problema — "criar documentos profissionais é difícil" — aparecia em outros contextos. Propostas comerciais. Resumos executivos. E-books. Cartas de apresentação.
Decidimos por uma arquitetura de hub: o GeraDocumentos seria a "plataforma mãe", com cada ferramenta sendo uma aplicação especializada dentro do ecossistema. Isso nos dava alguns benefícios claros:
Decisões técnicas: o que funcionou e o que não funcionou
O que funcionou
Prompts como código: Tratamos os prompts de IA como artefatos de engenharia, versionados e testados. Cada prompt tem um arquivo dedicado, descrição de intenção, exemplos de entrada e saída esperada, e um conjunto de casos de teste. Isso parece overhead no início, mas salva muito tempo quando um modelo de linguagem atualiza e o comportamento muda inesperadamente.
Streaming de respostas: A primeira versão mostrava um spinner enquanto a IA processava. A segunda versão usou streaming (Server-Sent Events) para mostrar o texto sendo gerado em tempo real. O impacto na percepção de performance foi enorme — o mesmo tempo de processamento parecia muito mais rápido quando o usuário via o conteúdo aparecendo progressivamente.
Feedback explícito do usuário: Adicionamos um sistema simples de rating por seção do documento gerado (polegar para cima/baixo). Esses dados, coletados de forma agregada e anonimizada, foram fundamentais para identificar onde a IA estava errando sistematicamente.
O que não funcionou (inicialmente)
Tentar ser genérico demais: A primeira versão do GeraResumo tentava resumir qualquer tipo de texto com a mesma abordagem. O resultado era medíocre. A melhora veio quando segmentamos por tipo de conteúdo (artigos, documentos técnicos, reuniões) e ajustamos a lógica de prompt para cada caso.
Confiar no modelo sem validação: No início, aceitávamos a saída do modelo sem validação estrutural. Isso gerava currículos com seções faltando, formatação inconsistente e, ocasionalmente, informações inventadas. A solução foi adicionar uma camada de validação pós-geração que verifica a estrutura esperada antes de retornar para o usuário.
Otimização prematura de custo: Tentamos usar modelos mais baratos antes de validar a qualidade. O resultado foi usuários insatisfeitos e churn alto. A lição: na fase de validação de produto, optimize para qualidade, não para custo. O custo você otimiza depois, quando sabe o que precisa entregar.
Arquitetura atual
A arquitetura do ecossistema hoje é bem mais madura do que o MVP original. Cada produto tem seu próprio repositório, mas compartilham uma camada de serviços comuns — autenticação, billing, logging de uso, integração com os modelos de IA.
O front-end usa React em todos os produtos, com Tailwind para estilização. O back-end é Node.js/Python conforme a necessidade de cada serviço. Para banco de dados, usamos PostgreSQL para dados estruturados e Redis para cache de sessão e rate limiting.
A infraestrutura roda na AWS, com CloudFront para CDN, EC2 para os servidores de aplicação e RDS para os bancos de dados. CI/CD configurado via GitHub Actions, com deploy automático para staging a cada push na branch principal e deploy para produção via tag.
Próximos passos
O ecossistema está em expansão contínua. O GeraProposta (em desenvolvimento) vai trazer para o contexto de propostas comerciais a mesma filosofia aplicada aos currículos: reduzir o tempo de criação, melhorar a qualidade e tornar acessível o que antes só grandes empresas conseguiam fazer bem.
O GeraPrompts vai em outra direção: em vez de gerar documentos, vai ajudar profissionais a extrair mais valor das ferramentas de IA que já usam, com uma biblioteca curada de prompts para contextos específicos.
A plataforma GeraDocumentos vai evoluir para ser o ponto central de acesso — o lugar onde o profissional brasileiro vai para resolver qualquer problema de documentação e comunicação profissional com ajuda da IA.
Não é uma visão pequena. E é exatamente isso que nos mantém trabalhando.
Alexandre Yamamoto é fundador e responsável técnico da Satochi Yamamoto Tecnologia da Informação. Para acessar o GeraDocumentos, visite geradocumentos.com.br.