5 dicas para usar AI no seu dia a dia como Dev Senior

Uso AI diariamente no meu trabalho como desenvolvedor. Nao como hype ou experimento, mas como ferramenta de produtividade — igual uso o terminal, Git ou meu editor. Neste post, compartilho 5 praticas que adotei para extrair valor real de AI no dia a dia, sem perder qualidade ou controle do codigo.

O ponto-chave: AI e uma ferramenta, nao um substituto. Saber quando usar, qual modelo escolher e como dar contexto adequado separa quem perde tempo de quem ganha produtividade.

1. Use MCPs para dar contexto real ao modelo

A maior limitacao de AI e alucinacao — inventar codigo, APIs ou arquivos que nao existem. MCPs (Model Context Protocol) resolvem isso conectando o modelo diretamente ao seu ambiente.

O que muda na pratica:

• Modelo le seus arquivos reais em vez de adivinhar estrutura
• Acessa seu banco de dados para gerar queries corretas
• Consulta issues e PRs do GitHub para entender contexto
• Busca documentacao interna no Notion ou Confluence

MCPs que uso diariamente:

MCP	Uso
Filesystem	Ler/navegar codigo do projeto
GitHub	Contexto de issues e PRs
Postgres	Gerar queries com schema real
Brave Search	Pesquisar docs e solucoes

Como configurar (exemplo para Claude Code):

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-filesystem", "/path/to/project"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-github"],
      "env": { "GITHUB_TOKEN": "seu-token" }
    }
  }
}

Dica: comece com filesystem apenas. Ja muda completamente a qualidade das respostas.

2. Escolha o modelo certo para cada tarefa

Nem toda tarefa precisa do modelo mais caro. Otimizo custo e velocidade escolhendo o modelo adequado:

Tarefa	Modelo que uso	Por que
Autocomplete enquanto digito	Codestral / modelo local	Latencia baixa, custo zero
Explicar codigo ou debug	Claude Sonnet	Bom raciocinio, custo ok
Refatoracao complexa	Claude Sonnet	Equilibrio qualidade/custo
Decisoes de arquitetura	Claude Opus	Preciso do melhor raciocinio
Gerar testes em massa	GPT-4o-mini	Volume alto, qualidade suficiente
Tarefas simples/repeticoes	Modelo mais barato disponivel	Nao precisa de “inteligencia”

Na pratica, 80% do meu uso e com Sonnet. Opus so para decisoes criticas onde erro custa caro.

Ferramentas que faciliam isso:

• Claude Code / Cursor: permite trocar modelo por tarefa
• Continue.dev: configuracao de modelos por tipo de acao
• OpenRouter: API unica para multiplos modelos

3. Automatize tarefas repetitivas

AI brilha em tarefas que sao tediosas mas seguem padroes. Identifico essas oportunidades e deixo AI fazer o trabalho pesado.

Geracao de testes unitarios:

Passo a funcao e o contexto, AI gera testes cobrindo casos principais e edge cases. O que levava 30 minutos vira 5 minutos (incluindo revisao).

"Gere testes unitarios para a funcao X.
Considere: casos de sucesso, erros de validacao, edge cases com valores nulos.
Use o padrao de testes existente em /tests como referencia."

Atualizacao de documentacao:

Depois de um PR grande, peco para AI sugerir updates no README ou docs de API baseado no diff.

"Analise as mudancas deste PR e sugira atualizacoes necessarias
para a documentacao em /docs. Mantenha o estilo existente."

Migrations e refactors em massa:

Renomear variaveis, atualizar imports, migrar de uma API para outra. AI aplica o padrao em dezenas de arquivos enquanto eu reviso.

"Refatore todos os arquivos em /src/components para usar
o novo hook useAuth em vez de useContext(AuthContext).
Mantenha o comportamento identico."

Regra: sempre reviso o output antes de commitar. AI acelera, mas a responsabilidade e minha.

4. Proteja dados sensiveis

Quando uso AI com codigo de trabalho, tomo cuidados com dados sensiveis:

O que nunca envio:

• Credenciais, tokens, secrets
• Dados de clientes (PII)
• Codigo proprietario critico sem autorizacao
• Informacoes de infraestrutura interna

Como me protejo:

• Uso modelos com politica clara de nao-treinamento (Claude, GPT-4 API)
• Prefiro modelos locais para codigo muito sensivel
• Removo dados reais antes de enviar exemplos
• Verifico politicas da empresa antes de usar ferramentas novas

Exemplo: se preciso debugar uma query com dados de cliente, substituo os valores reais por dados fake antes de colar no chat.

-- Antes (NAO enviar):
SELECT * FROM users WHERE email = 'cliente.real@empresa.com'

-- Depois (OK enviar):
SELECT * FROM users WHERE email = 'teste@exemplo.com'

5. Saiba quando NAO usar AI

AI nao e a resposta para tudo. Aprendi a reconhecer quando ela atrapalha mais do que ajuda:

Evito AI quando:

• Preciso aprender algo novo profundamente (AI da atalho, mas nao ensina)
• O problema exige conhecimento muito especifico do dominio
• Estou explorando solucoes e preciso pensar criativamente
• O codigo e critico e preciso entender cada linha
• A tarefa e tao simples que abrir o chat demora mais que fazer

Prefiro AI quando:

• Tarefa e repetitiva e segue padrao claro
• Preciso de boilerplate ou scaffold inicial
• Quero uma segunda opiniao rapida
• Estou debugando algo e quero hipoteses
• Preciso traduzir entre linguagens/frameworks

A tentacao e jogar tudo para AI. Mas tempo gasto revisando codigo ruim ou corrigindo alucinacoes as vezes e maior do que fazer do zero.

Conclusao

Minhas 5 praticas para usar AI como senior:

1. MCPs - De contexto real ao modelo (filesystem, GitHub, DB)
2. Modelo certo - Escolha baseado na tarefa, nao no hype
3. Automatize - Testes, docs, refactors em massa
4. Proteja dados - Nunca envie secrets ou PII
5. Saiba parar - AI nao e resposta para tudo

A diferenca entre usar AI como junior e como senior: junior usa para tudo esperando magica; senior usa como ferramenta, sabendo exatamente quando ela agrega e quando atrapalha.

Comece por uma coisa: configure o MCP de filesystem no seu editor e veja como as respostas melhoram quando o modelo realmente “ve” seu projeto.