ProfResolve

Produto em uso

O ProfResolve está disponível publicamente em profresolve.com.br e já ultrapassou 1.200 usuários cadastrados. A plataforma tem uso recorrente enquanto continua evoluindo com base no comportamento real dos professores que a utilizam.

Com o produto em uso, as decisões deixam de depender só de hipótese. Passamos a observar quais fluxos os professores realmente utilizam, onde encontram dificuldade e quais recursos voltam a usar.

O problema

Professores produzem continuamente planos de aula, avaliações, atividades e adaptações. O ProfResolve nasceu para reduzir parte desse trabalho repetitivo, transformando uma necessidade pedagógica em material estruturado, editável e pronto para uso.

Hoje essa hipótese existe além de um protótipo: o produto está disponível publicamente e já ultrapassou 1.200 usuários cadastrados.

Da hipótese ao produto em uso

O projeto começou com uma hipótese simples: IA poderia reduzir parte do trabalho repetitivo de preparação de materiais sem tirar do professor o controle sobre o resultado.

A plataforma evoluiu dessa hipótese para um produto com múltiplos geradores de conteúdo, edição, exportação, créditos, pagamentos, jogos educacionais e mecanismos de confiabilidade para operações com LLMs.

Com mais de 1.200 usuários cadastrados e uso recorrente da plataforma, a próxima etapa não é só construir mais funcionalidades. É entender comportamento, frequência de uso, retenção e quais fluxos entregam mais valor.

Meu papel

Atuo no ProfResolve entre produto e tecnologia. Participo diretamente das decisões sobre o que construir, como priorizar cada evolução e como transformar essas escolhas em algo tecnicamente viável.

Na prática, isso significa trabalhar com funcionalidades, fluxos de geração, economia de créditos, comportamento dos modelos de IA, integrações, critérios de confiabilidade, experiência do usuário e a implementação em si. Não me limito à definição do que construir: estou presente também no como.

Fluxo do produto

O fluxo principal foi desenhado para caber na rotina docente: poucas escolhas antes da geração, material utilizável depois dela.

Transformando uma chamada de IA em um produto confiável

Uma geração não é só enviar um prompt para um LLM. No ProfResolve, cada geração passa por uma cadeia de controle que transforma uma chamada de IA em um processo previsível:

Validação, débito de créditos, montagem de prompt e contexto, roteamento de modelo, retry, fallback, sanitização, persistência e reembolso automático fazem parte do fluxo. A experiência do professor não pode depender de um único ponto de falha.

IA falha. O produto não pode falhar junto.

Uma falha do provedor não poderia consumir os créditos do professor e encerrar a tarefa. Por isso, o fluxo trata falha como parte esperada da operação.

Confiabilidade foi tratada como requisito de produto, não como detalhe de implementação. Em nível conceitual, a estratégia inclui:

• Cadeia de modelos: mais de um modelo disponível para a mesma geração
• Retries com orçamento de tempo: tentativas adicionais dentro de um limite definido
• Fallback entre providers: troca de provedor quando o primário falha
• Circuit breaker: pausa temporária de um caminho problemático
• Fallback de contexto: geração degradada em vez de erro exposto ao usuário
• Reembolso automático de créditos: uma falha não custa crédito ao professor
• Kill switch e recuperação: parada e retomada em nível operacional

Estes mecanismos são descritos de forma conceitual intencionalmente. Parâmetros, limiares e configurações internas são parte da implementação e não são publicados. Nenhuma taxa de sucesso é afirmada aqui sem dado real para sustentá-la.

Quando o custo de IA vira decisão de produto

O ProfResolve usa créditos como unidade de consumo. Cada tipo de geração tem um custo diferente, e o preço de cada geração é uma decisão de produto, não só uma variável de infraestrutura.

Os créditos são a interface entre custo computacional, valor percebido pelo professor e monetização. Quando o custo de um modelo muda, isso afeta diretamente o preço de uma geração e o comportamento esperado do usuário.

Uma alteração documentada reclassificou um gerador de 100 créditos para 300 créditos, junto com mudança na estratégia e no modelo utilizados. O objetivo é manter o custo de IA visível e administrável dentro do próprio produto.

Nem toda evolução técnica deve permanecer no produto

Contexto: Streaming via SSE foi testado para melhorar a experiência de geração.

Problema: Falhas de parsing podiam interromper o fluxo e produzir conteúdo parcial.

Decisão: O projeto voltou para uma geração síncrona mais previsível, com controle de timeout mais rigoroso.

Trade-off: menos percepção de resposta progressiva em troca de maior previsibilidade e confiabilidade.

O rollback foi tratado como parte normal do desenvolvimento. O que importa é que o trade-off foi explícito.

Build vs Buy: onde vale a pena investir engenharia

O resultado final é descrito de forma qualitativa com base na documentação do projeto. Nenhuma porcentagem é afirmada aqui.

Arquitetura

Representação conceitual da arquitetura do produto, sem endpoints internos, schema de banco, limiares de segurança ou credenciais.

Engenharia como parte da confiança do produto

Cobertura de testes e disciplina de engenharia fazem parte da experiência do produto, porque uma falha de geração atinge diretamente o professor.

• 2.4K+ test cases
• 277 arquivos de teste
• Property-based testing
• Testes de regressão e caracterização
• TypeScript estrito
• Logging estruturado
• Observabilidade
• Créditos e pagamentos idempotentes

Esses números descrevem escala e disciplina técnica. Não substituem métricas de impacto do produto.

Produto e escala técnica

Produto

• 1.2K+
  Usuários cadastrados
• Live
  Produto público
• Recorrente
  Plataforma em uso

Escala técnica

• 16
  Geradores
• 94
  API handlers
• 8
  Integrações
• 2.4K+
  Test cases

O que quero entender a seguir

O produto tem uso suficiente para que as próximas decisões dependam cada vez mais de comportamento real.

• Usuários ativos em 7 e 30 dias
• Frequência de geração por usuário
• Geradores mais utilizados
• Taxa de conclusão da primeira geração
• Consumo de créditos ao longo do tempo
• Conversão de freemium para plano pago
• Retenção
• Taxa de regeneração

Estes são sinais que quero medir. Não são métricas que já estão disponíveis.