Plataforma onde professores brasileiros geram aula, atividade, prova e slides com IA, corrigem prova por foto e acompanham a turma. Está em produção em usedidata.com.br, com plano gratuito e pago, sem lançamento divulgado.
O usuário é professor da Educação Infantil ao Superior, com peso no Fundamental e no Médio, mais professor particular, de cursinho e de idiomas. O contexto de uso é pouca familiaridade técnica e trabalho feito entre uma aula e outra, à noite, no fim de semana. O que ele precisa é transformar um tema em material pronto, corrigir prova e acompanhar a turma.
Sobre onde exatamente o tempo do professor vai embora, não há pesquisa de campo no repositório. Não existe entrevista, questionário nem nota de conversa com professor real. O que existe é a descrição de usuário do documento de produto, que é posicionamento, não dado coletado. Prefiro escrever isso do que apresentar posicionamento como pesquisa.
O rastro verificável de contato com usuário é pequeno e está no código. Houve um programa beta, desativado em julho de 2026, e duas decisões carregam a data do feedback nos comentários: prova de várias folhas, com até cinco fotos por aluno numa correção, e o envio de todas as páginas numa chamada só, para montar o gabarito completo.
Nenhuma decisão pedagógica, nota, correção ou feedback é fechada pela máquina. Toda resposta lida pela IA nasce com status sugerida, sem exceção, inclusive as de confiança alta.
É escolha, não limitação. O modelo devolve uma alternativa por questão e um número de confiança de 0 a 100. Seria trivial gravar a nota direto quando a confiança passasse de um limiar. O sistema não faz isso: sugerida e confirmada são estados distintos no banco, e a nota do boletim oficial só conta célula que o professor confirmou.
O custo em conveniência é real e foi pago de propósito. Numa prova de 30 alunos por 10 questões são 300 leituras para aceitar. A mitigação não foi afrouxar a regra, foi reduzir o esforço de aceitar: confirmação em lote das de alta confiança, e uma fila que prioriza o que pede atenção. O viés da fila é declarado e pró-cautela, questão sem leitura nenhuma conta como incerta.
A mesma regra amarra a geração de material. Todo prompt carrega a instrução de revisar e adaptar antes de aplicar em sala.
É o ponto onde o case precisa ser honesto, porque o mecanismo é mais modesto do que a promessa deixaria supor.
Série, disciplina e tipo de professor resolvem uma faixa BNCC. Para 9º ano de matemática, devolve EF09MA01 a EF09MA24, com os temas. Essa linha entra no prompt do usuário, nunca no sistema, porque o system é constante e serve ao cache dos providers.
Ensino Superior não recebe código nenhum, porque não segue BNCC. Educação Infantil recebe campos de experiência em vez de habilidades. E 3º ano só é tratado como Médio quando a série ou o tipo de professor dizem Médio, porque 3º ano do Fundamental também existe.
GO, SP, MG, RJ, RS e BA têm módulo próprio. O desenho parte de um fato jurídico: currículo estadual adota os códigos da BNCC, e o que muda é o eixo de contextualização regional. Então a espinha fica num arquivo só e cada estado contribui o cabeçalho e o eixo, como a Goianidade no documento de Goiás.
Cada módulo declara fonte e versão, e o bloco injetado no prompt carrega a linha citável: órgão, documento, ano, e a instrução de citar o código BNCC porque é o mesmo do documento estadual e permite conferência no PDF oficial.
Não há validação determinística do código citado contra uma base oficial. Os dois validadores pós-geração checam marcador de gabarito, soma de pontos, contagem de questões e paleta de slides. Nenhum olha código BNCC. Uma validação por lista oficial é trabalho em aberto, e o repositório registra o motivo de não ter sido feito: falta corpus real.
Série, disciplina, faixa de códigos, eixo regional e fonte citável entram no prompt sem o professor digitar nada, em toda geração daquela turma. Contra usar ChatGPT direto, o ganho é esse, e não verificação formal de citação. Vale dizer qual é.
Quando a leitura falha, três caminhos separados por tipo de falha. Erro passível de nova tentativa cai para GPT-4o com schema idêntico e registra alerta com as tags de primário e fallback; erro 4xx e schema inválido propagam sem tentar. Questão que voltou sem leitura vira status de erro e entra num contador de faltantes. E confiança ausente é tratada como baixa: ausência de sinal conta contra a IA, não a favor.
O acerto é medido pela discordância do professor, e só sobre respostas que ele confirmou, porque contar o não confirmado como concordância inflaria o resultado a favor da IA. Duas leituras: por questão, o percentual de leituras que o professor mudou, sinalizado acima de 20%; e por faixa de confiança, para responder se a IA erra mais onde disse ter menos confiança. Se a divergência for igual nas duas faixas, o sinal não discrimina e a fila de incertas dá falsa segurança. Isso só aparece a partir de 10 confirmações, para não mostrar percentual sobre amostra pequena.
Números de acurácia não existem. Não há conjunto de teste com fotos rotuladas nem relatório de avaliação. O mock de Vision diz, no próprio cabeçalho, que exercita a máquina em volta da IA e não testa se ela lê manuscrito. A instrumentação de divergência é o que existe no lugar da métrica offline: ela mede em uso, não antes.
Next.js 16 em rota única na Vercel, sem serviço separado, sem fila e sem worker. O trabalho longo é streaming dentro da request; o periódico são quatro crons.
O oposto do Kyber CRM, e de propósito. O Prisma conecta como role que ignora RLS, então a autorização é do aplicativo. O RLS existe para o caso de alguém falar com o Postgres pelo cliente Supabase, com force e deny all explícito nas tabelas sem policy.
Toda query de professor filtra pelo dono. Escola é multi-tenant por organização, com contexto resolvido num lugar só e considerando apenas membro aprovado. A invariante que proíbe a superfície de escola de ler conteúdo alheio não publicado é teste, não parágrafo: quebra o CI.
Reserva de cota em transação serializable, que fecha a corrida entre contar e criar; throttle de rajada; roteamento por complexidade com classificador determinístico, sem chamar IA para decidir; e cache de prompt mais dedupe de fonte por hash. Cada chamada grava o modelo real da resposta, nunca fixo no código.
PDF, DOCX, PPTX e CSV. Equação passa por KaTeX na web e por MathJax mais conversão SVG para PNG no PDF. Texto vindo da IA é limpo antes de imprimir, porque o renderizador não interpreta markdown e comentário HTML vazava para a folha do aluno.
Constituição com invariantes numeradas, ADRs imutáveis e specs com critérios de aceite. As invariantes caras são testes: o CI falha se uma rota nova de IA não reservar cota, ou se um builder de prompt não neutralizar injeção.
Sete ferramentas de saúde, uso, custo, falhas, correção, negócio e feedback. Local, por stdio, fora do deploy. O cron do resumo semanal reusa as mesmas consultas em vez de ter query própria.
Também: 111 páginas, 32 route handlers, 60 arquivos de Server Action, 906 arquivos TypeScript, 33 blocos de teste end to end em 9 specs, 33 dependências de produção e 798 commits desde maio de 2026. Cobertura de testes não existe: nenhum script coleta, então citar percentual seria inventar.
Números de uso não existem, e este case não publica nenhum. Não há contagem de professores ativos, materiais gerados, escolas ou receita. O produto está no ar com plano gratuito e pago, mas não teve lançamento divulgado. O medidor de custo de Vision e a instrumentação de divergência já estão implementados: a escolha é medir em uso, não publicar estimativa. O documento de produto do Didata proíbe prova social fabricada, e a mesma regra vale aqui.
O melhor caso documentado é de infraestrutura, não de produto, e os três atos são encadeados.
A migration que nunca rodou. O Prisma Client é reconstruído a cada deploy a partir do schema, então passou a esperar colunas que duas migrations criariam. As duas ficaram no disco, nunca aplicadas em produção, e o dashboard quebrou pedindo uma coluna inexistente. A parte que interessa não é o erro: a documentação afirmava que a Vercel rodava migrate deploy no build, e isso nunca tinha sido configurado. Um pressuposto escrito, nunca verificado, sustentado por dias de deploys que por acaso não tocavam nas colunas novas.
Sete deploys mortos aos 45 minutos. Com o migrate deploy no build, os deploys passaram a morrer no timeout sem mensagem de erro. O pooler de transação do Supabase, que é o correto para runtime serverless, não suporta as transações DDL longas do migrate deploy, e o comando trava em vez de falhar. A correção foi separar a URL de runtime da URL do CLI. O detalhe que só aparece quando dói: a mesma variável precisa existir na Vercel e nos secrets do CI, porque o CI roda o mesmo build.
A config que quebra só na infra da plataforma. Depois disso, aumentar o limite de corpo das Server Actions passou a quebrar o build com um erro de tipo, logo após a plataforma aplicar a própria modificação de config. O build local não reproduzia. Foram cerca de seis horas de bisect até isolar. A consequência ficou: o limite segue no default de 1MB e nenhuma Server Action pode receber arquivo, então todo upload do produto é route handler.
O que eu faria diferente: migrate deploy no pipeline desde o primeiro deploy, porque aplicar migration como passo manual falha em silêncio; e tratar a diferença entre o build local e o da plataforma como fato conhecido, rodando o build da plataforma antes de mesclar mudanças de configuração. O contorno do terceiro ato continua sendo dívida, não desenho: a regra vale porque um bug de terceiro não foi resolvido.
Quer ver o resto do trabalho, ou conversar sobre uma vaga?
Atualizado em 5 de agosto de 2026