A maior parte das empresas que me procura para falar de IA está usando o ChatGPT. Pelo navegador, manualmente, copiando e colando texto. E funciona até certo ponto. O problema é que “funcionar até certo ponto” e “estar integrado ao processo” são coisas muito diferentes.
A Claude API é o que muda esse jogo.
Não estou falando de uma feature nova nem de uma plataforma separada. A API é acesso programático ao mesmo modelo que você usa no chat. A diferença é que, em vez de uma pessoa abrir o navegador, colar texto e ler a resposta, o seu sistema faz isso sozinho, sem intervenção humana. A mesma inteligência, com escala e integração.
Mas antes de ir adiante, vale entender o que a Claude API não é. Não é um produto empacotado que você instala e pronto. É uma interface de programação. Você precisa de alguém que escreva o código que vai usar essa interface. Parece óbvio, mas já vi empresa assinar o plano da API da Anthropic achando que estava comprando um software de automação pronto. Isso acontece mais do que parece.
O que você manda e o que recebe de volta
A mecânica é direta. Você envia texto, o modelo processa, você recebe texto de volta. O que muda é o que está dentro desse texto.
Você pode mandar um e-mail de cliente e pedir para extrair nome, CNPJ, tipo de solicitação e nível de urgência. Pode mandar um contrato e pedir para identificar cláusulas fora do padrão. Um chamado de suporte acompanhado de proposta de resposta e sugestão de equipe responsável. Uma planilha exportada como texto com análise e interpretação dos dados.
O modelo retorna o que você pedir. Se você quiser JSON com campos específicos, ele entrega. Se quiser linguagem natural formatada para e-mail, entrega isso. A formatação de saída é definida no próprio prompt de instrução.
Aliás, essa parte de configuração via prompt é onde mora boa parte do trabalho real de um projeto de API. Você não está programando no sentido convencional quando define o comportamento do modelo. Está escrevendo instruções em linguagem natural, testando o resultado, ajustando a instrução, testando de novo. Tem uma curva de aprendizado que não é sobre código, é sobre clareza. Saber formular exatamente o que você quer é a competência central, e ela não vem de nenhum manual.
Que tipo de tarefa faz sentido automatizar
Olha, o que mais aparece em produção é processamento de texto livre como entrada. E-mails de clientes, chamados de suporte chegando por WhatsApp, formulários com campo aberto, documentos em formatos variados. A IA lida com variação bem melhor do que qualquer expressão regular que você já escreveu, e sem precisar de um programador para cada novo padrão que aparecer.
Classificação anda junto com isso. Roteamento de chamados por urgência e área, triagem de leads por perfil, categorização de documentos antes de arquivar. O modelo não se cansa, não tem dia ruim, não classifica diferente de manhã e de tarde por causa de algum estresse pessoal.
Geração de rascunho é um uso que as equipes de atendimento adotam rápido. Não deixar a IA enviar nada diretamente para o cliente, mas usar ela para gerar o primeiro rascunho que um humano revisa e assina. Em equipes pequenas com volume alto de solicitações, isso reduz o tempo de resposta de forma perceptível sem tirar o controle humano do processo. É uma das formas mais fáceis de justificar o custo nos primeiros meses.
E tem um uso que a galera subestima muito: extração de campos específicos de documentos não estruturados para alimentar sistemas estruturados. Você tem nota fiscal chegando como PDF escaneado? Contrato como Word? E-mail com informações que deveriam estar no CRM mas precisam que alguém abra manualmente e copie campo por campo? Esse trabalho, repetitivo e sem nenhum valor agregado, é exatamente o tipo de coisa que a API resolve bem, especialmente quando o volume torna inviável fazer na mão.
O que vem antes de ligar a chave
Sinceramente, o que mais atrasa projetos de Claude API não é a parte técnica.
É a falta de clareza sobre o que o sistema precisa fazer. Antes de qualquer coisa, você precisa conseguir responder: qual tarefa específica o modelo vai executar, qual é a entrada típica, qual é o formato de saída esperado, quem vai consumir essa saída e o que fazer quando a entrada não tiver informação suficiente.
Essas perguntas parecem simples. Até você tentar respondê-las de verdade.
Já participei de reuniões onde a empresa queria “automatizar o atendimento” e depois de uma hora ficava claro que ninguém havia decidido o que o sistema faria com um cliente pedindo desconto fora da política ou com um chamado que chegasse sem contexto suficiente para classificar. A IA vai fazer alguma coisa nesses casos. Você precisa decidir o quê antes de estar em produção.
O outro ponto que atrasa: dados de teste. Você vai precisar de exemplos reais de entradas para calibrar o comportamento do modelo. Principalmente dos casos difíceis. Os e-mails ambíguos, os chamados mal escritos, os documentos com informação incompleta. Testar só com os casos bem escritos e completos te dá uma confiança que não existe quando o usuário real começa a usar segunda-feira de manhã.
Custo e como calcular
A Anthropic cobra por token. Token é uma unidade de texto, mais ou menos 0,75 palavras em inglês, um pouco menos em português. Você paga pelo que entra no modelo somado ao que o modelo gera de resposta.
O preço varia bastante por modelo. Os modelos menores custam significativamente menos e resolvem bem tarefas de classificação e extração simples. Os modelos mais capazes fazem melhor em análise complexa e geração de texto de qualidade. Escolher o modelo certo para cada tarefa tem impacto real no custo final do mês.
Para ter uma referência: um e-mail de cliente médio com prompt de instrução fica em torno de 500 a 1000 tokens de entrada. Dependendo do volume da sua operação, o custo mensal pode ser trivial ou relevante. Já calculei projetos onde a economia de tempo humano pagava a API muitas vezes. Já calculei outros onde o custo de token era comparável ao custo do trabalho sendo substituído. Depende do processo, do volume e de quanto esse trabalho custa hoje na sua operação.
A parte que ninguém mostra na demo
A integração técnica em si é simples. A API da Anthropic é uma chamada HTTP padrão, e qualquer sistema web moderno faz isso sem dificuldade.
O que não aparece na demo é o design dos pontos de integração. Onde no fluxo a chamada de IA acontece? O que acontece se a API estiver fora do ar por alguns minutos? Como você trata timeout? Como você monitora se o modelo está respondendo como esperado depois de semanas em produção, não só no dia do lançamento? Como você versiona os prompts quando precisa mudar o comportamento sem quebrar o que já está funcionando?
Essas são questões de engenharia de software. Não de IA.
É o que separa o protótipo que funciona na apresentação do sistema que ainda funciona seis meses depois.
Gabriel Schunck trabalha com integrações de Claude API em sistemas PHP, Laravel e Node, de rascunho até produção. Se você quer entender o que faz sentido pro seu contexto antes de comprometer tempo e orçamento, entra em contato pelo gabriels.dev.br.