Introdução

Você pergunta ao Claude Code: "Quanto tempo leva para implementar esse chatbot?" Ele responde com confiança: "3-4 semanas para um engenheiro." Na realidade, você entrega em um dia. Essa discrepância não é só irritante—quebra a comunicação com seu product manager e colegas que dependem do seu trabalho.

A causa raiz? LLMs são treinados com dados escritos por humanos antes de 2022, quando humanos sozinhos escreviam código. Então eles estimam como um humano estimaria, não como um dev acelerado por LLM. Felizmente, dá para consertar. Este artigo mostra dois métodos concretos para obter estimativas precisas e acionáveis do seu agente de código.

Baseado em: Why Claude Code Time Estimates Are Poor

Developer asking Claude Code for time estimate on chatbot feature implementation Development Concept Image

Método 1: Baseie as Estimativas nos Seus Dados Históricos

A técnica mais eficaz é fazer seu agente aprender com tarefas passadas. Veja como:

  1. Rastreie cada tarefa em uma ferramenta como Linear, Notion ou um simples arquivo markdown. Registre horários de início e conclusão.
  2. Crie uma skill que o Claude Code possa consultar sempre que precisar estimar. A skill contém um resumo das tarefas passadas e suas durações reais.

Exemplo de conteúdo da skill (salvo como estimation-skill.md):

# Skill de Estimativa de Tempo

## Tarefas Passadas
- Feature A (integração de chatbot): 6 horas
- Bug fix B (timeout de autenticação): 1.5 horas
- Feature C (UI do dashboard): 4 horas

## Instruções
Quando solicitado a estimar, compare a nova tarefa com a tarefa passada mais similar. Ajuste com base na complexidade. Sempre retorne em horas, não em semanas.

Aí, quando você pedir uma estimativa, o Claude Code lê essa skill e dá uma resposta baseada em dados. Chega de "3-4 semanas" sem noção.

Por que funciona: O agente fundamenta a estimativa em dados reais do seu fluxo de trabalho, não em médias humanas genéricas.

Engineer tracking task durations in Linear to improve LLM time estimates IT Technology Image

Método 2: Decomponha Tarefas e Peça Estimativas Específicas para LLM

Se você não tem dados históricos, use esta abordagem. Quebre a tarefa em subtarefas pequenas e peça explicitamente ao LLM para estimar cada uma com base em quanto tempo um LLM levaria, não um humano.

Exemplo de prompt:

Implemente a feature X. Divida em:
- Pesquisa
- Implementação parte 1
- Implementação parte 2
- Testes
Para cada subtarefa, estime o tempo assumindo que um LLM está fazendo o trabalho (com supervisão humana). Depois some.

O LLM sabe que pode pesquisar mais rápido que um humano no Google, então dará números realistas. Tarefas menores são mais fáceis de estimar com precisão, e a soma é mais confiável que um único chute grande.

Atenção: Mesmo com esses métodos, as estimativas não serão perfeitas. Imprevistos (dependências, rebases, bugs inesperados) sempre existem. Mas você ficará muito mais perto do que a resposta padrão de "semanas humanas".

Relacionado: Vercel Ships Agent Runs: Debug Your AI Agents via MCP and CLI — aprenda a observar e depurar seus agentes de código em produção.

Laptop screen showing Claude Code skill for time estimation based on historical data Technical Structure Concept

Conclusão

LLMs dão estimativas ruins porque são treinados com dados humanos. Para consertar:

  • Rastreie suas tarefas e crie uma skill que permita ao agente consultar durações passadas.
  • Decomponha tarefas e peça estimativas específicas para LLM por subtarefa.

Essas técnicas transformam chutes vagos em números acionáveis, melhorando a comunicação com seu time. Conforme os LLMs evoluem, as estimativas vão melhorar naturalmente, mas você não precisa esperar—aplique esses métodos hoje.

Leitura adicional: Bending the Curve: How Meta's Adaptive Ranking Model Serves LLM-Scale AI at Sub-Second Latency — um mergulho profundo em otimização de latência para sistemas de IA em larga escala.

Este conteúdo foi elaborado com o auxílio de ferramentas de IA, com base em fontes confiáveis, e revisado pela nossa equipe editorial antes da publicação. Não substitui o aconselhamento de um profissional especializado.