Cursor + Claude Code: como ganhamos 3x velocidade (e onde NÃO funciona)

A engenharia AI-native que defendemos não é só sobre o que o produto faz. É sobre o método de construir. Aqui é o que rodamos no dia a dia da Kode pra entregar 3x mais rápido sem perder qualidade.

A regra de divisão

Cursor e Claude Code parecem competir, mas atendem coisas diferentes:

| Tarefa | Ferramenta | |--------|-----------| | Edit local, autocomplete, refactor pequeno | Cursor | | Implementar feature inteira do zero | Claude Code | | Bug específico que você já identificou | Cursor | | "Quero entender por que isso quebra" (debugging exploratório) | Claude Code | | Renomear símbolo em 30 arquivos | Cursor | | Migrar codebase pra padrão novo | Claude Code | | Escrever teste enquanto código já existe | Cursor | | Test-first em feature nova | Claude Code |

Cursor é sua mão direita acelerada. Claude Code é seu engenheiro júnior dedicado.

Setup que importa (Cursor)

• .cursorrules no repo com convenções do projeto. Sem isso, sugestão fica genérica. Com isso, vira lapidada pro seu padrão.
• Cmd+K pra edit ao invés de chat lateral em 80% dos casos. Mais rápido, contexto correto.
• Composer pra mudança em múltiplos arquivos. Use quando edição passa de 3 arquivos.
• Apply Diff em vez de Aceitar Tudo. Sempre. Dá pra ver o que vai mudar antes.

Setup que importa (Claude Code)

• Trabalha em git worktrees pra tarefas paralelas. Você inicia uma feature, ele implementa em isolamento. Você revisa via PR/diff.
• Plano antes de código. Pede pra ele descrever em texto o que vai fazer, valida, depois roda.
• Memória persistente. Salva decisões arquiteturais em .memory/ ou similar pra ele lembrar entre sessões.
• Testes primeiro em feature greenfield. "Escreve os testes, falha todos, depois implementa". Funciona surpreendentemente bem.

Onde IA NÃO ajuda (e atrapalha)

3 anos rodando isso, achamos consistência:

Decisão arquitetural

"Qual padrão de evento usar pra esse caso?" recebe resposta genérica baseada em README do projeto popular. Decisão arquitetural exige contexto profundo do negócio + futuro previsto. IA não tem esse contexto.

Regra: decide você, depois pede pra IA implementar.

Refactor de código mal escrito

Tentar refatorar código ruim com IA gera mais código ruim com aparência arrumada. IA replica padrão, não conserta padrão.

Regra: refactor profundo é manual. IA ajuda em mudanças mecânicas (renomear, mover) depois que você decidiu o destino.

Debugging de race condition / concorrência

Bug de timing, lock, transação. IA acerta 30% e mente confiante 70%. Você gasta mais tempo desfazendo o que ela sugeriu do que faria sozinho.

Regra: se você suspeita de race, ignora a IA e debugga manual.

Edição de teste flaky

"Por que esse teste falha às vezes?" — IA sugere mock random, alterar timing, esconder o problema. Não resolve.

Regra: flaky test você isola e estuda. IA não tem paciência (e nem você devia ter).

Onde IA brilha (e multiplica)

• Boilerplate: client HTTP, parser, tipos a partir de doc, schema migration, scaffolding inicial
• Test cases: gera happy path + error + adversarial em massa
• Documentação: README, comentário em função obscura, changelog
• Padronização: aplica convenção em código que não segue
• Tradução de stack: "porta esse Python pra TypeScript" — funciona bem
• Pesquisa em codebase grande: "onde isso é usado", "qual a diferença entre X e Y"

A medida real do 3x

3x não é hype. É medido em features entregues por sprint comparando 2024 (sem IA) com 2026 (com Cursor + Claude Code). Detalhamento:

• Boilerplate: 60-80% mais rápido
• Test coverage: dobrou (porque IA escreve teste de boa)
• Documentação: triplicou (porque IA mantém atualizada)
• Bug em produção: caiu 40% (porque test coverage dobrou)
• Onboarding novo dev: caiu 50% (IA explica codebase com contexto)

Soma: time de 2 pessoas com IA entrega o que time de 4 entregava em 2024.

A pegadinha do 3x

Se você não tem método, IA acelera o jeito errado de fazer as coisas. Você ganha 3x velocidade pra entregar débito técnico.

A regra que funciona: decisão é humana, execução é IA. Quem inverte isso vira refém.

Stack completa que rodamos

Pra quem tá começando setup parecido:

• Cursor — IDE principal
• Claude Code (no terminal) — tarefas longas
• Claude API (no app) — features de IA do produto
• Figma MCP — design pra código
• GitHub Actions + Vercel — CI/CD
• Inngest — orquestração de jobs

Custo total mensal pra time de 3: ~R$ 800-1.200. Compara com salário mensal: 0,5% do custo de salário. ROI absurdo.