Enviamos um ticket de suporte para uma IA. Ela reconstruiu a integração e fechou o ciclo.

Como Claude Code e a APIANT transformaram um bug complexo de sincronização de múltiplos pagamentos em uma solução verificada, com aprovação humana apenas no final.

Este vem de CRMConnectA APIANT oferece uma integração completa que mantém o Mindbody e o HubSpot sincronizados. Ela gerencia os dados do cliente, a desduplicação e o mapeamento de campos, permitindo que a equipe de marketing trabalhe com base em atividades reais em vez de exportações desatualizadas. Especificamente, estamos abordando a parte que transforma as vendas do Mindbody em negócios no HubSpot, garantindo que a receita seja registrada automaticamente no CRM, com o valor correto associado ao cliente certo.

Um cliente pagou cerca de US$ 8.400 na recepção. O negócio no CRM mostrava US$ 400. Nada havia apresentado erro, nada parecia quebrado e a maioria das vendas estava sincronizando normalmente. Essa transação simplesmente perdeu a maior parte do seu valor em algum lugar entre o Mindbody e o HubSpot.

Esses são os piores tipos de bugs: aqueles que se escondem nos 2% das transações que são um pouco incomuns. Entregamos este para uma IA e deixamos que ela conduzisse todo o processo, do diagnóstico à correção testada e à resposta ao cliente. Veja como foi.

O bilhete

Um estúdio de fitness boutique nos escreveu relatando um pequeno e irritante mistério. A maioria das suas vendas do Mindbody para o HubSpot ocorreu sem problemas. Mas essa venda específica não.

O problema era que as vendas eram pagas de mais de uma forma. Ao dividir um pagamento entre cartão e saldo da conta, o sistema de sincronização antigo lia um relatório que não incluía todas as transações. Assim, o negócio era finalizado com uma fração do valor que o cliente realmente pagou.

Por que isso normalmente é uma solução lenta e dolorosa.

Um bug como esse geralmente consome dias de trabalho da equipe de engenharia. Alguém precisa reconstruir o funcionamento da integração, descobrir qual dos vários caminhos de sincronização está com defeito, alterar a lógica sem quebrar os caminhos que já funcionam e, em seguida, testá-la em um sistema em produção que é realmente difícil de explorar. Um software de ponto de venda não oferece exatamente um ambiente de testes com um botão para "fazer uma venda com pagamento dividido de forma estranha".

Então, o problema tende a ficar parado. O cliente espera. A correção é arriscada. Todos ficam um pouco receosos em mexer em uma integração que já está funcionando.

Em vez disso, entregamos o projeto à IA.

Entregamos o ticket para o Claude Code, que estava rodando na APIANT, e deixamos que ele trabalhasse. Não apenas "sugerisse um trecho de código". Mas sim trabalhasse de verdade: lesse a integração, entendesse, modificasse, testasse com a conta real do Mindbody e relatasse o resultado. Eis o que aconteceu, sem que um ser humano escrevesse uma única linha de código.

Descobriu-se a verdadeira causa. A investigação identificou três problemas distintos que se escondiam por trás de um único sintoma: a sincronização estava lendo um relatório que omitia alguns tipos de pagamento, as vendas de vários itens estavam sendo contabilizadas incorretamente e algumas vendas podiam entrar em conflito devido ao mesmo identificador.

A integração foi reconstruída corretamente. Em vez de uma solução paliativa, a lógica de negociação foi refatorada em um componente compartilhado, usado tanto pela sincronização instantânea (disparada no momento da venda) quanto pela sincronização noturna de acompanhamento. Mesma lógica, dois gatilhos, sem mais discrepâncias entre eles. Ambos foram migrados para uma fonte de dados mais completa, que inclui todos os pagamentos, incluindo saldos de contas e assinaturas.

Isso tornou o processo rápido e em grande escala. Adicionou-se um cache para que a tarefa noturna não execute novamente pesquisas lentas em milhares de vendas passadas. A primeira passagem cria o cache; todas as passagens subsequentes ignoram a pesquisa dispendiosa.

Isso acrescentou o detalhe que o cliente desejava. Agora, cada transação registra o método de pagamento utilizado, permitindo que o estúdio veja rapidamente como a venda foi paga.

Em seguida, foi testado no sistema real.

Essa é a parte que ainda parece um pouco ficção científica.

A IA abriu o sistema de ponto de venda real da Mindbody em um navegador e realizou vendas de teste por conta própria. Um item pago à vista. Um item parcelado em duas vezes. Vários itens pagos à vista. Vários itens parcelados. Um cliente sem cadastro prévio. Ela processou as vendas no caixa como um funcionário faria.

Em seguida, o sistema monitorou o fluxo de cada venda durante a integração e leu os resultados linha por linha. O número correto de negócios foi criado? Os valores totalizavam o valor da venda? O método de pagamento foi exibido? A sincronização duplicada gerou duplicatas ou o sistema reconheceu corretamente que a venda já havia sido processada?

Todas as agências foram verificadas. Os valores coincidiram. Sem duplicatas. Os métodos de pagamento foram processados corretamente.

A própria falha foi percebida.

Em determinado momento, uma das suas próprias alterações introduziu uma pequena regressão. Um novo campo não foi configurado corretamente e, silenciosamente, interrompeu a criação de novos negócios.

A IA percebeu isso porque estava lendo os dados de execução em tempo real, em vez de presumir que seu trabalho estava correto. Ela encontrou a causa exata, corrigiu a fiação, executou novamente a venda que havia falhado e confirmou que a correção produziu o resultado esperado, documentando todo o processo.

Essa é a diferença entre gerar código e ser dono do resultado.

Isso fechou o ciclo com o cliente.

Após a verificação da correção, a IA redigiu a resposta para o cliente em linguagem simples: o que estava acontecendo, por que o valor parecia incorreto, o que mudaria a seguir e a garantia de que as vendas anteriores seriam corrigidas automaticamente na próxima sincronização. Essa mensagem foi então preparada no ticket, pronta para ser enviada.

Um humano leu, concordou e enviou. Um humano também deu a aprovação final para publicar a alteração em produção. Isso é proposital. A IA realiza o trabalho pesado, preciso e incansável. As pessoas mantêm o controle sobre as duas decisões que sempre devem ser humanas: o que dizemos a um cliente e o que é publicado.

Uma solução para cada cliente.

Eis a parte que importa se você trabalha com desenvolvimento de integrações. Este não foi um script isolado implementado em uma única conta. A sincronização do Mindbody com o HubSpot é um produto comercializado. Aplicativo de APIUma única integração, criada e mantida em um único local, que funciona para todos os clientes que a utilizam. Assim, quando a IA reconstruiu a lógica de negociação, ela não corrigiu apenas esse estúdio específico. Ela solucionou a mesma discrepância no pagamento dividido para todos os usuários dessa integração, e cada novo cliente herda a versão corrigida desde o primeiro dia.

Esse é o modelo que os integradores de sistemas tanto pedem. Criar uma solução uma vez, vendê-la várias vezes e aprimorá-la em um único lugar. Uma correção como essa eleva a qualidade do produto para toda a base instalada de uma só vez, que é exatamente o que transforma uma integração padronizada em um ativo de receita recorrente real, em vez de um amontoado de trabalhos personalizados para cada cliente que só se tornam mais frágeis à medida que crescem.

Por que a APIANT torna isso possível?

Uma IA só consegue operar naquilo que pode ver e tocar. A maioria das plataformas de integração são caixas pretas, pelo que a IA fica limitada a escrever sugestões externas.

O APIANT foi construído de forma inversa. Cada integração é composta por partes que a IA pode de fato inspecionar, editar e executar: as automações, as sub-rotinas compartilhadas, os mapeamentos de campos, o histórico de execução em tempo real e os valores em cache. A IA pode alterar uma parte, executá-la, ler exatamente o que aconteceu em cada etapa e fazer ajustes. Combine isso com o controle do sistema de origem via navegador, e ela poderá testar com base na realidade, em vez de fazer suposições.

Essa combinação foi o que permitiu que um problema real e confuso se transformasse em uma refatoração completa e verificada.

A conclusão

Não se tratava de um problema trivial. Era um bug sutil, com múltiplas causas, em uma integração em produção entre dois sistemas complexos, o tipo de problema que normalmente resulta em um engenheiro nervoso e uma semana lenta.

Uma IA analisou todo o processo. Ela diagnosticou a causa real, reconstruiu a integração da maneira correta, testou cada caminho em comparação com o ponto de venda real, detectou e corrigiu seus próprios erros e redigiu a resposta para o cliente. As pessoas intervieram apenas para aprovar a mensagem e a implementação.

É para isso que estamos caminhando. Não se trata de uma IA que escreve um pouco de código para você, mas sim de uma IA que pega um problema complexo e específico e o leva até uma solução funcional e testada em uma plataforma criada exatamente para isso. Se você tem integrações quase perfeitas ou bugs que só aparecem em raros 2% dos casos, é assim que a solução desses problemas começará a se parecer.

Fale conosco sobre a APIANT.