Gondola dobra receita construindo mais produtos com Codex

A OpenAI publicou um estudo de caso sobre a Gondola, plataforma que ajuda criadores de conteúdo a provar o impacto do próprio trabalho e transformar isso em novas oportunidades. O material, divulgado no site oficial da OpenAI, descreve como uma equipe pequena passou a usar o Codex (o agente de codificação da empresa) e o ChatGPT no dia a dia, e credita a essa mudança um salto de produtividade e de receita.

Vale o alerta de sempre com esse tipo de texto: é conteúdo institucional, escrito pela própria OpenAI para vender seu produto. Os números não vêm de uma auditoria independente, e a Gondola é uma empresa pequena, sem informar headcount exato nem comparação com concorrentes. Ainda assim, o relato detalha fluxos de trabalho concretos que valem a pena entender, porque mostram um padrão de uso que vai além do que a propaganda de IA generativa↳IA generativa81 conteúdosIA Generativa: 5 alternativas para começar a usar em 2025AI · jan 2025Gartner Revela o Futuro da IA GenerativaAI · jul 2024IA Generativa: Pesquisa global aponta Brasil como segundo país mais otimista com a tecnologiaAI · mar 2024Ver tudo em AI → costuma prometer.

O problema antes do Codex

Jared Kleinstein fundou a Gondola depois de notar que criadores de conteúdo para redes sociais raramente recebiam crédito pelo trabalho que faziam para marcas. A plataforma nasceu para resolver isso: catalogar quem fez o quê e transformar esse histórico em prova de impacto.

O gargalo, segundo o relato, não era falta de ideias. Era capacidade de engenharia. Qualquer experimento pequeno competia por tempo com as prioridades centrais do produto, e encontrar informação ou redigir propostas significava vasculhar várias ferramentas internas antes de produzir qualquer coisa.

Codex Cloud nas mãos de quem não é engenheiro

A mudança central que o caso descreve não é "engenheiros ficaram mais rápidos" (embora isso também aconteça). É que pessoas de produto e de negócio passaram a usar o Codex Cloud para explorar o código-fonte, prototipar uma interface ou um fluxo, testar hipóteses e, em muitos casos, chegar a uma primeira versão funcional antes de qualquer engenheiro entrar no processo.

O próprio Jared e Jojo Hesketh, gerente de parcerias com criadores e clientes na empresa, fizeram assim suas primeiras contribuições de código já mescladas no repositório principal do produto. Não é um detalhe menor: são pessoas sem formação em engenharia escrevendo e enviando código que vira parte do produto real.

Um gerente de produto não precisa mais parar num requisito escrito. Ele pode levar à engenharia um protótipo funcionando.

Jared Kleinstein, fundador e CEO da GondolaA product manager doesn't need to stop at a written product requirement anymore. They can bring engineering a working prototype.

Os engenheiros da Gondola continuam usando o Codex por linha de comando e por ferramentas de editor para acelerar a implementação, e também dentro do GitHub para revisar pull requests. A empresa conecta o Codex aos próprios repositórios, ambientes de desenvolvimento e ao Slack, de modo que o contexto do produto alimente o processo de desenvolvimento. Segundo o material, arquitetura, segurança, tratamento de dados e prontidão para produção seguem sob responsabilidade dos engenheiros, não do Codex nem de quem prototipa.

Dois exemplos concretos: Programs e o mapa da Copa

O caso cita dois projetos construídos dessa forma. O primeiro é o Programs, ferramenta para encontrar criadores, revisar candidatos, gerenciar projetos e acompanhar orçamento, com planos futuros de cobrir contratos e pagamentos. Jojo patrocinou o projeto e prototipou os fluxos de trabalho no Codex antes de entregar o material para os engenheiros refinarem e publicarem.

A equipe começou com o GPT‑5.4, fez a maior parte do trabalho com o GPT‑5.5 e usou o GPT‑6.1 para recursos posteriores, otimizações e correção de bugs, segundo a OpenAI. Jared estima que o Codex poupou dias, possivelmente semanas, de desenvolvimento, e que o Programs foi lançado com menos bugs do que teria se fosse escrito manualmente.

O recurso Programs se beneficiou da nossa capacidade de prototipar rápido, descartar o que não funcionava e manter o que funcionava.

Jared Kleinstein, fundador e CEO da GondolaThe Programs feature benefited from our ability to rapidly prototype, throw away things that didn't work, and keep the things that did.

O segundo exemplo é o World Cup Creator Map, construído neste ano para que marcas, agências e times encontrassem fotógrafos e videomakers nas cidades-sede da Copa do Mundo. Antes do Codex, ideias com prazo apertado como essa costumavam esperar na fila de engenharia até a janela de oportunidade passar. Dessa vez, a equipe transformou dados que já possuía numa experiência pronta a tempo, com Jojo novamente prototipando a interface completa antes de os engenheiros polirem para o lançamento. Jared descreve o processo como "incredibly quick" (incrivelmente rápido), atribuindo o resultado ao escopo pequeno e autocontido e ao prazo fixo do evento.

ChatGPT para rodar a operação com time enxuto

A segunda frente do caso é mais prosaica, mas igualmente reveladora do padrão de uso: a Gondola usa o ChatGPT para preparar propostas, organizar agendas, localizar informação espalhada em sistemas diferentes e automatizar tarefas administrativas.

Um exemplo citado é um relatório diário que integra Google Workspace (Gmail, Calendar, Sheets e Drive), além de Asana, Slack, QuickBooks e até informações de clima, consolidando tudo num resumo que cada funcionário usa para planejar o próprio dia. Jared afirma que montar esse relatório manualmente levaria "horas e horas de trabalho" (hours and hours of work), mas que a montagem via ChatGPT acontece rapidamente. O material frisa que uma pessoa ainda revisa qualquer saída relevante antes de ela ser enviada para fora da empresa ou usada numa decisão de negócio, o que é um detalhe importante de governança que normalmente some nesse tipo de relato.

Os números e o que eles realmente provam

Segundo a OpenAI, desde a adoção do Codex no início de 2026 a produção mensal do engenheiro líder da Gondola subiu cerca de 50%, medida em mudanças de código mescladas (merged changes). No time inteiro, o ganho foi de cerca de 25%, sem aumento de headcount de engenharia. A empresa também diz que está entregando mudanças maiores sem que o tempo de revisão de pull requests tenha piorado, e que a receita mais do que dobrou ano a ano, sem custo adicional de folha de pagamento ou overhead relevante. A Gondola também afirma ter ajudado marcas a contratar 2,5 vezes mais criadores no mesmo período.

São números expressivos, mas que pedem contexto antes de virarem benchmark generalizável. "Merged changes" é uma métrica de volume, não necessariamente de valor entregue: ela sobe quando mudanças pequenas e automatizáveis aumentam, o que é esperado quando ferramentas de IA entram em cena. A correlação entre adoção do Codex e dobra de receita também não isola outras variáveis, como o próprio crescimento do mercado de marketing de criadores ou a sazonalidade de um evento como a Copa do Mundo.

Quando essa abordagem não se aplica

O modelo da Gondola funciona porque a empresa é pequena, o produto tem escopo razoavelmente contido e os próprios fundadores assumem o risco de revisar o que é prototipado antes de ir para produção. Em times maiores, com bases de código mais antigas, requisitos de conformidade regulatória ou múltiplas equipes mexendo no mesmo serviço, deixar pessoas de produto mesclarem código direto no repositório principal levanta questões de segurança, propriedade de arquitetura e rastreabilidade que o caso nem tenta responder.

Também vale notar que o ganho de produtividade descrito concentra-se em prototipagem e tarefas operacionais, não em engenharia de sistemas complexa: o próprio material diz que arquitetura, segurança e dados continuam com engenheiros humanos. Para quem lidera times de desenvolvimento no Brasil avaliando o Codex ou ferramentas equivalentes, o caso da Gondola é um bom indício de onde a prototipagem assistida por IA encurta ciclo (ideias de negócio viram protótipo sem esperar fila), mas não substitui a disciplina de revisão técnica que separa um protótipo de um sistema em produção.

Fonte: OpenAI News