DEV Community: Georgii Motrenko

Como substituí o departamento financeiro por uma cadeia de agentes de IA

Georgii Motrenko — Wed, 25 Mar 2026 20:17:04 +0000

Tenho uma regra simples: se uma tarefa se repete mais de duas vezes, é hora de delegar. Antes, eu delegava para pessoas. Agora, para agentes de IA que trabalham diretamente com bancos de dados, planilhas e gerenciadores de tarefas.

Em três meses, construí um sistema de 17 skills de IA que assumiram toda a geração de relatórios financeiros de uma plataforma B2B com mais de 200 parceiros. Sem uma única linha de código tradicional.

Contexto: uma plataforma B2B e a rotina financeira

Trabalho como PO em uma plataforma B2B na interseção entre seguros e finanças. Agregamos produtos financeiros para parceiros: bancos, instituições de crédito, marketplaces. Cada parceiro quer ver seu próprio funil - solicitações, conversões, desembolsos, comissões.

Com mais de 200 parceiros ativos, a geração de relatórios vira uma esteira:

Relatórios diários - toda manhã o parceiro espera os números do dia anterior
Conciliações mensais - centenas de linhas de operações detalhadas por fornecedores, com diferentes percentuais de divisão de receita
Solicitações pontuais - "me mostra a conversão desse produto nas últimas duas semanas"
Documentos jurídicos - geração de contratos-padrão para novos parceiros

2 a 3 horas por dia, duas pessoas. Um caso clássico para delegação - mas não havia para quem delegar. Então surgiu uma ferramenta capaz de trabalhar sozinha com SQL, APIs e planilhas.

Não é um agente - é uma cadeia de agentes

Uma distinção importante: não se trata de "um bot inteligente que faz tudo". É um sistema de agentes especializados, cada um resolvendo uma tarefa específica. Na terminologia do Claude Code, cada agente é uma skill (slash-command) com lógica claramente definida.

Os agentes estão conectados por uma infraestrutura compartilhada:

MCP server para o banco de dados (MS SQL, somente leitura) - o agente constrói consultas SQL e recupera dados
Google Sheets API - criação de planilhas, escrita de dados, formatação, fórmulas
Google Drive - armazenamento de arquivos, upload de exportações de fornecedores
Gerenciador de tarefas - sincronização com tarefas da equipe
GitLab API - análise de produtividade da equipe de desenvolvimento

Um agente gera relatórios financeiros. Outro executa conciliações mensais. Um terceiro coleta estatísticas da equipe de desenvolvimento. Um quarto transcreve gravações de reuniões e produz relatórios estruturados. Eles não se conhecem entre si, mas operam dentro de um único ecossistema.

Como funciona a skill mais usada: o relatório financeiro

O gestor digita um único comando - o nome do parceiro e um intervalo de datas. 40 segundos depois, um relatório completo aparece no Google Sheets. Veja o que acontece nesses 40 segundos:

1. Resolução da contraparte
O agente mantém um mapeamento de apelidos legíveis para identificadores internos. Não é preciso lembrar UUIDs - um nome curto é suficiente.

2. Consulta ao banco de dados
Uma consulta SQL é gerada, construindo o funil de um produto financeiro: solicitações -> transições -> desembolsos -> comissões. A consulta considera os status corretos das operações - isso por si só já é uma história à parte, porque a documentação do banco de dados nem sempre corresponde aos valores reais dos enums.

3. Agregação
Os dados são agrupados por dia, as taxas de conversão entre etapas são calculadas, os totais de comissão são somados. Parceiros diferentes têm condições diferentes de divisão de receita - o agente lida com isso.

4. Escrita e formatação
Uma planilha é criada ou atualizada: cabeçalhos, dados, linhas de resumo, formatos numéricos, largura das colunas. A formatação é aplicada estritamente após a escrita dos dados - se você fizer ambos simultaneamente, a API às vezes aplica estilos em células vazias (os dados ainda não chegaram).

5. Autoverificação
O agente relê o que escreveu e compara com os dados de origem. Isso não é paranoia - a Google Sheets API realmente descarta linhas durante escritas em lote. Sem verificação, erros são inevitáveis.

Conciliações mensais: quando um agente não é suficiente

O relatório diário é uma tarefa relativamente simples. A conciliação mensal é um nível completamente diferente.

O tráfego de um único parceiro pode passar por 3 a 4 fornecedores. Cada um tem seu próprio formato de exportação, suas próprias regras de correspondência de operações, suas próprias taxas de comissão. É preciso:

Baixar os arquivos dos fornecedores do armazenamento em nuvem
Conciliar cada operação com os dados do nosso banco
Calcular comissões com diferentes divisões para diferentes parceiros
Gerar uma planilha resumo com fórmulas
Tudo em um único documento, com abas separadas para cada contraparte

Antes, isso levava um dia inteiro de trabalho. Agora - um comando com dois parâmetros e 3 a 5 minutos de espera.

O que mais o sistema cobre

Em três meses, os agentes se expandiram muito além dos relatórios:

Skill	Tarefa	Tempo
Relatório Financeiro	Funil de um único parceiro	40 seg
Resumo Diário	Relatório de todos os parceiros ativos	2-3 min
Conciliação Mensal	Conciliação com fornecedores e fórmulas	3-5 min
Gerador de Contratos	Contrato-padrão para novo parceiro	1-2 min
Gestão de Equipe	Gerenciamento da equipe de produto	interativo
GitLab Analytics	Comparação de atividade de devs em 17 repos	2-3 min
Relatório de Reunião	Transcrição de reunião (600+ segmentos) -> relatório estruturado	3-5 min
Recrutamento	Busca de candidatos por parâmetros	interativo

17 skills, 9 MCP servers (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Nenhuma linha de Python, Go ou TypeScript. Toda a lógica vive em arquivos markdown com instruções para o agente.

Por que Claude Code, e não LangChain

Testei diversas abordagens:

ChatGPT + Zapier - primitivo demais, sem acesso direto ao banco de dados
LangChain/LangGraph - exige um desenvolvedor, ciclos longos de iteração
API customizada + GPT-4 - funciona, mas cada mudança = rebuild e redeploy

Claude Code venceu por uma única razão: ciclo de feedback de 30 segundos. Escreve a instrução -> testa -> corrige -> funciona. Sem deployment, sem CI/CD, sem Docker. Os MCP servers dão ao agente acesso direto à infraestrutura, e as skills são apenas arquivos de texto contendo lógica de negócio.

Arquitetura:

Claude Code - runtime, o cérebro
MCP servers - ponte para sistemas externos (banco de dados, Google, GitLab, Tracker)
Skills - arquivos markdown com instruções (lógica de negócio)
Google Sheets/Drive - camada de apresentação para os usuários

Armadilhas que vale a pena conhecer

A Google Sheets API não é atômica. Escreva 100 linhas - pode ser que encontre apenas 97 na planilha. A regra: sempre releia e verifique após cada escrita. Sem isso, bugs vão aparecer regularmente e silenciosamente.

A documentação do banco de dados mente. O MCP server para SQL retorna um glossário com descrições das tabelas. Mas os valores reais dos enums podem não corresponder à documentação. Perdemos um dia inteiro até começarmos a fazer join direto nas tabelas de referência, em vez de confiar no glossário.

Formatação é uma etapa separada. Se você escreve dados e aplica estilos simultaneamente, a API pode formatar células vazias (os dados ainda não chegaram). Primeiro os dados -> verificação -> depois o visual.

O contexto não é infinito. Ao processar grandes volumes (200+ linhas), o agente pode perder seu contexto inicial. A solução: o agente mantém um log de cada etapa e periodicamente o relê. Parece estranho, mas funciona - essencialmente, o agente cria sua própria "memória externa".

Merge commits inflam as estatísticas. Ao analisar produtividade via GitLab API, descobrimos que tanto commits de feature quanto merge commits são contados separadamente. E código autogerado (migrações de ORM) pode inflar as estatísticas em 20.000+ linhas. Sem filtragem, os números não fazem sentido.

Os apelidos das pessoas não batem entre sistemas. O mesmo desenvolvedor pode aparecer com nomes diferentes no GitLab, no gerenciador de tarefas e no e-mail corporativo. O agente mantém um mapeamento de apelidos - sem ele, relatórios de uma equipe de 11 pessoas simplesmente não fecham.

Os números

Métrica	Antes	Depois
Relatórios diários	2-3 horas/dia	5-10 minutos
Conciliação mensal	8 horas	5 minutos
Geração de contratos	2-3 horas	2 minutos
Erros em relatórios	3-5/mês	0 (verificação)
Pessoas na rotina financeira	2	0 (o PO resolve)

~60 horas-pessoa economizadas por mês. Custo do Claude Code - US$ 200/mês no plano Max.

Três coisas que aprendi

Agentes de IA são ferramenta de gestor, não de desenvolvedor. Um PO que entende o processo constrói automação funcional mais rápido do que uma equipe passando pelo ciclo clássico de especificação -> sprint -> review -> deploy. Porque não há tradução de "linguagem de negócio" para "código" e vice-versa.

MCP servers são o que transforma um chatbot em um operador. Sem acesso a bancos de dados e APIs, um agente só consegue gerar texto. Com MCP, ele se torna um participante pleno do fluxo de trabalho - operando os mesmos sistemas que um funcionário humano usaria.

Verificação importa mais do que geração. 80% do esforço foi dedicado não aos prompts, mas ao sistema de verificação. Cada etapa é checada: os dados foram escritos? As fórmulas batem? A formatação está correta? Um agente que não verifica seu próprio trabalho é um agente que eventualmente vai falhar silenciosamente.

Se você é um gestor que gasta horas em rotina de dados - comece com uma skill. Automatize o relatório mais doloroso. Quando você vir uma tarefa de três horas concluída em um minuto - as outras 16 skills vão surgir naturalmente.

Sobre o autor: Georgii Motrenko - PO / Head of Product Growth em uma plataforma B2B de InsurTech/FinTech. Construindo cadeias de agentes de IA para automatizar operações financeiras e de produto.

Me siga:

LinkedIn
Telegram - canal Geo in IT
Threads

Cómo reemplacé al departamento financiero con una cadena de agentes de IA

Georgii Motrenko — Wed, 25 Mar 2026 20:16:35 +0000

Tengo una regla sencilla: si una tarea se repite más de dos veces, es hora de delegarla. Antes la delegaba a personas. Ahora, a agentes de IA que trabajan directamente con bases de datos, hojas de cálculo y gestores de tareas.

En tres meses, construí un sistema de 17 habilidades de IA que se hizo cargo de toda la información financiera de una plataforma B2B con más de 200 socios. Sin una sola línea de código tradicional.

Contexto: una plataforma B2B y la rutina financiera

Trabajo como PO en una plataforma B2B en la intersección entre seguros y finanzas. Agregamos productos financieros para socios: bancos, entidades de crédito, marketplaces. Cada socio quiere ver su propio embudo: solicitudes, conversiones, desembolsos, comisiones.

Con más de 200 socios activos, los informes se convierten en una cadena de producción:

Informes diarios - cada mañana el socio espera las cifras del día anterior
Conciliaciones mensuales - cientos de filas de operaciones desglosadas por proveedores, con diferentes porcentajes de reparto de ingresos
Solicitudes ad-hoc - "muéstrame la conversión de este producto en las últimas dos semanas"
Documentos legales - generación de contratos estándar para nuevos socios

2-3 horas al día, dos personas. Un caso de manual para delegar, pero no había a quién hacerlo. Entonces apareció una herramienta capaz de trabajar con SQL, APIs y hojas de cálculo por sí sola.

No un agente, sino una cadena de agentes

Una distinción importante: esto no es "un bot inteligente que hace todo". Es un sistema de agentes especializados, cada uno resolviendo una tarea concreta. En la terminología de Claude Code, cada agente es una habilidad (slash-command) con una lógica claramente definida.

Los agentes están conectados a través de una infraestructura compartida:

Servidor MCP para la base de datos (MS SQL, solo lectura) - el agente construye consultas SQL y recupera datos
Google Sheets API - creación de hojas de cálculo, escritura de datos, formato, fórmulas
Google Drive - almacenamiento de archivos, carga de exportaciones de proveedores
Gestor de tareas - sincronización con las tareas del equipo
GitLab API - análisis de productividad del equipo de desarrollo

Un agente genera informes financieros. Otro ejecuta conciliaciones mensuales. Un tercero recopila estadísticas del equipo de desarrollo. Un cuarto transcribe grabaciones de reuniones y produce informes estructurados. No se conocen entre sí, pero operan dentro de un mismo ecosistema.

Cómo funciona la habilidad más utilizada: el informe financiero

Un gestor introduce un solo comando - el nombre del socio y un rango de fechas. 40 segundos después, aparece un informe completo en Google Sheets. Esto es lo que ocurre durante esos 40 segundos:

1. Resolución de contraparte
El agente mantiene un mapeo de alias legibles para humanos a identificadores internos. No es necesario recordar UUIDs - basta con un nombre corto.

2. Consulta a la base de datos
Se genera una consulta SQL que construye el embudo de un producto financiero: solicitudes → transiciones → desembolsos → comisiones. La consulta tiene en cuenta los estados correctos de las operaciones - eso es toda una historia en sí misma, porque la documentación de la base de datos y los valores reales de los enumerados no siempre coinciden.

3. Agregación
Los datos se agrupan por día, se calculan las tasas de conversión entre etapas y se suman los totales de comisiones. Diferentes socios tienen diferentes condiciones de reparto de ingresos - el agente se encarga de eso.

4. Escritura y formato
Se crea o actualiza una hoja de cálculo: encabezados, datos, filas de resumen, formatos numéricos, anchos de columna. El formato se aplica estrictamente después de escribir los datos - si se hace todo simultáneamente, la API a veces aplica estilos a celdas vacías (los datos aún no han llegado).

5. Autoverificación
El agente relee lo que escribió y lo compara con los datos de origen. No es paranoia - la API de Google Sheets realmente pierde filas durante las escrituras por lotes. Sin verificación, los errores son inevitables.

Conciliaciones mensuales: cuando un solo agente no es suficiente

El informe diario es una tarea relativamente sencilla. La conciliación mensual es otra liga completamente distinta.

El tráfico de un solo socio puede pasar por 3-4 proveedores. Cada uno tiene su propio formato de exportación, sus propias reglas de cruce de operaciones, sus propias tasas de comisión. Es necesario:

Descargar los archivos de los proveedores desde el almacenamiento en la nube
Cruzar cada operación con los datos de nuestra base de datos
Calcular las comisiones con diferentes repartos para diferentes socios
Generar una hoja resumen con fórmulas
Todo en un solo documento, con pestañas separadas para cada contraparte

Esto antes llevaba una jornada laboral completa. Ahora - un comando con dos parámetros y 3-5 minutos de espera.

Qué más cubre el sistema

En tres meses, los agentes se expandieron mucho más allá de los informes:

Habilidad	Tarea	Tiempo
Informe financiero	Embudo para un solo socio	40 seg
Resumen diario	Informe de todos los socios activos	2-3 min
Conciliación mensual	Conciliación con proveedores y fórmulas	3-5 min
Generador de contratos	Contrato estándar para un nuevo socio	1-2 min
Gestor de equipo	Gestión del equipo de producto	interactivo
Analítica GitLab	Comparación de actividad de desarrolladores en 17 repos	2-3 min
Informe de reunión	Transcripción de reunión (600+ segmentos) → informe estructurado	3-5 min
Reclutamiento	Búsqueda de candidatos por parámetros	interactivo

17 habilidades, 9 servidores MCP (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Ni una sola línea de Python, Go o TypeScript. Toda la lógica reside en archivos markdown con instrucciones para el agente.

Por qué Claude Code y no LangChain

Probé varios enfoques:

ChatGPT + Zapier - demasiado primitivo, sin acceso directo a la base de datos
LangChain/LangGraph - requiere un desarrollador, ciclos de iteración largos
API personalizada + GPT-4 - funciona, pero cada cambio = reconstruir y redesplegar

Claude Code ganó por una sola cosa: un ciclo de retroalimentación de 30 segundos. Escribes una instrucción → pruebas → corriges → funciona. Sin despliegues, sin CI/CD, sin Docker. Los servidores MCP dan al agente acceso directo a la infraestructura, y las habilidades son simplemente archivos de texto con lógica de negocio.

Arquitectura:

Claude Code - runtime, el cerebro
Servidores MCP - puente hacia sistemas externos (base de datos, Google, GitLab, Tracker)
Habilidades - archivos markdown con instrucciones (lógica de negocio)
Google Sheets/Drive - capa de presentación para los usuarios

Trampas que conviene conocer

La API de Google Sheets no es atómica. Escribes 100 filas y puede que en la hoja de cálculo solo encuentres 97. La regla: siempre releer y verificar después de cada escritura. Sin esto, los errores aparecerán de forma regular y silenciosa.

La documentación de la base de datos miente. El servidor MCP para SQL devuelve un glosario con descripciones de tablas. Pero los valores reales de los enumerados pueden no coincidir con la documentación. Perdimos un día entero antes de empezar a hacer joins directos con las tablas de referencia en lugar de confiar en el glosario.

El formato es un paso separado. Si escribes datos y aplicas estilos simultáneamente, la API puede formatear celdas vacías (los datos aún no han llegado). Primero datos → verificación → luego la parte visual.

El contexto no es infinito. Al procesar grandes volúmenes (más de 200 filas), el agente puede perder su contexto inicial. La solución: el agente mantiene un registro de cada paso y lo relee periódicamente. Suena extraño, pero funciona - en esencia, el agente crea su propia "memoria externa".

Los merge commits inflan las estadísticas. Al analizar productividad a través de la API de GitLab, resultó que tanto los commits de funcionalidades como los merge commits se cuentan por separado. Y el código autogenerado (migraciones ORM) puede inflar las estadísticas en más de 20.000 líneas. Sin filtrado, los números carecen de sentido.

Los alias de las personas no coinciden entre sistemas. El mismo desarrollador puede aparecer con nombres diferentes en GitLab, el gestor de tareas y el correo corporativo. El agente mantiene un mapeo de alias - sin él, los informes de un equipo de 11 personas simplemente no cuadran.

Las cifras

Métrica	Antes	Después
Informes diarios	2-3 horas/día	5-10 minutos
Conciliación mensual	8 horas	5 minutos
Generación de contratos	2-3 horas	2 minutos
Errores en informes	3-5/mes	0 (verificación)
Personas en rutina financiera	2	0 (lo gestiona el PO)

~60 horas-persona ahorradas al mes. Coste de Claude Code: 200 $/mes en el plan Max.

Tres cosas que aprendí

Los agentes de IA son una herramienta de gestores, no de desarrolladores. Un PO que entiende el proceso construye automatizaciones funcionales más rápido que un equipo siguiendo el ciclo clásico de especificaciones → sprint → revisión → despliegue. Porque no hay traducción del "lenguaje de negocio" al "código" y viceversa.

Los servidores MCP son lo que convierte un chatbot en un operador. Sin acceso a bases de datos y APIs, un agente solo puede generar texto. Con MCP, se convierte en un participante activo del flujo de trabajo, operando los mismos sistemas que usaría un empleado humano.

La verificación importa más que la generación. El 80 % del esfuerzo no se dedicó a los prompts, sino al sistema de verificación. Cada paso se comprueba: ¿se escribieron los datos? ¿Las fórmulas cuadran? ¿El formato es correcto? Un agente que no verifica su propio trabajo es un agente que tarde o temprano fallará en silencio.

Si eres gestor y pasas horas en rutinas de datos, empieza con una sola habilidad. Automatiza el informe más doloroso. Cuando veas una tarea de tres horas completada en un minuto, las otras 16 habilidades vendrán solas.

Sobre el autor: Georgii Motrenko - PO / Head of Product Growth en una plataforma B2B de InsurTech/FinTech. Construye cadenas de agentes de IA para automatizar operaciones financieras y de producto.

Sígueme:

LinkedIn
Telegram - canal Geo in IT
Threads

How I Replaced the Finance Department with a Chain of AI Agents

Georgii Motrenko — Wed, 25 Mar 2026 12:49:29 +0000

How I Replaced the Finance Department with a Chain of AI Agents

I have a simple rule: if a task repeats more than twice — it's time to delegate. I used to delegate to people. Now — to AI agents that work with databases, spreadsheets, and task trackers directly.

Over three months, I built a system of 17 AI skills that took over all financial reporting for a B2B platform with 200+ partners. Without a single line of traditional code.

Context: A B2B Platform and Financial Routine

I work as a PO at a B2B platform at the intersection of insurance and finance. We aggregate financial products for partners: banks, lending institutions, marketplaces. Each partner wants to see their own funnel — applications, conversions, disbursements, commissions.

With 200+ active partners, reporting becomes a conveyor belt:

Daily reports — every morning a partner expects yesterday's numbers
Monthly reconciliations — hundreds of rows of deals broken down by vendors, with different revenue-split percentages
Ad-hoc requests — "show me the conversion for this product over the last two weeks"
Legal documents — generating standard contracts for new partners

2–3 hours a day, two people. A textbook case for delegation — but there was nobody to delegate to. Then a tool appeared that can work with SQL, APIs, and spreadsheets on its own.

Not One Agent — a Chain of Agents

An important distinction: this isn't "one smart bot that does everything." It's a system of specialized agents, each solving a specific task. In Claude Code terminology, each agent is a skill (slash-command) with clearly defined logic.

The agents are connected through shared infrastructure:

MCP server for the database (MS SQL, read-only) — the agent builds SQL queries and retrieves data
Google Sheets API — creating spreadsheets, writing data, formatting, formulas
Google Drive — file storage, uploading vendor exports
Task tracker — syncing with team tasks
GitLab API — analyzing development team productivity

One agent generates financial reports. Another runs monthly reconciliations. A third collects dev team statistics. A fourth transcribes meeting recordings and produces structured reports. They don't know about each other, but they operate within a single ecosystem.

How the Most Frequently Used Skill Works: The Financial Report

A manager enters a single command — the partner name and a date range. 40 seconds later, a complete report appears in Google Sheets. Here's what happens during those 40 seconds:

1. Counterparty Resolution
The agent maintains a mapping of human-readable aliases to internal identifiers. No need to remember UUIDs — a short name is enough.

2. Database Query
A SQL query is generated that builds the funnel for a financial product: applications → transitions → disbursements → commissions. The query accounts for the correct deal statuses — that's a story in itself, because the database documentation and the actual enum values don't always match.

3. Aggregation
Data is grouped by day, conversion rates between stages are calculated, commission totals are summed. Different partners have different revenue-sharing terms — the agent handles that.

4. Writing and Formatting
A spreadsheet is created or updated: headers, data, summary rows, number formats, column widths. Formatting is applied strictly after data is written — if you do both simultaneously, the API sometimes applies styles to empty cells (the data hasn't arrived yet).

5. Self-Verification
The agent re-reads what it wrote and compares it against the source data. This isn't paranoia — Google Sheets API actually drops rows during batch writes. Without verification, errors are inevitable.

Monthly Reconciliations: When One Agent Isn't Enough

The daily report is a relatively straightforward task. Monthly reconciliation is a different league entirely.

A single partner's traffic might flow through 3–4 vendors. Each has its own export format, its own rules for matching deals, its own commission rates. You need to:

Download vendor files from cloud storage
Match each deal against data in our database
Calculate commissions with different splits for different partners
Generate a summary sheet with formulas
All in one document, with separate tabs for each counterparty

This used to take a full workday. Now — a command with two parameters and 3–5 minutes of waiting.

What Else the System Covers

Over three months, the agents expanded well beyond reporting:

Skill	Task	Time
Financial Report	Funnel for a single partner	40 sec
Daily Digest	Report across all active partners	2–3 min
Monthly Reconciliation	Vendor reconciliation with formulas	3–5 min
Contract Generator	Standard contract for a new partner	1–2 min
Team Tracker	Product team management	interactive
GitLab Analytics	Developer activity comparison across 17 repos	2–3 min
Meeting Report	Meeting transcription (600+ segments) → structured report	3–5 min
Recruiting	Candidate search by parameters	interactive

17 skills, 9 MCP servers (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Not a single line of Python, Go, or TypeScript. All logic lives in markdown files with instructions for the agent.

Why Claude Code, Not LangChain

I tried several approaches:

ChatGPT + Zapier — too primitive, no direct database access
LangChain/LangGraph — requires a developer, long iteration cycles
Custom API + GPT-4 — works, but every change = rebuild and redeploy

Claude Code won because of one thing: a 30-second feedback loop. Write an instruction → test → fix → it works. No deployment, no CI/CD, no Docker. MCP servers give the agent direct access to infrastructure, and skills are just text files containing business logic.

Architecture:

Claude Code — runtime, the brain
MCP servers — bridge to external systems (database, Google, GitLab, Tracker)
Skills — markdown files with instructions (business logic)
Google Sheets/Drive — presentation layer for users

Pitfalls Worth Knowing About

Google Sheets API is not atomic. Write 100 rows — you might find only 97 in the spreadsheet. The rule: always re-read and verify after every write. Without this, bugs will appear regularly and silently.

Database documentation lies. The MCP server for SQL returns a glossary with table descriptions. But actual enum values may not match the documentation. We lost an entire day before we started joining reference tables directly instead of trusting the glossary.

Formatting is a separate step. If you write data and apply styles simultaneously, the API may format empty cells (the data hasn't landed yet). Data first → verification → then visuals.

Context is not infinite. When processing large volumes (200+ rows), the agent can lose its initial context. The solution: the agent keeps a log of every step and periodically re-reads it. This sounds odd, but it works — essentially, the agent creates its own "external memory."

Merge commits inflate statistics. When analyzing productivity via the GitLab API, it turned out that both feature commits and merge commits are counted separately. And auto-generated code (ORM migrations) can bloat statistics by 20,000+ lines. Without filtering, the numbers are meaningless.

People's aliases don't match across systems. The same developer can appear under different names in GitLab, the task tracker, and corporate email. The agent maintains an alias mapping — without it, reports for a team of 11 simply won't come together.

The Numbers

Metric	Before	After
Daily reports	2–3 hours/day	5–10 minutes
Monthly reconciliation	8 hours	5 minutes
Contract generation	2–3 hours	2 minutes
Errors in reports	3–5/month	0 (verification)
People on financial routine	2	0 (PO handles it)

~60 person-hours saved per month. Cost of Claude Code — $200/month on the Max plan.

Three Things I Learned

AI agents are a manager's tool, not a developer's. A PO who understands the process builds working automation faster than a team going through the classic cycle of specs → sprint → review → deploy. Because there's no translation from "business language" to "code" and back.

MCP servers are what turn a chatbot into an operator. Without access to databases and APIs, an agent can only generate text. With MCP, it becomes a full participant in the workflow — operating the same systems a human employee would.

Verification matters more than generation. 80% of the effort went not into prompts, but into the verification system. Every step is checked: did the data get written? Do the formulas add up? Is the formatting correct? An agent that doesn't check its own work is an agent that will eventually fail silently.

If you're a manager spending hours on data routine — start with one skill. Automate the most painful report. Once you see a three-hour task completed in a minute — the other 16 skills will follow naturally.

About the author: Georgii Motrenko — PO / Head of Product Growth in a B2B InsurTech/FinTech platform. Building chains of AI agents to automate financial and product operations.

Follow me:

LinkedIn
Telegram — Geo in IT channel
Threads