Case studies · Mercuri Finance
Mercuri Finance
A Mercuri está a construir uma camada de coordenação para liquidez concentrada, combinando comportamento autónomo de vaults com um modelo non-custodial, uma camada de sistema apoiada por AI e uma explicação pública mais forte do produto.
Providers used
Stats we reached:
+118%
ciclos internos de execução mais rápidos
+92%
enquadramento mais claro de produto e protocolo
-71%
overhead manual nas operações
-68%
trabalho repetitivo de outreach e coordenação
Challenge
O produto tinha de comunicar com clareza a coordenação de liquidez concentrada, o comportamento autónomo dos vaults e os limites de confiança de um modelo non-custodial, ao mesmo tempo que a equipa precisava de sistemas internos mais fortes para sustentar a velocidade de execução.
What we shipped
Apoiámos a experiência pública na web, tanto no site principal como na app, ajudámos a implementar partes do sistema de AI e trabalhámos em fluxos agentic com Claude e OpenAI para automatizar operações, marketing, outreach e trabalho de suporte à engenharia.
Outcome
A Mercuri tem agora uma presença pública mais coerente e maior alavancagem interna através de fluxos suportados por AI, ligando posicionamento de produto, exploração da interface, explicação do protocolo e execução do dia a dia num sistema operativo mais coeso.
Find this case familiar to you?
Contact us to find unique solution
O enquadramento público importava tanto quanto a interface
A Mercuri opera num espaço tecnicamente exigente. O produto tem de fazer sentido para utilizadores que exploram vaults autónomos de liquidez, sem perder de vista a complexidade real por trás da liquidez concentrada, da delegação e dos limites determinísticos de segurança.
- O site público precisava de explicar o produto sem cair em linguagem cripto genérica.
- A superfície da app tinha de parecer real e navegável, e não apenas conceptual.
- A narrativa técnica tinha de reforçar a confiança ao explicar claramente o modelo do sistema.
- A equipa também precisava de maior alavancagem interna para que o trabalho de execução avançasse mais depressa sem depender apenas de coordenação manual.
Apoiámos o sistema de AI e não apenas a superfície pública
O trabalho não se limitou à apresentação. Também apoiámos a implementação do sistema de AI da Mercuri, ajudando a ligar a direção pública do produto ao comportamento real do sistema e ao apoio operacional nos bastidores.
Isso permitiu que o projeto evoluísse para lá de uma simples camada de marketing ou de um documento de protocolo. A camada de AI, a UX pública e a explicação técnica foram moldadas como partes da mesma narrativa de produto.
Ajudámos a construir o sistema público do produto
Não se tratou apenas de apontar os utilizadores para alguns endpoints. Ajudámos a construir e a moldar o sistema público em torno da Mercuri: o site de marketing, a experiência da app, a narrativa do protocolo e o tecido de ligação que fazia tudo parecer um só produto, e não artefactos soltos.
- O site principal transportava o posicionamento, a explicação do produto e o enquadramento de confiança.
- A superfície da app dava aos utilizadores uma forma concreta de explorar a experiência do produto.
- O white paper formalizava o modelo do protocolo e reforçava a narrativa técnica.
Os fluxos agentic criaram alavancagem interna
Em paralelo com o trabalho no produto público, ajudámos a automatizar partes das operações, do marketing, do outreach e dos fluxos de engenharia da Mercuri usando skills e padrões de fluxos agentic construídos sobre Claude e OpenAI.
- Fluxos de apoio operacional que reduziram a coordenação manual repetida.
- Fluxos de marketing e outreach que tornaram o trabalho de conteúdos e seguimento mais sistemático.
- Ciclos de apoio à engenharia que ajudaram a equipa a avançar mais depressa com skills reutilizáveis e padrões agentic.
Porque é que a narrativa do produto funciona melhor em público
O material público tem agora uma linha condutora mais clara: a Mercuri apresenta-se como uma camada de coordenação para liquidez concentrada, com comportamento autónomo de vaults e um modelo non-custodial que os utilizadores podem inspecionar tanto na interface do produto como na documentação do protocolo. Internamente, a equipa também passou a ter maior alavancagem apoiada por AI em torno do trabalho de execução.
A liquidez concentrada exige monitorização contínua, reposicionamento frequente, raciocínio matemático preciso e capacidade de resposta às variações da volatilidade e das condições de gas.White paper da Mercuri, 15 de fevereiro de 2026
More case studies
A Minerva Cloud precisava de maior alavancagem interna na entrega de engenharia enquanto avançava com um sistema nativo de AI capaz de se tornar parte do próprio produto.
+132%
fluxo de entrega de engenharia mais rápido
+101%
ritmo mais forte de implementação do sistema de AI
A Melon precisava de passar de um conceito inicial para uma plataforma fintech lançada, com melhor desempenho de sistema, comportamento de produto mais claro e um ciclo de entrega mais coeso em toda a equipa.
+126%
entrega mais rápida desde a conceção até ao lançamento
+94%
maior fiabilidade da plataforma e clareza de produto
Precisa de um parceiro de engenharia de IA que saiba executar?
Ajudamos equipas em Portugal a integrar IA em produtos, automatizar processos de alto valor e modernizar os sistemas que suportam o negocio.