O novo jogo de produto com IA
A IA derruba o preço do trabalho mecânico de descoberta, PRD e priorização. O que passa a valer mais é o seu julgamento sobre qual problema resolver. E tem um porém que engana até gente experiente: usuário sintético não substitui usuário real.
Sexta à tarde, e o roadmap do próximo trimestre precisa estar fechado até segunda de manhã. Antes, isso era o fim de semana inteiro: reler o board de feedback item por item, tabular a pesquisa, montar o PRD, desenhar o gráfico de prioridade. Hoje a IA faz a primeira versão de tudo isso em minutos: agrupa os tickets, rascunha o PRD, até sugere uma "persona sintética" que representaria o seu usuário. A pergunta que separa o PM caro do barato não é mais "você sabe documentar?". É: "você sabe qual problema vale a pena resolver agora, e essa persona que a IA inventou realmente parece com o seu usuário, ou é a média de um usuário genérico que não existe?".
Sexta-feira, seis da tarde. Você precisa fechar a análise de variância do mês e ainda escrever o resumo pro board de segunda. Antes, isso era a sua noite inteira: puxar número, conferir, montar a tabela, formatar, escrever. Hoje a IA faz a primeira versão de tudo isso em minutos. A pergunta que separa o profissional caro do barato não é mais "você sabe montar?". É: "você sabe o que esse número quer dizer, e o que fazer com ele?".
Você joga um contrato de sessenta páginas na IA e pede um parecer sobre o risco da cláusula de rescisão. Em trinta segundos volta um texto impecável, com tom de quem tem certeza, citando um artigo de lei e um precedente. Você quase assina embaixo. Só que aquele precedente não existe, e o artigo citado fala de outra coisa.
Segunda de manhã, e o calendário da semana precisa dos cinco posts prontos até meio-dia. Você pede o rascunho pra IA, ela entrega textos bonitos em minutos. O problema aparece quando você confere a taxa de engajamento que ela citou pra justificar o tom da campanha: um número que parece de benchmark e não veio de lugar nenhum.
Você precisa fechar a triagem de uma vaga concorrida e ainda preparar o feedback de três avaliações de desempenho. Antes isso comia o seu dia inteiro. Hoje a IA faz o primeiro corte e o rascunho do feedback em minutos, só que também te entrega, com a mesma confiança de sempre, uma taxa de aceite de proposta que "parece razoável" pro mercado, sem nunca ter olhado o seu funil real, que é bem mais apertado.
Segunda de manhã, e a squad quer saber qual feature entra no próximo ciclo. Você joga o board de feedback inteiro na IA e pede uma priorização. Em minutos ela devolve um score de RICE bonito para cada item, junto com uma frase de "usuário sintético" dizendo o quanto sentiria falta da feature X. Parece pesquisa. Não é. Aquela fala nunca saiu da boca de ninguém: é uma média estatística vestida de aspas de entrevista. A pergunta que separa o PM que entende de IA do que só usa a ferramenta não é mais "você sabe rodar o RICE?". É: "você sabe distinguir o padrão real que veio da sua base de usuários do padrão médio que a IA inventou pra preencher a lacuna?".
Sexta à tarde, e você precisa atualizar o forecast e mandar três propostas pendentes. Antes isso era a sua noite inteira. Hoje a IA gera o rascunho de tudo isso em minutos, mas também aplica, com a mesma segurança de sempre, uma taxa de conversão de proposta pra fechado que é média de mercado, não a do seu funil no CRM.
Começo de turno, e você precisa entender por que o SLA estourou ontem e ajustar a operação pra hoje. Antes isso era horas cruzando planilha de entrega, montando o painel. Hoje a IA puxa os dados e rascunha o relato em minutos, só que também estima, com a mesma cara de certeza, uma taxa de avaria que não bate com a sua operação, que roda pior.
Véspera de auditoria, e você precisa fechar o mapa de riscos e revisar se as políticas de LGPD batem com a prática. Antes isso era dias lendo controle por controle. Hoje a IA varre os documentos e rascunha a matriz em minutos, mas também assume, com a mesma confiança de sempre, uma probabilidade de autuação que "parece moderada" pra um caso genérico, sem conhecer as notificações que você já recebeu este ano.
Sexta à noite, e tem um deploy travado e um incidente em produção pra postmortem. Antes isso era a madrugada inteira lendo log. Hoje a IA puxa os logs e sugere o patch em minutos, mas também aponta, com a mesma cara de certeza, uma causa raiz que "parece plausível" pra qualquer stack parecida, sem ter cruzado o seu histórico real de deploy.
Final de sprint, e você precisa sintetizar as entrevistas de pesquisa antes do teste de usabilidade. Antes isso era horas transcrevendo e agrupando achados. Hoje a IA resume as entrevistas em minutos, só que também assume, com a mesma segurança de sempre, um ponto de abandono que "parece óbvio" pra um fluxo qualquer, sem ter visto a sua última pesquisa real com usuário.
Domingo à noite, e o board quer a análise de expansão pronta pra terça: antes isso era o fim de semana inteiro cruzando dado de concorrente, rodando cenário, montando o deck. Hoje a IA monta a primeira versão em minutos, TAM, SAM e curva de adoção prontos. O problema é que ela também entrega, com a mesma cara de certeza, uma taxa de penetração que inventou porque "parece razoável" pra um mercado genérico, sem nunca ter visto que o seu último lançamento converteu bem menos.
Putz, deixa eu começar com uma verdade meio incômoda sobre produto. Boa parte do que te deixou orgulhoso a vida inteira, ler a pesquisa inteira, tabular o feedback, escrever o PRD do zero, montar o gráfico de prioridade, a IA agora faz em minutos. Pensa comigo: isso assusta ou liberta? A resposta certa depende de você entender qual parte do seu trabalho virou commodity e qual parte ficou valendo mais. Essa é a aula que arruma essa conta.
A ideia central desta aula. A IA derruba o preço da parte mecânica da descoberta de produto: agrupar feedback, rascunhar o PRD, calcular o score de prioridade, formatar o documento. Isso é boa notícia, porque sobra mais de você para a parte que a IA não faz: decidir qual problema vale a pena resolver agora, entender o que o usuário quer dizer de verdade e assinar a decisão de roadmap. Mas o produto tem um porém que engana até gente experiente: a IA adora te oferecer um "usuário sintético", uma persona ou uma citação que soa como pesquisa e não é. Usuário sintético não substitui usuário real. Esta trilha te ensina a operar nesse novo jogo.
01O que a IA comoditiza (e por que isso é boa notícia)
Vamos chamar o boi pelo nome. Estas coisas, que tomavam horas suas, a IA já faz rápido e barato:
- O agrupamento do feedback bruto, tickets, respostas de NPS, comentários de review, tudo junto numa primeira leitura.
- A primeira leitura: "o que se repete neste lote de feedback?".
- O rascunho do PRD: estrutura, seções, o esqueleto do documento.
- O cálculo de prioridade: rodar o RICE ou o framework que você escolher em cima de números que você fornece.
A grande questão aqui é simples: quando o trabalho mecânico fica barato, ele para de ser o seu diferencial. O PM que só sabia organizar o board perde valor. Soa duro, mas tem um outro lado, e é o lado bom.
O que muda de lugar no seu dia:
A boa notícia é essa: o tempo que você gastava no mecânico não desaparece, ele se desloca pra parte que vale mais. Quem entende isso para de ter medo da IA e começa a usá-la pra subir de altitude. Beleza?
02O que continua sendo seu (e ficou mais caro)
Aqui está a parte que a IA não faz por você, e que justamente por isso passou a valer mais:
- Qual problema vale a pena resolver. A IA agrupa o feedback, mas escolher qual dor entra no roadmap deste ciclo é leitura de estratégia, e é sua.
- O "e daí?". A métrica caiu, a feature não pegou. E daí? O que isso significa pro produto, o que se prioriza a respeito. A IA descreve; você interpreta e decide.
- A decisão de roadmap. A IA recomenda, mas quem assina o que entra no próximo ciclo, e responde se der errado, é uma pessoa. Sempre.
- A narrativa pra quem aprova. Traduzir o problema numa história que o time e a liderança entendem e na qual agem. Isso é influência, e influência não comoditiza.
Repara que tudo isso é julgamento, não organização. E julgamento é exatamente o que fica caro quando organizar fica barato. O seu valor, daqui pra frente, mora muito mais no "qual problema resolver e por quê" do que no "consegui montar o documento".
03O porém do produto: usuário sintético não é usuário real
Agora a parte que eu não posso deixar você esquecer, porque no produto ela custa caro de um jeito sutil. Pedir pra IA simular um usuário, ou gerar uma "persona sintética" pra testar uma ideia rápido, parece um atalho genial. E às vezes até ajuda a organizar o pensamento. O problema é confundir esse exercício com pesquisa de verdade.
Uma persona sintética é, na prática, a média estatística do que milhões de pessoas escreveram na internet, prevista palavra por palavra. Ela tende a te devolver a opinião de consenso, a resposta mais provável, o caso mais comum. O que você mais precisa numa descoberta de produto costuma ser justamente o contrário: a exceção que ninguém tinha percebido, a dor específica do seu nicho, a frase estranha que o usuário real usa e que revela o problema de um jeito que nenhuma média captura.
Saiba mais: por que a persona sintética converge para a média
Vale entender o mecanismo, porque isso muda como você usa a ferramenta. Um modelo de linguagem prevê a resposta mais provável dado tudo que ele já viu. Quando você pede "simule um usuário do meu produto reagindo a essa feature", ele não tem acesso ao seu usuário real: ele monta uma resposta plausível a partir do padrão médio de textos parecidos que existem no mundo. Isso é ótimo pra rascunhar uma hipótese ou treinar como você vai conduzir uma entrevista. É perigoso quando você trata essa resposta como se fosse dado de pesquisa, porque ela sistematicamente empurra pro centro, pro senso comum, e apaga exatamente a divergência que costuma ser o insight que vale dinheiro.
Por isso, a regra de ouro desta trilha, que você vai ver repetida em toda coreografia: usuário sintético serve pra explorar hipótese e ensaiar pergunta; decisão de produto se apoia em usuário real, sempre. Não é desconfiança da ferramenta, é entender pra que ela serve. A IA acelera o rascunho da pesquisa; você garante que a voz que decide o roadmap é uma voz que existe de verdade.
04O mapa desta trilha
Esta aula foi o enquadramento. O resto do módulo é mão na massa, instalando sistemas no seu trabalho real, um de cada vez:
- Conectar a IA ao contexto do seu produto: backlog, analytics e pesquisa, cada um do seu jeito.
- Do feedback bruto ao insight que vira decisão.
- O PRD que sai redigido pronto pro agente executar.
- Priorização com evidência real, não com o achismo da IA.
- Do rascunho ao protótipo testável, em horas.
- A auditoria da métrica, quando a IA inventa número de adoção.
- E, no fim, o seu OS de produto: a biblioteca de prompts, templates e agentes que fica trabalhando por você.
Cada uma pega uma tarefa que você já faz e a redesenha. No fim, você não terá aprendido sobre IA, você terá instalado IA no seu jeito de trabalhar. Vamos?
Faça agora
Pegue uma entrega de produto que você fez nesta semana, a sua tarefa real ou outra (um PRD, uma priorização, uma síntese de pesquisa). Pegue uma folha e divida em duas colunas:
- Mecânico (o que a IA faria por você): agrupar feedback, rascunhar o documento, calcular o score.
- Julgamento (o que continua sendo seu): qual problema você escolheu resolver, o que o padrão significou, a decisão, como você comunicou.
Agora olhe a proporção. Quanto do seu tempo foi pra coluna da esquerda? Esse é exatamente o tempo que esta trilha vai te devolver, pra você gastar na coluna da direita, que é a que paga o seu salário.
Pratique
1. No novo jogo de produto, o que mais perde valor como diferencial profissional?
2. A IA gerou uma 'persona sintética' que cita, com aspas de entrevista, o quanto sentiria falta de uma feature. Qual é a leitura correta?
Para o quadro
Sobre o que virou baratoler a pesquisa, tabular feedback, rascunhar PRD, montar gráfico de prioridade.
Sobre o que ficou carodecidir o que entra, sustentar o porquê e responder pelo roadmap.
Sobre o sintéticousuário sintético serve para explorar hipótese e ensaiar pergunta. Decisão de produto se apoia em usuário real, sempre.
Valeu pelo feedback. Isso ajuda a afiar a próxima aula.