Priorização com evidência, não com o achismo da IA
A IA monta a planilha de RICE e calcula o score em segundos, mas ela também preenche alcance e impacto com um número que 'parece razoável' quando você não fornece o dado real. A premissa é sua, e todo número que sustenta a priorização é suspeito até auditado.
Você abre a IA pra priorizar o próximo trimestre de roadmap, e em minutos tem um ranking de RICE prontinho pra reunião de amanhã. Os scores fecham, a planilha é bonita, tudo parece pronto pra virar decisão. O problema aparece quando você olha de perto: o alcance de quarenta por cento dos usuários que ela atribuiu a uma feature não veio do seu Amplitude, veio de "parece razoável para esse tipo de feature". A IA monta a planilha inteira num pedido; a premissa que sustenta cada número continua sendo sua, e é ela que decide se a reunião parte de um dado real ou de um chute bem formatado.
Um gestor pediu à IA uma projeção de fluxo de caixa para os próximos doze meses, com cenário otimista, base e pessimista. No cenário pessimista, ela assumiu uma inadimplência que "parecia razoável", mas a empresa já estava com o dobro disso no mês corrente.
Você está decidindo se entra num novo mercado agora ou espera dois anos, e pede à IA três cenários de market sizing pro deck do board, com uma taxa de conversão que "parece razoável" pra um mercado genérico qualquer.
Você pede pra IA priorizar quais campanhas relançar no próximo trimestre com base no ROI esperado, e ela assume uma taxa de conversão de mídia paga que é média de mercado, não a do seu funil real.
Você vai abrir duas vagas e pede à IA pra projetar custo e prazo de contratação, assumindo no cenário base uma taxa de aceite de oferta que não bate com o seu histórico real de recrutamento.
Você abre a IA pra priorizar o próximo trimestre de roadmap, e em minutos tem um ranking de RICE prontinho pra reunião de amanhã: alcance, impacto, confiança e esforço, calculados e ordenados. O problema aparece quando você olha de perto: o alcance de quarenta por cento da base que ela atribuiu à feature X não veio do seu Amplitude, veio de "parece razoável para esse tipo de feature em produtos parecidos". A confiança de oitenta por cento que ela deu pra feature Y também não tem lastro nenhum, foi preenchida porque o texto do PRD "soava convincente". A planilha inteira fecha bonito e mente em pelo menos duas colunas ao mesmo tempo.
Você está fechando o forecast do trimestre e pede à IA pra projetar o pipeline, aplicando uma taxa de conversão de proposta pra fechado que é média de mercado, não a real do seu funil no CRM.
Você vai decidir se internaliza um processo de expedição, e pede à IA três cenários de custo e SLA, assumindo uma taxa de avaria que "parece razoável" pra uma operação saudável, não pra sua, que roda pior.
Você precisa dimensionar o risco de uma exposição regulatória, e a IA assume uma probabilidade de autuação moderada pra um caso genérico, sem conhecer o seu histórico real com o regulador.
Você vai decidir entre migrar pra uma nova infra agora ou daqui a um semestre, e a IA assume uma queda de custo que não tem relação com os seus contratos nem o seu volume de tráfego real.
Você vai decidir se refaz o fluxo de checkout, e a IA assume que o novo fluxo reduz o abandono numa proporção que "parece razoável", sem ter rodado teste nenhum com os seus usuários.
Você está decidindo se entra num novo mercado agora ou espera dois anos, e pede à IA três cenários de market sizing e penetração pro deck do board. De onde veio a taxa de conversão que ela assumiu? Ela não tem os seus dados reais.
Putz, pensa comigo um segundo. Priorizar roadmap sempre foi a parte que mais gerava discussão: abrir a planilha, debater alcance, brigar sobre impacto, e no fim você tinha um ranking que ninguém tinha certeza se refletia a realidade. A IA muda esse jogo de verdade. Ela monta a planilha de RICE, calcula o score de cada item e ainda escreve a justificativa enquanto você toma o café. O problema é que a velocidade engana. Ela te entrega o ranking do trimestre inteiro no tempo de um item só, mas se a premissa de alcance ou impacto estiver inventada, você não acelerou nada. Você só errou mais rápido, com planilha bonita por cima.
A ideia central desta aula. A IA é a melhor montadora de matriz de priorização que você já teve, mas ela não é dona do dado. Em priorização de roadmap, a regra é dupla e inegociável: as premissas de alcance, impacto e confiança são SUAS, ancoradas em dado real do seu produto, não em achismo; e todo número que a IA cospe é suspeito até você auditar contra a fonte. A máquina calcula; você decide o que cada variável significa e assina embaixo.
01A coreografia: quem faz o quê
Priorização não é adivinhação, é uma dança com passos definidos. A IA é boa em três coisas, e só nessas três. Ela estrutura o modelo: monta a planilha com as colunas certas de RICE (alcance, impacto, confiança, esforço). Ela calcula o score: a partir das premissas que você dá, ela roda a fórmula e ordena o ranking. E ela escreve a explicação: transforma a planilha seca num parágrafo que o time entende. Isso é trabalho braçal de modelagem, e a máquina faz em minutos o que te tomava a tarde.
O que continua seu, e fica mais caro justamente porque a parte fácil sumiu, é a premissa. Quantas pessoas essa feature realmente alcança, medido no seu analytics? Qual é o impacto esperado, com base em que evidência? Quanta confiança você tem nesse número, e por quê? Isso não é conta, é leitura do seu produto. A IA não tem o seu Amplitude aberto e, quando não tem, ela inventa um número que "parece razoável".
02Sensibilidade: nem toda coluna do RICE pesa igual
Aqui mora a pergunta que separa quem brinca de planilha de quem prioriza com método. As quatro variáveis do RICE (alcance, impacto, confiança, esforço) não pesam igual em confiabilidade. Alcance costuma ter dado real disponível: o seu Amplitude sabe quantos usuários passam por aquele fluxo. Esforço costuma ter estimativa razoável do time técnico. Impacto e confiança são as duas variáveis mais fáceis de a IA preencher com um número que "parece razoável", porque são as mais subjetivas e as que menos têm fonte auditável direto no painel.
A coreografia é simples: fixe o que tem dado real (alcance, esforço) e questione com mais rigor o que é estimativa (impacto, confiança). Pergunte "de onde veio esse impacto de dez por cento, isso está em algum teste anterior ou é uma suposição?". Se a resposta for suposição, marque esse número como o mais frágil do ranking, e é nele que você aplica mais escrutínio antes de decidir.
03O perigo central: a IA inventa alcance e impacto com cara de certeza
Agora o ponto que dá nome ao risco, e que você precisa levar gravado. A IA não erra como uma calculadora quebrada, que trava e avisa. Ela erra com confiança. Ela cospe um alcance de quarenta por cento, bem formatado, dentro de uma frase segura, e esse número simplesmente não veio do seu analytics. Ela assumiu um impacto "razoável" porque o PRD "soava convincente", enquanto o dado real, se você tivesse conferido no Amplitude, mostraria outra coisa.
É aqui que o frame de produto fica inegociável. Um roadmap montado em cima de um número inventado não é só uma reunião perdida, é meses de esforço de engenharia apontados pro problema errado. Por isso a regra é dura e simples: todo número que sustenta um score de RICE é suspeito até você auditar a conta. Se o alcance de uma feature está listado como quarenta por cento, abra o Amplitude e confira quantos usuários de fato passam por aquele fluxo. Se não bate, o ranking inteiro pode estar priorizando a coisa errada.
Saiba mais: por que "confiança" é a variável mais perigosa de terceirizar
No RICE, a coluna de confiança existe justamente pra você admitir quando o dado é fraco. É tentador deixar a IA preencher essa coluna também, porque ela sempre soa segura ao escrever. Mas confiança alta atribuída por IA a uma suposição não testada é o pior tipo de erro: ele empurra pra cima da priorização um item que na verdade deveria estar marcado como incerto. A regra prática é: se você não consegue apontar de onde veio o número de confiança, o valor correto é baixo, não o que a IA sugeriu.
Faça agora
Pegue uma priorização real que está na sua mesa (a sua tarefa real serve bem): dois ou três itens de roadmap concorrendo pelo próximo ciclo. Rode a coreografia em três passos:
- PREMISSA SUA: para cada item, escreva à mão o alcance real (consulte o analytics), o impacto esperado e de onde vem essa expectativa, e o esforço estimado pelo time técnico.
- RANKING: peça à IA para montar a planilha de RICE e calcular o score usando EXATAMENTE os seus números. Mande explícito: "use estes valores, não estime nenhum sozinho".
- AUDITORIA: escolha o item do topo do ranking e confira, na fonte, se o alcance e o impacto batem com o que você forneceu. Só depois disso o ranking tem permissão de virar decisão de roadmap.
Se você travou no passo 1 porque não tinha o dado de alcance à mão, ótimo: a parte cara do trabalho era exatamente essa, e agora você sabe disso.
Pratique
1. Na priorização com RICE, qual variável costuma ter o dado mais confiável, direto do seu analytics?
2. A IA devolveu um ranking de RICE onde uma feature tem 'confiança: alta', mas você não consegue apontar nenhum teste ou dado que sustente esse valor. Qual é a regra correta?
Para o quadro
Sobre as colunasnem toda variável pesa igual. Alcance costuma ter fonte real; impacto e confiança são as mais frágeis.
Sobre a confiançase você não consegue apontar de onde veio o número, o valor correto é baixo.
Sobre o efeitoconfiança inflada empurra para o topo da fila um item que deveria estar marcado como incerto.
Valeu pelo feedback. Isso ajuda a afiar a próxima aula.