Conectar a pesquisa viva: Dovetail, Hotjar e os tickets como corpus
Sem dado real conectado, a IA sintetiza insight de UX a partir do usuário médio de treinamento, não do seu usuário de verdade. Esta aula conecta a IA ao repositório de pesquisa (Dovetail), à gravação de sessão (Hotjar), aos tickets de suporte e às transcrições de entrevista, e ensina o princípio da síntese ancorada: todo insight aponta de volta pra uma fonte real, ou não vale.
Você pergunta pra uma IA genérica "por que os usuários abandonam o cadastro no segundo passo?" e ela devolve uma resposta bem escrita, cheia de motivos plausíveis: formulário longo, falta de confiança, pedido de dado sensível cedo demais. Soa correto porque é o que costuma acontecer em produtos parecidos. Só que nenhuma dessas frases aponta pra uma sessão real do seu produto, pra um ticket de suporte de verdade, pra uma entrevista que alguém realmente fez. É um insight bonito, genérico, que pode até estar certo por acaso, mas que ninguém consegue defender numa reunião perguntando "cadê a fonte disso?".
Você pergunta pra uma IA genérica por que a inadimplência subiu no trimestre, e ela devolve um raciocínio plausível sobre juros e renda comprometida. Soa bem escrito. Só que nenhuma frase aponta pro extrato real, pro histórico de pagamento do seu cliente específico. É uma hipótese de manual, não uma conclusão que resista à pergunta do auditor "de onde saiu esse número?".
Você pergunta pra uma IA genérica por que aquele tipo de contrato costuma gerar litígio, e ela devolve um raciocínio jurídico coerente, cheio de jurisprudência plausível. Soa sólido. Só que nenhuma frase aponta pro processo real da sua banca, pro histórico daquele cliente específico. É doutrina genérica, não uma tese que sobrevive à pergunta do juiz "cite o precedente exato".
Você pergunta pra uma IA genérica por que a campanha não converteu, e ela devolve um raciocínio bonito sobre criativo cansado e público saturado. Soa plausível. Só que nenhuma frase aponta pro dado real da sua campanha, pro comentário verdadeiro que o cliente deixou no anúncio. É teoria de manual de marketing, não uma conclusão que aguenta a pergunta do diretor "mostra o dado".
Você pergunta pra uma IA genérica por que o turnover subiu naquele time, e ela devolve um raciocínio plausível sobre carga de trabalho e falta de reconhecimento. Soa bem escrito. Só que nenhuma frase aponta pra entrevista de desligamento real, pro comentário verdadeiro da pesquisa de clima daquele time específico. É teoria de RH genérica, não uma conclusão que resiste à pergunta do diretor "quem falou isso?".
Você pergunta pra uma IA genérica por que a feature nova tem baixa adoção, e ela devolve motivos plausíveis: onboarding confuso, valor não percebido. Soa correto. Só que nenhuma frase aponta pro ticket real de suporte, pra sessão gravada real de um usuário travando ali. É achismo de PM experiente, não um insight rastreável que sobrevive à pergunta do time "cadê a evidência?".
Você pergunta pra uma IA genérica por que os leads não fecham, e ela devolve um raciocínio plausível sobre preço e timing. Soa bem construído. Só que nenhuma frase aponta pra call gravada real, pro e-mail de recusa verdadeiro daquele prospect específico. É intuição de vendedor experiente, não uma conclusão que resiste à pergunta do gerente "mostra a transcrição".
Você pergunta pra uma IA genérica por que o SLA do turno da noite piorou, e ela devolve um raciocínio plausível sobre escala reduzida e fadiga. Soa correto. Só que nenhuma frase aponta pro registro real daquele turno, pro chamado verdadeiro que travou. É hipótese de manual operacional, não uma causa raiz que sobrevive à pergunta do gestor "qual chamado prova isso?".
Você pergunta pra uma IA genérica por que um controle falhou na auditoria, e ela devolve um raciocínio plausível sobre falha de processo. Soa bem escrito. Só que nenhuma frase aponta pro registro real de evidência, pro log verdadeiro daquele incidente. É suposição de manual de compliance, não uma constatação que sobrevive à pergunta do auditor "onde está a evidência?".
Você pergunta pra uma IA genérica por que o bug aparece só em produção, e ela devolve hipóteses plausíveis sobre ambiente e concorrência de dados. Soa técnico e correto. Só que nenhuma frase aponta pro log real, pro stack trace verdadeiro daquele incidente específico. É palpite de engenheiro sênior, não um diagnóstico que sobrevive à pergunta do time "mostra o log".
Você pergunta pra uma IA genérica "por que os usuários abandonam o onboarding no segundo passo?" e ela devolve uma resposta competente, bem estruturada: formulário longo demais, pedido de permissão cedo demais, falta de valor percebido no início. Cada frase soa plausível porque é exatamente o que costuma acontecer em onboarding de produtos parecidos, o padrão que ela aprendeu vendo milhares de casos. Você quase coloca isso direto no relatório de pesquisa. Só que nenhuma dessas frases aponta pra uma sessão real gravada no Hotjar do seu produto, pra um ticket real de suporte, pra uma citação real de entrevista com um usuário que realmente abandonou ali. É um insight de manual de UX, correto em geral, e você não tem como defender ele numa reunião de produto quando alguém perguntar "cadê a evidência de que é isso mesmo, no nosso caso?". A resposta certa exige conectar a IA ao seu corpus de verdade antes de pedir a síntese, não depois.
Você pergunta pra uma IA genérica por que a expansão pro novo mercado está devagar, e ela devolve um raciocínio competente sobre barreira cultural e concorrência local. Soa correto. Só que nenhuma frase aponta pra entrevista real com o cliente daquele mercado, pro relatório de campo verdadeiro. É hipótese de livro de estratégia, não uma análise que sobrevive à pergunta do board "qual foi a fonte primária?".
Putz, deixa eu te mostrar uma cena que se repete o tempo todo em time de UX que já usa IA, e que passa despercebida justamente porque a resposta sai tão bem escrita. Você pergunta pra IA por que os usuários abandonam um fluxo, ela devolve um parágrafo competente, cheio de motivo plausível, e o time aprova aquilo como se fosse pesquisa. Só que não é pesquisa. É um bom palpite genérico, vestido de conclusão. Esta aula existe pra fechar essa brecha, e ela pega emprestado um beat que outras trilhas deste curso já usaram: conectar a IA à fonte real dos seus próprios dados, antes de pedir pra ela pensar.
A ideia central desta aula. Sem uma conexão real, a IA sintetiza um insight de UX a partir do que ela aprendeu ser comum em produtos parecidos, o usuário médio do treinamento dela, não o seu usuário de verdade. A correção é conectar a IA às suas fontes vivas de pesquisa: o repositório de pesquisa (Dovetail), a gravação de sessão e o heatmap (Hotjar), os tickets de suporte, as transcrições de entrevista. É o mesmo beat "conectar aos dados" que outras trilhas deste curso já instalaram no financeiro e no marketing, só que aqui o dado que você conecta é a experiência real do seu usuário. E junto disso vem um princípio que organiza tudo: síntese ancorada. Todo insight que a IA gerar precisa apontar de volta pra uma fonte real, uma citação, uma sessão, um ticket específico. Se o insight não aponta pra lugar nenhum, ele não é insight, é opinião bem escrita.
01O corpus que você já tem, espalhado e sem conexão
Aqui está a ironia. A maioria dos times de UX já produz um corpus enorme de dado real todo santo dia, só que espalhado. Tem gravação de sessão parada no Hotjar, com o exato momento em que o usuário hesita antes de clicar. Tem entrevista transcrita e taggeada no Dovetail, com a fala literal do participante. Tem ticket de suporte no help desk, contando exatamente onde a pessoa travou. Tem review de loja de aplicativo, reclamando de um botão específico. Esse é o material bruto da verdade sobre o seu usuário, e na prática ele vive isolado, cada fonte no seu canto, sem conversar com as outras nem com a IA que você usa pra sintetizar.
Quando você pergunta pra IA sem conectar nada disso, ela não tem escolha a não ser preencher a lacuna com o que aprendeu em outro lugar: o padrão médio da internet inteira sobre onboarding, sobre checkout, sobre qualquer fluxo comum. Não é culpa da IA. É a pergunta errada feita na ordem errada. Primeiro você conecta a fonte, depois você pede a síntese, nunca o contrário.
02Síntese ancorada: o insight que aponta pra algum lugar
Chegamos no princípio que dá sustentação a esta aula inteira, e que você vai usar em toda pesquisa daqui pra frente. Chamamos de síntese ancorada, e a regra é simples de enunciar e difícil de manter sem disciplina: todo insight que a IA gerar precisa apontar de volta pra uma fonte real e específica. Não "usuários costumam reclamar de formulário longo" solto no ar. Sim "três participantes da entrevista de março (sessão 04, sessão 07, sessão 11) usaram literalmente a palavra 'cansativo' ao chegar no campo de endereço, e a gravação do Hotjar da sessão 12 mostra hesitação de 8 segundos exatamente ali".
Repara na diferença prática. O primeiro tipo de frase é irrefutável e inútil ao mesmo tempo: soa verdade, mas ninguém consegue verificar nem contestar. O segundo tipo é verificável: qualquer pessoa do time pode abrir a sessão 12 e ver a hesitação com os próprios olhos. É a diferença entre um insight que você defende numa reunião e um que você só espera que ninguém questione.
Para o quadro. Antes de aceitar qualquer insight de UX gerado por IA, faça uma pergunta só: "aponta pra onde?". Se a resposta for uma citação, uma sessão, um ticket, um número de entrevista, o insight fica. Se a resposta for silêncio ou "é o que costuma acontecer", o insight é hipótese, não conclusão, e precisa ser marcado como tal antes de ir pro relatório.
03Conectando de verdade: o que muda no seu fluxo de trabalho
Na prática, conectar a IA à pesquisa viva significa dar acesso real às fontes antes de pedir qualquer síntese, do mesmo jeito que o financeiro conecta a IA à planilha de origem e o marketing conecta a IA ao catálogo de produto. Três conexões concretas fazem a maior parte do trabalho:
- Repositório de pesquisa (Dovetail ou equivalente). É onde a entrevista já vive transcrita e taggeada. Conectar aqui significa que, quando você pede um tema, a IA busca a citação literal antes de resumir, em vez de inventar uma fala genérica de usuário.
- Gravação de sessão e heatmap (Hotjar ou equivalente). É o comportamento real, sem filtro de memória ou de educação do participante (o que ele faz é mais confiável do que o que ele lembra de ter feito). Conectar aqui dá à IA o dado de onde a hesitação, o clique errado e o abandono realmente acontecem.
- Tickets de suporte e reviews. É a reclamação espontânea, não provocada por pergunta de pesquisador. Conectar aqui traz o vocabulário exato que o usuário usa quando está frustrado de verdade, sem filtro de entrevista formal.
O antídoto aqui é o mesmo da dívida de contexto que você já viu na aula 1.1 deste curso: a IA que lê o seu corpus real antes de agir trabalha com o seu contexto, em vez de adivinhar. Aplicado à pesquisa, ler primeiro significa buscar a citação, a sessão, o ticket, antes de escrever qualquer frase de síntese. Fazer sem ler primeiro é a receita exata do insight solto que ninguém consegue defender.
Por que corpus grande sem tag não resolve sozinho
Conectar a fonte não é só jogar tudo num repositório e esperar a mágica. Um Dovetail cheio de entrevista sem tag consistente é quase tão inútil quanto não ter entrevista nenhuma, porque a IA (e o humano) não consegue navegar até a fonte certa quando precisa. O trabalho que sustenta a síntese ancorada é o de tagging disciplinado: cada trecho de entrevista marcado com o tema que ele ilustra, cada sessão do Hotjar anotada com o momento exato do problema, cada ticket categorizado pelo tipo de fricção. Esse trabalho de organização parece burocrático e chato, mas é ele que faz a diferença entre pedir "resume os temas de UX do último trimestre" e receber um resumo genérico versus receber um resumo em que cada tema vem com o link direto pra sessão 12, pra entrevista 07, pro ticket #4821. A próxima aula desta trilha (N.ux.3) pega exatamente esse ponto: como transformar cem entrevistas soltas em padrão rastreável, sem perder o fio até a fonte original. E, mais adiante (N.ux.7), você vai aprender a auditar o momento em que mesmo um corpus bem conectado pode gerar uma síntese que inventa uma dor que ninguém falou de verdade, porque conectar a fonte reduz o risco, mas não elimina sozinho a necessidade de conferir.
Agora construa
Sua bancada nesta aula é montar o Mapa do Corpus do seu produto: uma lista simples que vira o seu ponto de partida pra qualquer síntese daqui pra frente. Pegue a sua tarefa real ou o seu próprio produto e responda.
FRENTE 1 · O QUE VOCÊ JÁ TEM
- Liste as fontes de pesquisa viva que já existem no seu produto hoje: repositório de entrevista, gravação de sessão, ticket de suporte, review de loja, pesquisa de satisfação. Marque quais estão ativas e quais estão esquecidas.
- Para cada fonte ativa, anote: ela está conectada de algum jeito à IA que você usa pra sintetizar, ou você ainda copia e cola trecho solto?
FRENTE 2 · O TESTE DA ÂNCORA
- Pegue o último insight de UX que alguém do seu time apresentou numa reunião (pode ser seu). Faça a pergunta desta aula: "aponta pra onde?". Ele cita uma sessão, uma entrevista, um ticket específico, ou é uma frase solta e plausível?
- Se for solto, reescreva esse mesmo insight de um jeito que só pode ser afirmado se alguém realmente for conferir a fonte (mesmo que você ainda não tenha a fonte à mão agora).
FRENTE 3 · A PRÓXIMA CONEXÃO
- Escolha uma fonte esquenta da frente 1 (a que está parada, sem conexão) e escreva em uma frase o primeiro passo prático pra conectá-la: exportar, taggear, dar acesso à IA.
No fim, você tem um mapa de três colunas: o que já existe, o que já está ancorado, e o que falta conectar. Esse mapa é a base literal da próxima aula, onde essas fontes soltas viram padrão com citação rastreável.
Pratique
1. Por que uma IA, sem conexão a fontes reais de pesquisa, tende a gerar insights genéricos sobre por que usuários abandonam um fluxo?
2. O que caracteriza um insight de UX construído por 'síntese ancorada', segundo esta aula?
3. Qual pergunta a aula recomenda fazer antes de aceitar qualquer insight de UX gerado por IA?
4. Como o conceito de 'dívida de contexto' da aula 1.1 se aplica à pesquisa de UX, segundo esta aula?
Beleza? Fecha comigo o recado desta aula. Você já tem o corpus de pesquisa real, só que espalhado: entrevista no Dovetail, sessão gravada no Hotjar, reclamação nos tickets de suporte. Conectar esse corpus à IA antes de pedir qualquer síntese é o que separa um insight defensável de um palpite bem escrito. E o teste que você carrega daqui pra frente é uma pergunta só: esse insight aponta pra onde? Se aponta pra uma citação, uma sessão, um ticket específico, ele é síntese ancorada e fica de pé numa reunião. Se não aponta pra lugar nenhum, é hipótese solta, e precisa ser tratada como tal até você ir buscar a fonte real. Próxima aula, você aprende a transformar esse corpus conectado em padrão rastreável, tema por tema, sem perder o fio até quem falou o quê.
Valeu pelo feedback. Isso ajuda a afiar a próxima aula.