Fundadora e ex-gestora de produto da Apple diz que os processos de PRD têm de ser reformulados — eis o plano

Sonia Vora desempenhou funções de Diretora de Produto e Diretora de Gestão de Produto em várias empresas de cuidados de saúde. Também liderou o produto de dois produtos de cuidados de saúde da Apple. Atualmente, é fundadora de uma empresa de inteligência artificial na área dos cuidados de saúde.

Sentámo-nos com a Sonia para saber como está a utilizar agentes nos fluxos de trabalho de gestão de produto. Foi isto que nos contou.

Explorar produtos de inteligência artificial na área dos cuidados de saúde

Olá, sou a Sonia. Comecei a minha carreira em consultoria estratégica na McKinsey e na GoogleX. Depois, tornei-me Diretora de Gestão de Produto na ACKO Insurance, uma empresa de seguros direta ao consumidor, em fase D de financiamento, na Índia. Mais tarde, tornei-me Diretora de Produto na Narayana One Health, uma unidade de cuidados integrados integrada num sistema hospitalar na Índia. Também liderei o produto de dois produtos de saúde da Apple — a aplicação Attain (desenvolvida em parceria com a Aetna Insurance) e a Lumihealth (desenvolvida em parceria com o Governo de Singapura). Fui também distinguida na lista Forbes 30 Under 30.

Em 2017, antes dos transformadores e dos LLM, investiguei o impacto da inteligência artificial na McKinsey e na Google e explorei oportunidades baseadas em ML para melhorar os cuidados prestados aos doentes na Apple e na ACKO. No entanto, desde então, não tinha trabalhado diretamente com inteligência artificial. Há cerca de um ano e meio, percebi que a inteligência artificial iria transformar não só o meu setor (os cuidados de saúde), mas também a gestão de produto. Iniciei imediatamente várias iniciativas:

1. Aprender autonomamente os fundamentos da inteligência artificial.
2. Integrar o ChatGPT/Gemini no trabalho diário de gestão de produto da minha equipa. Isto incluiu criar prompts para PRD mais aperfeiçoados, fazer brainstorming de PRD, realizar investigação com o Deep Research e utilizar o ChatGPT e o Gemini para fornecer feedback sobre o design e detetar problemas de UX.
3. Experimentar ferramentas como a Lovable para criar rapidamente protótipos e recolher feedback de UX junto de utilizadores e compradores.

Atualmente, sou a fundadora da Alongside Health, uma empresa que combina inteligência artificial e cuidados de saúde. Tirei partido de uma combinação das capacidades de linguagem natural dos LLM e de protocolos determinísticos para automatizar os cuidados clínicos. Para criar os nossos projetos-piloto iniciais, utilizo diariamente o Claude Code para conceber sistemas determinísticos e disponibilizar agentes para os nossos clientes-piloto testarem. Também crio protótipos e o nosso website diretamente com o Claude Code.

A Sonia partilha

Os líderes de produto têm de reinventar completamente o sistema em que os gestores de produto escrevem um PRD, o entregam à equipa de design e, depois, à equipa de engenharia.

Como a inteligência artificial altera o processo de PRD

Os líderes de produto têm de reinventar completamente o sistema em que os gestores de produto escrevem um PRD, o entregam à equipa de design e, depois, à equipa de engenharia. O objetivo é acelerar todo este ciclo, evitar que os PM e os designers fiquem bloqueados pela equipa de engenharia e envolver a engenharia mais cedo, nos pontos em que os seus conhecimentos são mais necessários.

As pessoas abordam esta questão de formas diferentes, mas vejo duas oportunidades de grande impacto e fáceis de concretizar:

1. Acelerar a fase inicial de «aperfeiçoamento do PRD» e de ideação, fornecendo protótipos criados com o Claude, inicialmente pelos PM e depois aperfeiçoados pelos designers. Isto dá aos engenheiros uma base concreta para criar documentos de design para novas funcionalidades, em vez de começarem por requisitos escritos extensos.
2. Para uma funcionalidade existente, descobri que é útil dar aos PM e aos designers acesso total para efetuarem determinadas alterações e submeterem PR — desde que essas alterações não tenham um impacto fundamental na arquitetura. Se tiver um processo sólido de revisão de código, evitará muito código novo desorganizado quando os PM e os designers submeterem alterações.

Pessoalmente, já não escrevo antecipadamente PRD longos que tentam contemplar todos os casos extremos. Em vez disso, começo imediatamente a trabalhar com o Claude para desenvolver o meu documento inicial de requisitos através de discussões de perguntas e respostas.

Depois, utilizo esse documento como ponto de partida para o Claude Code e uso o próprio protótipo para encontrar casos extremos e integrar esses requisitos novamente no documento do PRD com o Claude antes do lançamento.

Como resultado, produzo trabalho de qualidade muito superior no mesmo período de tempo. Tenho um parceiro de reflexão e de debate que me ajuda a ser minuciosa, a explorar opções mais rapidamente e a investigar recursos online úteis.

Porque é que a experimentação é o superpoder da inteligência artificial

Vou explicar como utilizo a inteligência artificial na gestão de produto:

• Descoberta de problemas: a IA é menos útil nesta área porque não conhece os problemas dos utilizadores no mundo real. A IA pode formular hipóteses, mas estas não resultam de uma experiência direta e não revelarão verdades que não sejam consensuais. Nada se compara a estar com um utilizador e compreender os seus pensamentos.
• Priorização: da mesma forma, a IA pode oferecer uma primeira abordagem de "senso comum" à priorização, mas não dispõe de feedback real dos utilizadores nem de sensibilidade para o produto, pelo que deve monitorizar cuidadosamente a IA nesta área.
• Sensibilidade de design e decisões de UX: a IA oferece uma excelente primeira abordagem, mas não compreende os seus utilizadores nem os seus objetivos; limita-se a imitar fluxos existentes. Deve considerar cuidadosamente o elemento "humano" que ajuda os utilizadores a concluir as suas tarefas. Fiz várias iterações na UX para garantir a consistência, ter em conta os componentes e alcançar uma arquitetura de informação que corresponda verdadeiramente às expectativas e aos objetivos dos utilizadores. É como se um engenheiro com bibliotecas de front-end extraordinárias concebesse todos os ecrãs — por vezes, o resultado parece ótimo, mas não ajuda os utilizadores a compreender facilmente como concluir as suas tarefas.
• Planeamento: esta é uma área em que a IA se destaca na criação de uma primeira abordagem. Com contexto suficiente, pode desenvolver eficazmente cronogramas iniciais e ajudar nas táticas de planeamento. Estou a gostar especialmente do Linear.
• Identificação de compromissos e do impacto das decisões de design: os agentes de programação muitas vezes não fazem isto, a menos que lhes seja pedido explicitamente. No entanto, quando solicitados, apresentam eficazmente vários prós, contras e debates internos, ajudando-o a ponderar mais profundamente as implicações. Continuo muitas vezes a encontrar lacunas na análise da causa raiz e na geração de ideias com agentes de programação, mas, por vezes, também levantam questões que não tinha considerado de imediato.
• Experimentação: este é o verdadeiro superpoder da IA. Como pode criar conceitos tão rapidamente, pode experimentar muitas coisas diferentes, utilizar o produto e depois iterar com base nas suas conclusões.

Como a IA pode apoiar os fluxos de trabalho de avaliação

Eis um exemplo de um fluxo de trabalho de IA que estou a utilizar na minha gestão de produto.

Utilizei o Claude para programar um processo em que, para cada nova versão do produto, peço ao OpenAI ou ao Gemini (através de chamadas à API) que assuma a personalidade de um paciente e responda ao meu agente numa conversa simulada.

Gero personalidades de pacientes a partir de um script que cria todos os ramos do protocolo e testa cada um deles. O script também incorpora tipos de personalidade provenientes do nosso gerador baseado em investigação. Depois de cada personalidade conversar com a nova versão do agente, pedimos ao Gemini ou ao OpenAI que avalie a conversa segundo os nossos 10 critérios de avaliação e forneça classificações de aprovado/reprovado.

Em seguida, revejo os resultados da avaliação, enumero as alterações sugeridas para corrigir os problemas do Claude, disponibilizo uma nova versão do agente e volto a executar todo o processo.

Utilizei o Claude Code para criar a interface, onde posso consultar os resultados da avaliação, as conversas simuladas e as personalidades de pacientes simuladas.

Foi extremamente útil, mas com uma ressalva: a IA continua a ser extremamente estocástica. Tenho tido dificuldades em áreas que exigem fiabilidade. Por exemplo, em avaliações do tipo LLM como juiz, a IA muitas vezes dá aprovado numa execução e reprovado noutra, o que constitui um problema significativo.

Pode conceber o processo de modo a reduzir a inconsistência, mas também deve concebê-lo sempre para detetar possíveis falhas da IA.

Como os gestores de produto podem deixar de se sentir intimidados pelo Claude Code

Inicialmente, senti-me intimidada pela ideia de utilizar eficazmente o Claude Code enquanto não engenheira, sobretudo porque a maioria das pessoas o utilizava no terminal.

Mas comecei a construir. Tratei o Claude/Cursor como um colaborador júnior que precisava de uma quantidade significativa de geração de ideias e acompanhamento, e isso ajudou-me a aprender quais poderiam ser os problemas da programação ao estilo do Claude. Agora, antecipo-os no meu fluxo de trabalho.

Por exemplo, o Claude pode parecer "esquecido" porque compacta a informação para a ajustar à sua janela de contexto. Para contornar este problema, peço-lhe agora que escreva sempre um plano e que o consulte antes de construir algo, tal como faria com uma pessoa real — nós também nos esquecemos!

Agora, o Claude é especialmente fácil de utilizar porque os modelos melhoraram significativamente. Mesmo com um contexto incompleto, se lhe pedir que faça perguntas, pode conversar consigo para elaborar primeiro um plano abrangente. Depois, pode executá-lo de forma mais fiável, reduzindo a necessidade de se preocupar com a estrutura de suporte.

Porque os agentes de programação não são soluções milagrosas

Agora, com os agentes de programação, todos podem ser engenheiros. Por isso, devemos manter os especialistas concentrados nas coisas que só eles fazem bem e deixar que todos os outros tratem das tarefas simples. A mentalidade de que "todos são engenheiros" é extremamente importante.

Mas é importante notar que os agentes de programação não conseguem corrigir erros magicamente sem intervenção. Muitas vezes, estes agentes carecem de bom senso ou de contexto de design, o que os leva a identificar incorretamente a causa-raiz ou a resolver mal os problemas.

Com alguns bons prompts, têm um desempenho muito melhor, mas as limitações contextuais podem conduzir subtilmente a uma execução ou a um pensamento pouco cuidadosos.

Ainda assim, reduziu imenso o tempo de desenvolvimento, mas lançar um bom produto continua a exigir uma reflexão significativa.

Como acompanhar a evolução da AI

Comece já a trabalhar com estas ferramentas no seu trabalho real! Quanto mais tarde as adotar, mais ficará para trás dos pares que já otimizaram os fluxos de trabalho com estes agentes.

Enquanto isso, mantenha uma mente aberta relativamente aos pontos fortes e fracos da AI — e reconheça que isto muda praticamente todos os meses.

Experimente. Utilize o Claude Code ou outras ferramentas no seu trabalho diário para compreender os pontos fortes e fracos dos modelos. Se passa sequer 30 minutos por dia numa tarefa, é provável que valha a pena investir uma ou duas horas a automatizá-la — esse tempo irá acumular-se.

Experimente várias ferramentas de conversação com LLM quando procurar respostas, para ver como diferentes fornecedores e modelos respondem. E altere a sua "dieta" do LinkedIn para se manter atualizado com pessoas que aplicam AI para se tornarem os melhores PMs possíveis.

Toda a gente se sente assoberbada neste momento, e isso é perfeitamente normal. Falo com profissionais de AI a tempo inteiro que se sentem assoberbados — seja gentil consigo próprio e celebre as pequenas vitórias enquanto acompanha a evolução da AI.

Acompanhe

Pode contactar Sonia Vora no LinkedIn.

Haverá mais entrevistas com especialistas no The CPO Club!