Responsável de produto e co-CEO partilha por que razão criar produtos de IA é algo completamente diferente

Andrei Rebrov é um criador de produtos desde sempre e co-CEO da Finsi, onde está a integrar a IA em todos os níveis da estratégia de produto — tanto para a equipa como para os seus clientes.

Perguntámos a Andrei de que forma a IA está a transformar a gestão de produto e a estratégia de produto. Eis o que nos disse.

Integrar a IA na estratégia de produto

Sou Andrei Rebrov, co-CEO da Finsi. Ao longo do meu percurso na liderança de produto, tenho-me dedicado profundamente à criação de tecnologia financeira que serve verdadeiramente as pessoas.

Na Finsi, lidero a organização de produto responsável por uma plataforma de crescimento baseada em IA, criada para marcas de comércio eletrónico. O produto é uma solução SaaS B2B que serve operadores de comércio eletrónico DTC e de subscrição — desde marcas emergentes com menos de 5 milhões de dólares de receita até PME de maior dimensão. A nossa plataforma liga-se a mais de 50 ferramentas, incluindo Shopify, Klaviyo, Meta Ads, Google Ads e Recharge, unificando os dados de toda a infraestrutura de comércio eletrónico. Além disso, utiliza cinco agentes de IA que abrangem inteligência de receita, automatização de anúncios, retenção e correio eletrónico, SEO e pesquisa de clientes.

O modelo de disponibilização é totalmente baseado numa solução SaaS web, e a nossa proposta de valor central consiste em fechar o ciclo entre a análise e a execução: não nos limitamos a apresentar informações úteis; criamos e implementamos as campanhas, os fluxos e os segmentos para os nossos utilizadores.

No meu trabalho na Finsi, tenho estado na vanguarda da integração da IA na nossa estratégia de produto — explorando de que forma a IA pode simplificar os serviços financeiros, melhorar as experiências dos utilizadores e impulsionar uma tomada de decisões mais inteligente em grande escala.

Este momento de transformação da IA na liderança de produto parece-me simultaneamente entusiasmante e decisivo. Estou empenhado em partilhar as lições e as perspetivas que fui adquirindo ao longo do caminho.

Como a IA transforma os processos de priorização de produtos

Os líderes de produto precisam de reformular o seu processo de priorização de produtos. Quase todas as equipas que conheço continuam a definir prioridades através de folhas de cálculo, estruturas de avaliação subjetivas e rituais de planeamento trimestrais concebidos para ciclos de desenvolvimento lentos e dispendiosos.

A IA altera ambos os lados da equação: torna o desenvolvimento mais rápido (permitindo validar mais apostas) e consegue processar muito mais sinais do que qualquer ser humano — dados de utilização, feedback do apoio ao cliente, padrões de abandono, sinais da concorrência e entrevistas com clientes — para determinar o que é importante.

Reformulámos o nosso processo de priorização em torno de uma camada contínua de sinais de IA. Automatizamos a extração de tarefas a partir das transcrições do Granola para não nos esquecermos do que temos de fazer. E, em vez de um exercício trimestral de roteiro, mantemos uma lista de pendências dinâmica, na qual cada item é etiquetado com dados provenientes de várias fontes — frequência do feedback dos clientes, estimativa do impacto na receita, urgência competitiva e padrões de envolvimento. A nossa IA apresenta semanalmente uma visão hierarquizada desta lista de pendências, atualizando-a à medida que os sinais mudam.

Os nossos líderes de produto continuam a tomar as decisões finais, mas trabalham com uma visão muito mais rica e dinâmica do que anteriormente.

O resultado: reduzimos aproximadamente para metade o tempo entre a identificação de uma oportunidade e o lançamento de uma solução, e criámos muito menos soluções que ninguém utiliza.

Porque é que a IA precisa de uma base sólida de estratégia de produto

É importante salientar que a IA não consegue corrigir uma estratégia de produto deficiente — limita-se a amplificar a estratégia que já tem.

Se está a resolver o problema certo para os utilizadores certos, a IA ajudá-lo-á a fazê-lo mais rapidamente e em maior escala. Mas, se a sua hipótese central de produto estiver errada, a IA acelerará o seu caminho até ao destino errado.

Vi isto acontecer em primeira mão. No início da criação da Finsi, ponderámos adicionar funcionalidades de IA porque eram impressionantes e tecnicamente viáveis — recomendar ações, prever o abandono e gerar conteúdos. Mas nada disso teria importância se não tivéssemos compreendido primeiro, de forma clara, a perceção fundamental: os operadores de comércio eletrónico não têm um problema de análise de dados; têm uma lacuna de execução. Só depois de validarmos isso é que a IA se tornou a alavanca certa.

Ao trabalhar com IA, precisa da mesma disciplina que qualquer bom trabalho de produto exige — uma definição rigorosa do problema, uma empatia profunda pelos utilizadores e uma priorização honesta. A IA aumenta a importância de tudo isto, porque a velocidade de desenvolvimento significa que pode criar e lançar a coisa errada muito mais depressa do que alguma vez foi possível.

Como uma competência do Claude Code aperfeiçoou o foco no produto

Uma mudança crítica para nós foi implementar uma competência do Claude Code chamada "Defensor do comerciante" para os nossos agentes de programação.

Forneci ao Claude contexto sobre a missão e o foco de produto da Finsi, bem como um resumo das transcrições do Granola. Agora, quando temos um novo requisito, fazemo-lo passar por essa competência, que nos ajuda a mantermo-nos fiéis à nossa missão principal: lançar software que reduza o trabalho dos comerciantes.

Eliminámos muitas funcionalidades potenciais do nosso roteiro graças a este simples passo nos nossos fluxos de trabalho.

Porque é que o Cursor é crucial para a prototipagem rápida de produtos

O Cursor transformou a forma como a nossa equipa de engenharia lança produtos — não apenas por escrever código mais rapidamente, mas por reduzir a distância entre o pensamento sobre o produto e a implementação.

Quando consigo descrever uma funcionalidade em linguagem natural e ver um protótipo funcional em minutos, isso altera fundamentalmente a forma como validamos ideias. Torna todo o ciclo de desenvolvimento de produtos mais rápido e experimental.

Eis um exemplo. Queríamos testar uma interface de "briefing semanal de informação" para um dos agentes do nosso produto. Em vez de especificarmos tudo no Figma e esperarmos por um sprint, descrevemos o esquema e a estrutura de dados ao Cursor em linguagem simples e, em poucas horas, tínhamos um protótipo funcional ligado aos nossos dados de teste. Depois, mostrámo-lo a três clientes no mesmo dia e obtivemos feedback que reformulou o design final antes de escrevermos uma única linha de código de produção.

Porque é que os humanos assumem o que é consequente e relacional

Definimos deliberadamente o papel da IA e dos humanos nos nossos processos de produto.

A IA trata da síntese de dados, da deteção de padrões, da identificação de anomalias e da execução — tarefas como detetar automaticamente sinais de abandono, reafetar orçamentos de publicidade, gerar textos de e-mail na voz de uma marca e implementar fluxos do Klaviyo. Estas são tarefas de elevada frequência e intensivas em dados, nas quais a IA supera consistentemente a velocidade e a escala humanas.

A IA também informa a nossa priorização ao identificar recomendações que geram o maior impacto nas receitas em toda a nossa base de clientes, ajudando-nos a compreender onde devemos concentrar o desenvolvimento de produtos.

No entanto, as decisões que exigem discernimento, ética e contexto estratégico são tomadas explicitamente por humanos.

Isso significa que a visão do produto e a orientação do roteiro continuam a ser responsabilidade humana — temos de compreender não só o que os dados dizem, mas também o tipo de empresa que queremos construir e as aspirações mais profundas dos nossos clientes. As decisões de UX continuam a ser lideradas por humanos, porque a empatia e a intuição relativamente aos sentimentos dos utilizadores ainda não podem ser automatizadas de forma fiável. E qualquer decisão que coloque em risco o negócio de um cliente — como uma reafetação significativa do investimento em publicidade — exige aprovação humana antes da execução.

O nosso princípio operacional é: a IA trata do que é repetível e analítico; os humanos assumem o que é consequente e relacional.

Porque é que a IA tem dificuldade em compreender profundamente os clientes

Foi na compreensão profunda dos clientes que a IA ficou mais claramente aquém das nossas expectativas. Inicialmente, acreditávamos que a IA poderia sintetizar de forma fiável sinais qualitativos — pedidos de apoio, avaliações e respostas a inquéritos — e traduzi-los em informações úteis sobre o produto, com um envolvimento humano mínimo. Na prática, a IA é excelente a categorizar e agrupar feedback em grande escala, mas falha consistentemente em captar as nuances dos sentimentos dos clientes, sobretudo em setores de comércio eletrónico de nicho com contextos culturais ou operacionais específicos. A IA identifica frequentemente padrões reais, mas a sua interpretação continua a exigir uma pessoa que compreenda profundamente o mundo do cliente.

Também descobrimos que os conteúdos criativos gerados por IA — textos de anúncios e linhas de assunto de e-mails — embora sejam rápidos e úteis como ponto de partida, raramente igualam o desempenho de textos criados por alguém que conhece verdadeiramente a voz da marca e o seu público. A IA acelera a produção, mas ainda não substitui o discernimento criativo genuíno.

Por fim, esperávamos que a IA melhorasse significativamente o nosso processo interno de descoberta de produtos, mas não reduziu o tempo necessário para identificar necessidades verdadeiramente novas dos clientes — ajuda-nos a processar informação existente, mas as perceções mais valiosas continuam a surgir de conversas diretas e não estruturadas com clientes, que nenhuma ferramenta de IA conseguiu ainda reproduzir ou substituir.

Pensamentos de Andrei

A IA é excelente a categorizar e agrupar feedback em grande escala, mas falha consistentemente a captar as nuances dos sentimentos dos clientes.

Como a qualidade dos dados influencia o desenvolvimento de produtos de IA

Quando comecei a trabalhar com IA, não percebi a importância da qualidade dos dados nem o tempo necessário para a garantir.

Quando construímos os agentes de IA da Finsi, partimos do princípio de que a ligação ao Shopify, ao Klaviyo e às plataformas de publicidade forneceria dados limpos e fiáveis. A realidade era muito mais complexa. As diferentes marcas estruturam os seus dados de forma diferente, acompanham eventos diferentes, utilizam convenções de nomenclatura diferentes e têm lacunas e inconsistências nos seus registos históricos. Passámos muito mais tempo do que o previsto em processos de normalização, deduplicação e validação de dados antes de a IA produzir recomendações fiáveis.

Se soubesse disto desde o início, teria investido mais cedo e de forma mais significativa na infraestrutura de dados, em vez de me apressar a construir a camada de IA sobre uma base instável.

Porque é necessário ter em conta a confiança dos utilizadores nos produtos de IA

Se estivesse a começar de novo com os agentes de IA do nosso produto, abordaria a confiança dos utilizadores de forma diferente.

Inicialmente, concebemos os nossos agentes de IA para serem bastante autónomos — apresentavam recomendações e facilitavam a sua aprovação e execução com um único clique. Os utilizadores hesitavam, mesmo quando as recomendações eram boas. Precisavam de compreender o "porquê" de cada sugestão antes de se sentirem confortáveis a agir. Por isso, acrescentámos explicabilidade ao produto depois do lançamento, mas teria sido muito melhor concebê-lo de raiz com a transparência em mente.

A confiança não é uma funcionalidade que se possa acrescentar mais tarde — tem de estar integrada na experiência principal.

Porque a IA torna a escolha e a configurabilidade menos importantes para os utilizadores

A IA também me obrigou a abandonar a ideia de que um bom produto significa dar aos utilizadores controlo e capacidade de configuração.

Durante anos, a sabedoria convencional no SaaS B2B ditava que os utilizadores avançados queriam flexibilidade — mais definições, mais painéis e mais formas de personalizar a sua experiência. Criámos as primeiras versões da Finsi com base nessa ideia, permitindo aos operadores configurar os seus próprios painéis, definir os seus próprios limites de KPI e personalizar as métricas que acompanhavam. Mas, quando começámos a integrar a IA, descobrimos o oposto: os nossos utilizadores mais bem-sucedidos passavam menos tempo a configurar e mais tempo a agir com base nas recomendações da IA.

Os operadores que queriam ajustar todas as definições obtinham frequentemente menos valor, porque otimizavam a ferramenta em vez do seu negócio. A IA revelou que os nossos utilizadores precisavam de uma menor carga cognitiva e de mais confiança sobre o que fazer a seguir. Isto obrigou-nos a simplificar significativamente o produto, a eliminar grande parte da configurabilidade que tínhamos criado e a apostar mais em predefinições orientadas e baseadas em IA.

Foi uma lição contraintuitiva: por vezes, a melhor decisão para um produto é retirar opções aos utilizadores em vez de acrescentar mais.

Porque uma verdadeira transformação com IA exige repensar a cadeia de valor de um produto

A maioria dos produtos "baseados em IA" não são produtos de IA — são simples estruturas de funcionalidades com um LLM acrescentado, e o mercado acabará por perceber isso.

Uma verdadeira transformação de um produto através da IA exige repensar toda a cadeia de valor, e não inserir uma chamada GPT num fluxo de trabalho existente. As empresas que vencerão não são as que adicionaram IA mais rapidamente; são as que utilizaram a IA para questionar todos os pressupostos sobre o funcionamento da sua categoria de produto.

Porque os líderes de produto têm de escolher um pequeno número de apostas de elevado impacto

Resista a dois impulsos igualmente perigosos:

1. A vontade de adotar a IA em todo o lado ao mesmo tempo
2. A vontade de esperar até que as coisas pareçam mais certas

Os líderes de produto que prosperarem escolherão um pequeno número de apostas de elevado impacto, aprofundarão o seu conhecimento e desenvolverão uma verdadeira literacia organizacional — e não apenas familiaridade com as ferramentas — em torno da IA. Comece pelos problemas que mais lhe custam: tempo perdido em trabalho manual, decisões tomadas sem dados suficientes e funcionalidades que demoram demasiado tempo a lançar ou validar. Utilize a IA para resolver especificamente esses problemas.

E seja honesto com as suas equipas sobre o que a IA muda para elas. Os líderes que fingem que a IA não irá transformar funções e responsabilidades perderão a confiança; aqueles que mantêm conversas abertas e ponderadas sobre a forma como a IA aumenta a capacidade de decisão humana construirão culturas capazes de se adaptar.

Por fim, não otimize para parecer nativo de IA — otimize para obter resultados. A melhor estratégia de produto baseada em IA cria valor mensurável para os utilizadores, não a demonstração mais impressionante. Mantenha-se focado no problema e a utilização adequada da IA surgirá naturalmente.

Reflexões de Andrei

Os líderes de produto que prosperarem escolherão um pequeno número de apostas de elevado impacto, aprofundarão o seu conhecimento e desenvolverão uma verdadeira literacia organizacional em torno da IA.

Acompanhe-nos

Pode entrar em contacto com Andrei Rebrov no LinkedIn. E conheça também a Finsi.

Em breve, haverá mais entrevistas com especialistas no Clube dos CPO!