Líder de produto na OpenAI explica-nos como a IA está a transformar a gestão de produto ao mais alto nível

A Kathy Korevec é uma criadora que trabalhou como Diretora de Produto na Google Labs AI, Vice-Presidente de Produto e Design na Vercel e Diretora Sénior de Gestão de Produto na GitHub, entre outras funções. Atualmente, está a trabalhar no Codex da OpenAI. O fio condutor tem sido a criação de ferramentas para programadores, com um foco incansável no utilizador e nos pormenores.

Sentámo-nos com a Kathy para perceber como a IA está a mudar a gestão de produto nas principais empresas tecnológicas do mundo. Eis o que nos disse.

Ser uma “cozinheira a cozinhar para cozinheiros”

Sempre fui primeiro uma criadora e só depois uma gestora de produto.

Cresci no mundo das ferramentas para programadores, em empresas como a Heroku, a GitHub e a Vercel, o que corresponde a uma vertente muito específica da gestão de produto. Não se trata apenas de lançar funcionalidades; trata-se de criar para pessoas que percebem imediatamente quando deixámos algo por fazer. É como ser uma cozinheira a cozinhar para cozinheiros. O nível de exigência é elevado e eles vão certamente reparar se o molho não estiver bem.

Alguns dos meus momentos preferidos enquanto gestora de produto nem sequer foram trabalho tradicional de gestão de produto. Na GitHub, reescrevi partes da documentação e até reformulei o site para refletir a minha abordagem baseada nos princípios de DX. Passei fins de semana a refatorar o meu próprio site para eliminar algumas centenas de milissegundos, porque o desempenho me incomodava. Ajudei a dinamizar um projeto chamado Papercuts, no qual corrigimos centenas de pequenos incómodos, porque esses pormenores determinam se as pessoas adoram ou simplesmente toleram o seu produto.

Esse tem sido, de certa forma, o fio condutor do meu percurso. Não vejo as pessoas responsáveis pela gestão de produto como alguém que se limita a identificar lacunas e a preenchê-las, ou como o “CEO do seu produto”. Vejo-o como uma aproximação desconfortável aos pormenores. Uma aproximação suficiente para começarmos a preocupar-nos com coisas que não aparecem num roteiro.

E agora estamos neste momento da IA, que, sinceramente, parece um pouco como dar um jetpack a toda a gente e esperar que ninguém voe contra uma árvore.

Passo muito tempo, à noite e aos fins de semana, a programar por intuição e a criar pequenas ferramentas improvisadas com agentes de IA. É possível passar da ideia a um produto funcional numa tarde, o que é incrível. Ao mesmo tempo, os fundamentos são mais importantes do que nunca. Compreender os sistemas, as vantagens e desvantagens e a forma como as coisas funcionam realmente nos bastidores é o que distingue algo que é lançado de algo que perdura.

Caso contrário, acabamos com um cemitério de projetos inacabados e erros misteriosos.

Por isso, a minha jornada até este momento não tem sido realmente uma questão de mudar a forma como trabalho. Tem sido uma questão de redobrar a aposta nessa forma de trabalhar. Manter-me próxima do ofício. E construir coisas por mim própria.

Reduzir a distância entre a ideia e a validação

Até muito recentemente, liderava o produto de uma equipa da Google Labs chamada AIDA, sigla de Assistência de Desenvolvimento com IA.

Trabalhávamos bastante ao nível da base tecnológica. Modelos iniciais de programação, dados de treino para código que alimentavam o Gemini e, depois, a subida na camada de abstração para produtos como o Colab Composer e o Jules. A mudança passou de “Conseguimos gerar código?” para “Conseguimos realmente ajudar as pessoas a criar software real de ponta a ponta?”

Por isso, a organização que liderei era, em grande medida, híbrida. Em parte investigação, em parte produto e em parte “Vamos lançar algo improvisado esta semana e ver se alguém o utiliza”. Os nossos utilizadores iam desde programadores profissionais a pessoas que nunca tinham escrito código, um público que nos obriga a manter a humildade, porque é necessário assegurar simultaneamente profundidade e acessibilidade.

O modelo de entrega refletia essa realidade. Muitas iterações rápidas, ciclos estreitos entre a capacidade do modelo e a experiência do produto e vontade de deitar coisas fora se não vingassem. É menos roteiro e mais exploração com intenção.

Agora estou na OpenAI, a trabalhar no Codex, o que representa, de certa forma, um regresso às origens. O Codex começou por ser um modelo e está agora a evoluir para um agente e uma camada de aplicação dentro do ChatGPT que ajuda as pessoas a realizar efetivamente o trabalho. Escrever código, automatizar fluxos de trabalho e interligar sistemas.

Por isso, em ambos os casos, o fio condutor é o mesmo. Criar ferramentas que reduzam a distância entre uma ideia e algo em funcionamento no mundo real.

Porque devem as pessoas responsáveis pela gestão de produto centrar-se no desenvolvimento de produtos orientado por protótipos

Deixei de tratar as especificações como o principal artefacto do trabalho de produto. É uma mudança que já tinha começado, mas a IA acelerou-a.

No início da minha carreira, sobretudo na GitHub e na Heroku, percebi a importância do ímpeto. A utilização real é importante. Aprende-se mais com algo em produção do que alguma vez se aprenderá com um documento perfeitamente redigido.

O que a IA fez foi levar essa filosofia ainda mais longe, comprimindo-a.

Agora, em vez de escrever uma especificação longa e debatê-la durante uma semana, construo eu próprio uma versão rudimentar do produto. Ou programo por intuição um protótipo num ou dois dias. Algo em que se pode clicar, que se pode fazer falhar e sobre o qual se pode reagir. Isso muda tudo.

Passa-se de “O que achamos que vai acontecer?” para “O que acontece realmente quando se utiliza isto?” Grande parte do debate abstracto transforma-se em algo concreto.

Também muda o papel do gestor de produto. Não se trata apenas de dar forma a ideias; passamos a testá-las directamente sob pressão. Estamos mais próximos da implementação, por isso detectamos mais cedo as suposições erradas.

O resultado é velocidade, claro. Lançamos mais depressa, eliminamos ideias mais depressa e aperfeiçoamos as boas ideias mais depressa.

A mudança mais importante, porém, é que as nossas decisões são mais honestas.

Porque é que as desvantagens da IA são subtis, mas importantes

Mas existem, sem dúvida, desvantagens.

Uma delas é aquilo a que chamaria “velocidade ilusória”. Sentimos que estamos a avançar incrivelmente depressa porque estamos a produzir muito. Código, protótipos, documentação. Mas nem tudo é realmente bom ou utilizável. É possível gerar muita superfície sem verdadeira profundidade.

Outra questão é a qualidade e a confiança. O código gerado por IA pode ser surpreendentemente bom e, ao mesmo tempo, estar erradamente seguro de si. Se não compreendermos o que está a acontecer nos bastidores, podemos acabar por lançar coisas frágeis, inseguras ou difíceis de manter.

E depois há uma questão subtil. Nunca foi tão fácil começar coisas. Isso não significa necessariamente que seja mais fácil terminá-las bem. Vamos ver muito mais produtos inacabados, protótipos abandonados e sistemas que funcionam mais ou menos até deixarem de funcionar. Eu próprio construí alguns desses.

Assim, o resultado geral é um pouco paradoxal. Nunca fomos tão rápidos a chegar a alguma coisa. Isso não significa que sejamos automaticamente melhores a transformar essa coisa em algo duradouro.

Pensamentos da Kathy

Nunca foi tão fácil começar coisas. Isso não significa necessariamente que seja mais fácil terminá-las bem. Vamos ver muito mais produtos inacabados, protótipos abandonados e sistemas que funcionam mais ou menos até deixarem de funcionar. Eu própria construí alguns desses.

Porque é que quatro princípios transformam produtos, levando-os do impacto imediato à confiança

Quero partilhar um pouco mais sobre confiança, porque penso que os líderes de produto subestimam o risco de software invisível e de baixa qualidade.

A IA torna incrivelmente fácil construir coisas. É possível criar ferramentas, funcionalidades e até aplicações completas numa fracção do tempo que isso costumava exigir. Parece uma vantagem inequívoca, mas o resultado é muito mais software que funciona mais ou menos.

Funcionalidades inacabadas, sistemas frágeis, coisas que foram construídas rapidamente e nunca foram robustecidas. Não falham de forma evidente. Vão simplesmente degradando-se ao longo do tempo. Avariam-se de formas subtis, criam confusão ou corroem silenciosamente a confiança.

O risco não é apenas a dívida técnica no sentido tradicional. É a dívida de confiança.

Eis quatro princípios que considero úteis:

1. Torne o sistema compreensível. Os utilizadores devem conseguir perceber o que a IA está a fazer e porquê, pelo menos a um nível geral. Não é necessária transparência técnica total, mas deve haver o suficiente para que não pareça uma caixa negra a tomar decisões arbitrárias. Isso pode ser tão simples como mostrar os passos, tornar explícitas as suposições ou permitir que os utilizadores inspeccionem o que mudou.
2. Conceba o sistema para permitir correcções. O sistema estará errado algumas vezes. Isso é inevitável. O que importa é a facilidade com que um utilizador pode intervir, corrigi-lo e prosseguir. Se corrigir o sistema for penoso, a confiança diminui rapidamente. Se for fácil, as pessoas continuarão a utilizá-lo, mesmo que não seja perfeito.
3. Construa para a consistência, não para o impacto momentâneo. Muitos produtos de IA optimizam o momento de “uau”. Uma interacção realmente impressionante. A confiança vem do oposto — o sistema fazer aquilo que se espera, vezes sem conta, sem surpresas. Sobretudo nas ferramentas para programadores, a previsibilidade é mais importante do que a magia.
4. Mostre contenção. O facto de o sistema poder fazer algo não significa que deva fazê-lo. Se automatizar em excesso ou assumir demasiado controlo, os utilizadores sentem-no. Perdem a sensação de autonomia. Os melhores produtos dão-lhe mais capacidade sem o afastarem do processo.

Porque é que a IA não consegue lidar com a diferenciação de produtos ou com a automatização de ponta a ponta

Eis mais alguns aspetos em que a IA está a ficar aquém.

Fala-se muito de agentes que podem simplesmente receber uma tarefa e executá-la de ponta a ponta. Na prática, a maioria dos sistemas que vi ainda exige muita supervisão. Temos de os orientar, corrigir e voltar a dar-lhes instruções. É mais como gerir um estagiário entusiasta do que delegar a tarefa a um colega de equipa totalmente autónomo.

Continua a ser útil, mas é diferente da expectativa.

E depois há a diferenciação de produtos.

Muitas funcionalidades de IA atuais parecem semelhantes. Pode adicionar-se uma interface de conversação, gerar algum código e resumir algo. Isso é o mínimo exigido atualmente.

O que tem sido mais difícil é transformar essas capacidades em algo que pareça ter um valor único e estar profundamente integrado num fluxo de trabalho. Algo de que as pessoas sentiriam realmente falta se lhes fosse retirado.

Penso que é aí que muitos produtos ficam aquém.

Porque é que o julgamento humano continua a ser essencial nas decisões sobre produtos de IA

Os gestores de produto têm de se perguntar: “Onde é que a IA tem realmente bom gosto? E onde é que não tem?”

Há áreas do trabalho de produto em que a IA me é agora incrivelmente útil — tudo o que beneficie de abrangência, rapidez ou iteração, apoio-me fortemente nela. A descoberta inicial, a exploração de espaços de solução, a elaboração de diferentes abordagens e até a geração de direções ou fluxos de UX preliminares. É excelente para ajudar a desbloquear uma situação ou a ver mais opções do que veria sozinho.

Também a utilizo muito para a criação de protótipos, como referi. Poder passar rapidamente de uma ideia para algo interativo mudou completamente a forma como trabalho.

E depois há todo o trabalho “intermédio”. Resumir o feedback dos utilizadores, identificar padrões nos dados e elaborar documentação. Coisas que costumavam exigir muito tempo e alternância de contexto.

Não recorro à IA quando o julgamento é realmente importante. A priorização é um grande exemplo. A IA pode ajudar a listar opções, mas não compreende verdadeiramente os compromissos no seu negócio, na sua equipa ou nas suas limitações. Não sente o custo de estar errada.

O mesmo se aplica às decisões sobre o roteiro do produto. Estas dependem de convicção, timing e, por vezes, de fazer uma aposta que não parece racional numa folha de cálculo.

A UX é outro caso interessante. A IA pode gerar muita UI rapidamente, mas não tem bom gosto. Não sente aquilo que é frustrante ou encantador após uma utilização repetida. Especialmente quando se está a criar para programadores, a diferença entre algo que funciona e algo que proporciona uma boa experiência é absolutamente fundamental.

E depois há os compromissos técnicos. A IA pode sugerir arquiteturas, mas não assume as consequências a longo prazo dessas decisões. A sua equipa assume.

Como é que a IA perturba os pressupostos tradicionais sobre produtos

Penso que o maior pressuposto de que tive de abdicar é o de que o terreno onde estamos é estável.

Durante muito tempo, no desenvolvimento de produtos, era possível assumir que algumas coisas eram relativamente fixas. A interface, o fluxo de trabalho e até aquilo que o produto é. Iterava-se dentro desses limites. A IA quebra isso.

O modelo melhora e, de repente, a superfície do seu produto está errada. Surge um novo paradigma de interação e aquilo que parecia um roteiro sólido torna-se irrelevante. As coisas que considerava limitações desaparecem e surgem novas que não tinha previsto.

Por isso, não estamos apenas a construir sobre um terreno instável. Estamos constantemente a questionar se o terreno deveria sequer existir. Esta foi uma grande mudança de mentalidade para mim.

O segundo pressuposto de que abdiquei é o de que os melhores produtos são os mais bem definidos. No passado, dava-se muita importância à clareza desde o início. Definir o problema, definir a solução e executar de forma rigorosa.

Agora, grande parte do valor resulta de permanecer mais tempo na exploração do que seria confortável. Permitir que o produto permaneça um pouco indefinido enquanto as capacidades subjacentes continuam a evoluir.

E o último diz respeito ao lugar onde reside o valor. Costumava pensar que grande parte do valor de um produto estava na interface. Na UI, no fluxo, nos píxeis. Agora, grande parte do valor está no comportamento. Na forma como o sistema responde, se adapta e colabora. A interface continua a ser importante, especialmente para os programadores, mas já não é o centro de gravidade.

Como a IA está a fazer desaparecer funções

As funções estão a desmoronar-se. As fronteiras entre PM, engenheiro e designer estão a ficar muito mais ténues.

Com a IA, é possível criar protótipos, escrever código, explorar a experiência do utilizador e testar ideias sob pressão de forma muito mais direta. Isso significa que mais pessoas podem atuar em áreas que antes correspondiam a funções muito distintas. E isso altera a estrutura da equipa.

São necessárias menos transferências de trabalho. E mais pessoas capazes de pegar numa ideia e fazê-la avançar por si próprias, pelo menos até um nível de fidelidade significativo.

Senti isto de forma bastante pessoal. Recentemente, voltei a assumir funções de PM individual e tem sido incrivelmente gratificante. Estou novamente muito mais próxima do trabalho. A criar coisas, a testar ideias, a entrar nos pormenores. Isto lembra-me que uma grande parte da capacidade de decisão sobre produtos vem de facto de criar coisas, e não apenas de as coordenar.

Isso não significa que os gestores ou a especialização desapareçam. Continua a ser necessária experiência profunda, especialmente em áreas como o design de sistemas ou uma experiência do utilizador de elevada qualidade. Mas também são necessários mais “pensadores de produto de ponta a ponta”, capazes de se movimentar com fluidez por todo o conjunto tecnológico e de utilizar a IA como alavanca.

Porque é que a IA mudou as expectativas dos utilizadores

A IA não melhora apenas o seu produto. Redefine aquilo que os utilizadores esperam de todos os produtos. Por isso, já não está apenas a competir com os seus concorrentes diretos. Está a competir com a melhor experiência de IA que alguém teve em qualquer lugar nessa semana.

Acho que subestimei a rapidez com que essa mudança de expectativas iria acontecer.

Na prática, isto significa que as janelas de “suficientemente bom” são muito mais curtas. Algo pode parecer mágico na segunda-feira e ultrapassado na sexta-feira. Se soubesse disso, teria otimizado mais para a adaptabilidade e menos para o aperfeiçoamento.

Pensamentos da Kathy

Acho que subestimei a rapidez com que essa mudança de expectativas iria acontecer…Na prática, isto significa que as janelas de “suficientemente bom” são muito mais curtas.

Porque é que os líderes de produto devem encarar a IA como uma mudança de disciplina

O meu conselho é encarar este momento menos como uma mudança de ferramentas e mais como uma mudança de disciplina.

A competência mais importante neste momento é a capacidade de ver com clareza. A IA gera muitos resultados. Ideias, código, direções. O risco é começar a confundir esses resultados com a verdade. Por isso, enquanto líder de produto, o seu trabalho é manter-se ancorado no que está realmente a acontecer. No que os utilizadores estão a fazer, nos pontos em que as coisas falham e naquilo que se mantém válido ao longo do tempo.

A segunda coisa é criar aquilo de que depende. Se está a trabalhar em produtos de IA, deve utilizá-los profundamente. Não apenas em demonstrações ou revisões, mas nos seus próprios fluxos de trabalho. Sentirá imediatamente as lacunas. Onde as coisas são lentas, onde são confusas, onde quase funcionam, mas não totalmente. Esse tipo de experiência em primeira mão é difícil de substituir e altera a qualidade das suas decisões.

A terceira é ficar confortável com a tensão. Existe atualmente uma verdadeira tensão entre velocidade e qualidade, exploração e disciplina, aquilo que é possível e aquilo que é realmente útil. Essa tensão não é algo que tenha de ser resolvido. É o trabalho. As melhores equipas que conheci não tentam eliminá-la. Navegam por ela de forma intencional. Avançam rapidamente quando estão a aprender e abrandam quando algo tem de estar certo.

E, por último, não deixe que a IA o transforme num gestor de resultados. É muito fácil recuar e coordenar, criar instruções, rever e avançar. Mas os melhores líderes de produto continuam, neste momento, muito próximos da prática. Criam, testam e corrigem as coisas que os incomodam.

Porque, em última análise, o trabalho não mudou. Continua a ser responsável por criar algo que funciona, em que as pessoas confiam e que se integra nas suas vidas. A IA apenas muda a forma como lá chega.

Acompanhe o trabalho

Pode saber mais sobre a Kathy no seu blog sobre criação de produtos ou no seu site pessoal. Ou pode segui-la no X.

Haverá mais entrevistas com especialistas no Clube de CPO!