Vice-presidente sénior de Gestão de Produto discute a mudança dos processos lineares para a iteração paralela

Suman Chittimuri é o vice-presidente sénior de Gestão de Produto na Kore.ai, onde lidera produtos baseados em IA que servem milhões de utilizadores em fluxos de trabalho empresariais, como RH, TI, Compras e Experiência do Cliente.

Falámos com Suman para compreender como a IA está a transformar o desenvolvimento de produtos enquanto disciplina. Defendeu que, em vez de melhorar os fluxos de trabalho existentes, a IA obriga as equipas a repensá-los por completo — passando de processos lineares para uma iteração contínua e paralela.

Aplicar IA nos fluxos de trabalho empresariais

Sou o vice-presidente sénior de Gestão de Produto na Kore.ai, onde lidero iniciativas de produto que aplicam IA nos fluxos de trabalho empresariais — abrangendo RH, TI, Compras e Experiência do Cliente.

Concebemos os nossos produtos para grandes empresas, servindo tanto os colaboradores como os clientes finais em grande escala, em setores como a banca, os cuidados de saúde e o retalho, apoiando milhões de interações. Utilizamos um modelo de entrega orientado para a plataforma, no qual desenvolvemos capacidades essenciais de IA como componentes reutilizáveis e implementamo-las em vários fluxos de trabalho — o que nos permite expandir os casos de utilização mais rapidamente, mantendo a consistência e o controlo.

Ao longo do último ano, a IA passou de uma camada de assistência para uma camada central de execução. Essa mudança afeta não só as funcionalidades, mas também a forma como concebemos os produtos, como as equipas trabalham e a rapidez com que passamos da ideia ao impacto.

Essa mudança na forma como pensamos nos produtos moldou o meu percurso rumo à transformação de produtos orientada pela IA.

Como a IA acelera os fluxos de trabalho de desenvolvimento de produtos

Por causa da IA, passámos de um modelo linear de desenvolvimento de produtos para um fluxo de trabalho mais contínuo e assistido por IA.

No passado, a descoberta, a criação de PRD, o design e a prototipagem eram sequenciais. A IA quebra esse modelo. Dá suporte a cada uma destas etapas em paralelo, gerando contributos de investigação, elaborando especificações e criando protótipos iniciais quase em simultâneo.

O que mudou como resultado foi a velocidade e a iteração. O que antes demorava dias acontece agora em horas, permitindo às equipas explorar mais opções e aperfeiçoar mais rapidamente. Isto significa que as equipas podem — e devem — explorar mais opções antes de assumirem um compromisso.

Tudo isto exige algumas mudanças:

• De transferências sequenciais para uma iteração contínua
• Da produção de artefactos para o aperfeiçoamento dos resultados
• De uma exploração limitada para uma experimentação rápida

O estrangulamento já não está na construção — está em decidir o que construir e validá-lo de forma eficaz. Tivemos de reforçar as camadas de validação e aplicar o julgamento humano de forma mais deliberada.

Porque é que a IA informa as decisões de produto — mas são os seres humanos que as finalizam

Recorremos intensivamente à IA para informar e acelerar atividades a montante e atividades de execução intensiva:

• Apoio à descoberta (investigação secundária, análise da concorrência)
• Definição do problema e exploração inicial de soluções
• Elaboração de PRD e contributos para o roteiro
• Conceitos de UX e prototipagem inicial
• Conceção de experiências e exploração de compromissos técnicos

Estas são áreas em que a velocidade, a abrangência e a iteração são importantes. A IA tem um bom desempenho nestas áreas.

O envolvimento humano continua a ser explícito na tomada de decisões e nas áreas que exigem muito contexto:

• Investigação primária e compreensão profunda dos clientes
• Priorização final e compromissos do roteiro
• Refinamento da UX e consistência do design
• Interpretação dos resultados das experiências
• Tomada de decisões de compromisso entre negócio, tecnologia e partes interessadas

A razão é simples: a IA é eficaz a gerar opções e padrões, mas é menos forte no julgamento, no contexto e na responsabilização.

Na minha experiência, a IA acelera o “como” e o “que é possível”, enquanto eu e a minha equipa assumimos o “que é importante” e “com que nos comprometemos”.

Como a IA aumenta a velocidade do produto, mas desafia a qualidade

De um modo geral, observei melhorias claras na velocidade e no volume de trabalho em várias atividades de produto:

• A criação de PRD foi reduzida de ~1 dia para ~2–3 horas
• A prototipagem inicial foi reduzida de ~2 dias para ~4–6 horas
• A investigação sobre concorrentes e mercado foi reduzida de ~5–6 horas para ~1–2 horas
• Os ciclos de análise de dados foram reduzidos em ~60–70%

Isto permite às equipas explorar mais opções e iterar mais rapidamente dentro dos mesmos prazos.

No entanto, a qualidade e a consistência são irregulares:

• Os resultados da IA exigem frequentemente uma validação e um retrabalho significativos.
• As equipas tendem a confiar demasiado nos resultados iniciais, o que conduz a um pensamento superficial.
• A consistência da UX é prejudicada quando a IA gera protótipos sem uma supervisão sólida do design.
• Em alguns domínios, a precisão estabiliza (por exemplo, em 80–85% na extração estruturada), limitando a utilização em decisões de alto risco.

A IA melhora significativamente a eficiência, mas os resultados continuam a depender fortemente do rigor com que as equipas analisam e aperfeiçoam o que ela produz.

Suman Partilha

A IA não melhora apenas os fluxos de trabalho — obriga-o a repensá-los…A IA melhora significativamente a eficiência, mas os resultados continuam a depender fortemente do rigor com que as equipas analisam e aperfeiçoam o que ela produz.

Por que razão a IA exige repensar os fluxos de trabalho de produto

Eis algo que os líderes de produto precisam de saber: a IA não melhora apenas os fluxos de trabalho — obriga-o a repensá-los.

A maioria das equipas começa por acrescentar IA aos processos existentes, adicionando copilotos, assistentes ou automatização a etapas predefinidas. Normalmente, isto conduz a ganhos incrementais de velocidade ou eficiência, mas o sistema central permanece inalterado.

A verdadeira oportunidade surge quando redesenha os fluxos de trabalho, partindo do princípio de que a IA é uma componente central desde o início.

Quando o faz, algumas coisas mudam:

• O trabalho torna-se menos linear e mais paralelo — a descoberta, a prototipagem e a validação podem ocorrer simultaneamente.
• O custo de criar e testar ideias diminui significativamente, permitindo mais iterações.
• O papel das equipas passa de gerar resultados para analisar, aperfeiçoar e tomar decisões.
• Os estrangulamentos passam da execução para o julgamento, a validação e o alinhamento.

Mas fazer isto exige repensar não só os processos, mas também as funções, a responsabilidade e a forma como mede a qualidade.

Se não alterar o sistema, limitará o resultado. Terá versões mais rápidas dos mesmos fluxos de trabalho — não fluxos fundamentalmente melhores.

Como a IA simplificou os fluxos de trabalho de descoberta e prototipagem

Falemos do nosso fluxo de trabalho, desde a descoberta do produto até à prototipagem.

Começamos com uma descoberta apoiada por IA, em que a IA sintetiza sinais do mercado, movimentos dos concorrentes e dados internos para criar uma visão inicial do espaço do problema. A investigação primária conduzida por pessoas — conversas com clientes e contributos das partes interessadas — complementa este processo.

Em seguida, a IA ajuda a estruturar o problema e a explorar soluções, gerando várias abordagens, compromissos e hipóteses iniciais.

Depois, passamos à criação do PRD, em que a IA elabora a primeira versão dos requisitos, dos fluxos dos utilizadores e dos casos extremos. Os gestores de produto aperfeiçoam-na com o contexto empresarial, as restrições e as prioridades.

Em paralelo, a IA apoia a conceptualização da UX e a criação de protótipos iniciais, gerando esquemas estruturais ou fluxos para uma análise e iteração rápidas.

Por fim, antes de avançarmos para a construção, executamos um ciclo de validação:

• As equipas de gestão de produto, conceção e engenharia analisam os resultados.
• Identificamos lacunas, inconsistências e riscos.
• Utilizamos novamente a IA para aperfeiçoar o resultado com base no retorno.

O que antes era um processo sequencial acontece agora num ciclo restrito, comprimindo frequentemente vários dias de trabalho em apenas algumas horas.

Porque é que os fluxos de trabalho de produto com IA de ponta a ponta continuam por concretizar

Dito isto, a IA ainda não é capaz de executar um fluxo de trabalho de produto autónomo de ponta a ponta verdadeiramente fiável.

Observamos progressos significativos em etapas individuais, mas ainda não existe um sistema que passe consistentemente do problema → solução → lançamento com uma intervenção humana mínima.

As lacunas surgem ao nível de:

• Manutenção do contexto ao longo das etapas
• Gestão de casos extremos e ambiguidades
• Garantia de uma qualidade consistente e de alinhamento com os objetivos empresariais

A promessa é aliciante, mas, atualmente, a IA apenas consegue acelerar o fluxo de trabalho. Não consegue assumi-lo de ponta a ponta com fiabilidade.

Como é que a IA transforma as funções e competências das equipas de produto

No que diz respeito às equipas de produto, destacam-se algumas mudanças:

• Os gestores de produto estão a tornar-se “construtores”, o que significa que se espera que trabalhem em estreita colaboração com a IA, iterem rapidamente e compreendam como implementar as soluções, e não apenas o que construir.
• As funções de conceção e engenharia estão a passar para uma fase mais inicial do ciclo, colaborando desde o início em vez de se juntarem ao processo depois de os requisitos estarem definidos.
• A responsabilidade pela qualidade está mais distribuída. Todos são responsáveis por validar os resultados da IA, e não apenas a sua área funcional.

Estamos também a observar a necessidade de novas competências:

• Uma mentalidade mais forte de avaliação e testes
• Capacidade para trabalhar com ambiguidade e sistemas não determinísticos
• À-vontade com a iteração e a experimentação rápidas

Porque é que os líderes devem desconfiar da falsa confiança da IA

Os líderes subestimam um risco importante: a falsa confiança nos resultados da IA.

A IA produz frequentemente respostas fluentes e bem estruturadas que parecem corretas — mesmo quando estão incompletas ou erradas. As equipas tendem a confiar nos resultados sem uma validação suficiente.

Em pequena escala, isto resulta em erros menores. Em grande escala, pode levar à propagação de erros sistemáticos por vários fluxos de trabalho — em decisões de produto, interações com clientes ou processos operacionais.

Partilhas de Suman

Os líderes subestimam um risco importante: a falsa confiança nos resultados da IA… As equipas tendem a confiar nos resultados sem uma validação suficiente.

Porque é que o Claude é a ferramenta mais valiosa na gestão de produto

Se tivesse de manter apenas uma ferramenta de IA, escolheria um espaço de trabalho de IA para utilização geral — o Claude e o Claude Work.

Não por ser perfeito, mas por ser a ferramenta mais versátil ao longo do ciclo de vida do produto — descoberta, definição do problema, elaboração de PRD, contributos para prototipagem e até exploração técnica.

O valor não está apenas na própria ferramenta, mas também na facilidade com que se adapta a diferentes fluxos de trabalho sem exigir uma configuração ou integração complexa.

As ferramentas especializadas são úteis, mas tendem a resolver etapas específicas. Um espaço de trabalho de IA de uso geral funciona como uma camada de raciocínio e execução aplicável a várias fases.

Porque é que a avaliação e o discernimento são o que importa para os líderes de produto

Eis o que gostaria de ter sabido antes de começar a trabalhar com IA:

1. O desenvolvimento orientado pela avaliação é fundamental: É necessário ter formas claras de medir a qualidade dos resultados iniciais. Sem isso, é difícil confiar nos sistemas de IA ou fazê-los escalar.
2. A experimentação não é opcional: Os sistemas de IA são não determinísticos. Não se obtém um bom resultado numa única tentativa; é necessário iterar através de várias versões.

Por isso, este é o meu conselho. Comece por criar estruturas de avaliação sólidas. Se eu tivesse feito isso, teríamos evitado retrabalho e uma falsa confiança nos resultados iniciais.

Além disso, é importante compreender o seguinte: O pensamento sólido sobre produto já não é impulsionado principalmente por um conhecimento profundo do domínio.

No passado, os gestores de produto desenvolviam e utilizavam conhecimentos especializados profundos ao longo do tempo. Atualmente, a IA torna facilmente acessível grande parte desse conhecimento de base — contexto de mercado, informações sobre concorrentes e até análises de primeiro nível.

O que importa mais agora não é apenas aquilo que sabe, mas a forma como questiona, sintetiza e aplica o seu discernimento. A profundidade continua a ser importante, mas já não é o único fator diferenciador.

Acompanhe

Pode subscrever a newsletter de fluência em IA de Suman Chittimuri no LinkedIn e a sua newsletter sobre produto no Substack. E pode segui-lo no LinkedIn.

Em breve, teremos mais entrevistas com especialistas no The CPO Club!