Diretora de Produto e fundadora nativa de IA partilha como gerir inteligentemente um roteiro com IA

Tara Sakhuja é a CPO da Luv or Pop e fundadora de uma empresa nativa de IA chamada Data Dumpling. Antes destas funções, trabalhou na área de produto em empresas como a Meta e a Bumble.

Sentámo-nos com a Tara para saber como está a transformar os seus fluxos de trabalho de PM com IA. Ao longo da conversa, partilhou uma das maiores armadilhas para quem desenvolve produtos de IA.

Produtos inteligentes, construídos de forma inteligente

Sou Tara Sakhuja. Trabalho na interseção entre a IA, a estratégia de produto e o comportamento humano.

Sou fundadora e CEO da Data Dumpling, uma plataforma de IA que ajuda as empresas a compreender quem são os seus clientes, que sinais são relevantes e onde as suas equipas devem concentrar-se. Sou também diretora de produto na Luv or Pop, onde estamos a repensar os encontros e as comunidades online através de um dos programas mais virais do mundo, Pop the Balloon or Find Love with Arlette Amuli.

Antes disso, passei uma década a desenvolver produtos na Meta e, mais tarde, na Bumble, trabalhando nas áreas da publicidade, do comércio, das mensagens empresariais, da integridade, da confiança e dos sistemas de aprendizagem automática.

Uma única pergunta liga todas estas experiências: como se constroem sistemas que ajudam as pessoas a tomar melhores decisões?

Na Meta, construí sistemas que operavam à escala de milhares de milhões de utilizadores. Na Bumble, concentrei-me na segurança, na confiança e na forma como a IA afeta experiências profundamente humanas. Agora, enquanto fundadora, desenvolvo produtos nativos de IA a partir dos primeiros princípios.

Estamos a entrar numa das maiores mudanças no desenvolvimento de produtos desde o aparecimento dos dispositivos móveis. A maior mudança não é o facto de os produtos estarem a tornar-se inteligentes. É o facto de a forma como construímos produtos também ter de se tornar inteligente.

A próxima geração de produtos

A Data Dumpling é nativa de IA. Liga a inteligência da empresa, os comités de compra, os sinais relacionais e a intenção em tempo real, ajudando as equipas a identificar as oportunidades de maior valor e a compreender qual deve ser a próxima ação. Trabalhamos com empresas dos setores da tecnologia empresarial, da consultoria e da indústria, ajudando as equipas de receitas a passar de listas estáticas e pesquisa manual para sistemas de decisão orientados por IA.

Na Luv or Pop, lidero a estratégia de produto de uma plataforma social para consumidores que está a reinventar os encontros através da confiança, da identidade e da comunidade. Crescemos para dezenas de milhares de utilizadores nos EUA, no Reino Unido, no Canadá e em algumas regiões de África, desenvolvendo sistemas de verificação, correspondência e ligação humana autêntica.

Embora os produtos pareçam muito diferentes, a filosofia de produto subjacente é a mesma: a próxima geração de produtos não ajudará apenas as pessoas a realizar mais trabalho. Ajudá-las-á a tomar melhores decisões.

Quer estejamos a ajudar uma equipa de GTM a encontrar o seu próximo cliente, quer a ajudar alguém a encontrar uma relação significativa, o desafio consiste em conceber tecnologia que potencie o julgamento humano.

Como a IA está a permitir que equipas mais pequenas alcancem rigor no desenvolvimento de produtos

Uma das maiores mudanças para mim é a forma como a IA aumentou a alavancagem operacional das pequenas equipas de produto.

Quando estava na Meta, dispúnhamos de uma infraestrutura significativa para a tomada de decisões. Equipas dedicadas, plataformas de experimentação maduras, painéis, cientistas de dados, investigadores e analistas ajudavam as equipas de produto a compreender o comportamento dos utilizadores e a tomar melhores decisões.

Historicamente, apenas as empresas com centenas ou milhares de pessoas conseguiam alcançar esse nível de rigor no desenvolvimento de produtos. A IA está a mudar isso.

Mesmo com as minhas equipas mais pequenas, utilizamos intensivamente a IA para compreender as interações dos utilizadores e definir as nossas próximas áreas de foco.

Ligamos os nossos dados de produto ao Claude e utilizamos ferramentas como o Mixpanel para compreender o comportamento dos utilizadores. Anteriormente, uma equipa pequena gastaria bastante tempo a criar painéis, a escrever consultas e a analisar manualmente padrões antes de abordar a questão de produto. Agora, podemos conversar com os nossos dados.

Assim, quando lançamos uma nova funcionalidade ou realizamos uma campanha, conseguimos compreender rapidamente:

• Que segmentos de utilizadores estão a responder?
• Onde estão as pessoas a abandonar?
• Que comportamentos estão correlacionados com a retenção?
• O que devemos testar a seguir?

Isso não significa que a IA tome a decisão por nós. Muda a forma como investimos o nosso tempo.

O papel humano afasta-se da recolha de dados e aproxima-se da formulação de perguntas melhores.

Um modelo pode identificar alterações nas métricas, segmentar essa alteração e sugerir possíveis explicações, mas, no final de contas, o discernimento humano sobre o produto pode dizer-nos quais as hipóteses credíveis, se a alteração é relevante e o que fazer a seguir.

Como a prototipagem rápida muda a conversa

A IA reduz a distância entre uma ideia e o retorno real dos clientes.

Utilizamos intensivamente a IA durante as primeiras fases do desenvolvimento de produtos. Em vez de começarmos com um documento conceptual escrito, criamos agora rapidamente protótipos e experiências interativas através de programação baseada em ideias, que permitem à equipa sentir o produto antes de comprometer recursos de engenharia.

Isso mudou a qualidade das conversas que temos interna e externamente.

Uma ideia de produto pode parecer excelente num documento, mas, no momento em que alguém interage com ela, reparamos em aspetos que, de outro modo, nos passariam despercebidos: fricção para o utilizador, reações emocionais, fluxos confusos ou pressupostos que não se confirmam.

Testamos rigorosamente os protótipos sob condições exigentes, recolhemos retorno, iteramos e só depois avançamos para o desenvolvimento completo.

E isto é particularmente importante porque a IA também facilita a criação de coisas impressionantes que não resolvem problemas relevantes. Por exemplo, na Data Dumpling, experimentámos personas de clientes sintéticas porque tínhamos informações detalhadas sobre empresas, compradores e responsáveis pela tomada de decisões. Podíamos simular a forma como diferentes personas poderiam reagir a mensagens ou campanhas. Tecnicamente, foi uma das coisas mais interessantes que criámos. Mas os nossos clientes não precisavam dela.

Reflexões da Tara

Testamos rigorosamente os protótipos sob condições exigentes, recolhemos feedback, iteramos e só depois avançamos para o desenvolvimento completo. E isto é particularmente importante porque a IA também facilita a criação de coisas impressionantes que não resolvem problemas relevantes.

Como a IA afeta a descoberta de clientes e os roteiros de produto

Historicamente, a descoberta de clientes era um processo sujeito a perdas de informação. Um gestor de produto tomava notas, resumia as conversas, identificava temas e traduzia essas informações em decisões sobre o roteiro de produto. Muito dependia daquilo que alguém se lembrava ou documentava.

Reconstruí esse fluxo de trabalho com IA. A Read AI regista todas as conversas com clientes e potenciais clientes, e o Claude sintetiza-as. Criámos competências personalizadas que associam diretamente essas conversas ao nosso roteiro de produto, ajudando-nos a compreender que problemas surgem repetidamente, que segmentos de clientes se preocupam com eles e de que forma esses pedidos se relacionam com oportunidades de receita.

A qualquer momento, podemos compreender não só quantos clientes pediram uma funcionalidade, mas também qual a importância do problema, quem o está a experienciar e se resolvê-lo faz a empresa avançar.

O resultado é que as decisões sobre o produto dependem de um sistema de informação sobre os clientes que é continuamente atualizado, em vez de dependerem de uma coleção de notas estáticas e conversas isoladas.

Porque é que os gestores de produto devem ter cuidado ao criar com base no que os modelos fundacionais não conseguem fazer

Se está a criar produtos de IA, precisa de compreender a rapidez com que os modelos fundamentais evoluem. Ainda no ano passado, uma das primeiras capacidades de IA que desenvolvemos na Data Dumpling envolvia a geração de conteúdos. Na altura, gerar comunicações altamente contextuais utilizando informações sobre as empresas parecia uma verdadeira vantagem competitiva.

No final do ano, os modelos tinham melhorado drasticamente a sua capacidade de compreender imagens, ligações e contexto longo, bem como de gerar conteúdos de elevada qualidade de imediato. Aquilo que inicialmente parecia diferenciador tornou-se rapidamente um requisito básico.

Penso que é perigoso criar produtos cujo valor principal dependa daquilo que o modelo não consegue fazer hoje. Em vez disso, concentramos os nossos esforços em criar soluções em torno dos fluxos de trabalho dos clientes, de dados proprietários e de sistemas que se tornam mais valiosos ao longo do tempo.

Porque é que os líderes de produto devem experimentar, mas ser decisivos

O meu conselho é simples: seja curioso, mas seja decisivo.

Quase todas as semanas surgem novos modelos, ferramentas e capacidades. Ninguém tem todas as respostas, por isso as equipas que aprendem mais rapidamente são as que estão dispostas a experimentar.

Comece por qualquer parte lenta, repetitiva ou frustrante do seu processo de desenvolvimento de produto. Experimente diferentes ferramentas de IA. Veja o que melhora genuinamente o trabalho da sua equipa. Meça o impacto, mantenha o que funciona e não tenha receio de abandonar o que não funciona.

Ao mesmo tempo, existe atualmente a tentação de reconstruir tudo porque a IA existe. Essa não é a abordagem correta.

Se um processo já funciona bem, a IA não tem necessariamente lugar nele. A IA deve resolver problemas reais, não criar novos problemas.

Além disso, nem todas as decisões devem ser automatizadas. Na Data Dumpling, embora a IA automatize grande parte da descoberta de potenciais clientes, do mapeamento do comité de compras e da análise de sinais de intenção, concebemos todo o nosso fluxo de trabalho em torno da participação de uma pessoa. A IA é excecional a identificar oportunidades, estabelecer ligações entre sinais e dar prioridade às áreas que merecem atenção. Mas continua a ser uma pessoa a tomar a decisão final, seja para avançar com uma conta, alterar uma estratégia ou decidir como agir perante um sinal de compra complexo.

Essa é uma escolha de design deliberada. O objetivo não é substituir o discernimento. É fornecer às pessoas um contexto melhor para que possam tomar decisões melhores.

Em última análise, o sucesso na era da IA não resulta da utilização do maior número de ferramentas. Resulta de saber onde a IA cria uma vantagem e onde o discernimento humano continua a ser importante.

Acompanhe o trabalho

Pode acompanhar o trabalho de Tara Sakhuja no LinkedIn e no Instagram. E visite a Data Dumpling e a Luv or Pop.

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