Nos últimos dois anos, times de produto ganharam acesso a ferramentas de IA para produto que mudaram completamente a velocidade de construção. Com Lovable, Claude e Figma Make é possível gerar telas funcionais de forma muito ágil, protótipos que levariam dias são feitos em horas. Acompanho isso de perto nos projetos da Catarinas e nas conversas com clientes, e a minha leitura é que essa evolução foi muito boa para o mercado. Times que antes demoravam na execução passaram a conseguir materializar ideias com muita velocidade, e isso abriu possibilidades para IA para produtos que talvez nunca tivessem saído do papel.

Mas existe uma distinção que ainda está sendo aprendido na prática, e que vai separar os produtos que funcionam dos que ficam presos num ciclo de ajuste sem fim. Materializar uma ideia rapidamente não é o mesmo que validar se a ideia está certa. Gerar telas em horas não é o mesmo que garantir que essas telas fazem sentido para o usuário que vai usá-las no contexto real de trabalho. A IA é muito boa em executar, em gerar, em acelerar, mas ela não substitui o trabalho de entender o problema real, mapear a jornada do usuário de quem vai usar o produto e identificar onde a experiência não será fluida.

O padrão que temos visto se repetir

O que temos visto acontecer com frequência é o seguinte: um time usa IA para criar produtos digitais, as telas ficam prontas, o produto vai para o ar, e depois de algum tempo aparece aquela sensação de que algo não está certo. Os usuários não adotam da forma esperada, o time refaz decisões que já foram tomadas, e ninguém consegue saber onde exatamente está o problema. E aí começam os ajustes que poderiam ter sido evitados se o time tivesse pensado em UX antes de ir pro ar. Outra coisa que também já vimos é quando o cliente que já chegam com as “telas prontas” só querendo que a gente analise se está fazendo sentido: O produto funciona tecnicamente, mas a experiência não.

Quando um cliente chega até a Catarinas com telas geradas com IA, a nossa primeira reação não é questionar a ferramenta. A primeira reação é entender o que foi feito, por quê foi feito assim, e o que o usuário vai encontrar quando tentar completar as tarefas principais. Na maior parte das vezes, o problema não está nas telas em si, mas nas perguntas que não foram feitas antes de gerá-las. Se quiser entender os erros mais comuns nesse processo, escrevemos sobre os 7 erros mais comuns ao usar IA em produtos digitais:

• Quem é o usuário que vai usar isso no dia a dia?
• Qual é a tarefa principal que ele precisa completar?
• Onde a jornada do usuário atual cria atrito e como esse novo produto resolve isso de forma melhor?

Quando essas perguntas não têm resposta clara, o que a IA gera pode ser visualmente coerente e tecnicamente funcional mas ainda assim não resolver o problema do usuário, porque o problema do usuário nunca foi mapeado com clareza.

Como a IA entra quando o discovery de produto está estruturado

Nos projetos em que a Catarinas entra desde o início, como foi o caso com a Medeor e com a Becomex, o processo é diferente não porque a IA não é usada, mas porque ela é usada com uma visão de produto e UX orientando cada etapa.

Case Medeor

A Medeor é uma empresa da área de saúde que desenvolve soluções para apoiar profissionais de fisioterapia, medicina e educação física na tomada de decisões baseadas em dados. Antes de qualquer interface ser desenhada, a gente realizou workshops, entrevistas com stakeholders e pesquisa com usuários para entender como esses profissionais trabalhavam, quais informações eram críticas em cada momento do atendimento e quais eram os limites éticos que o produto precisava respeitar. Todo esse entendimento foi o que orientou o que seria construído e como, inclusive no uso da IA como parte do processo.

Case Becomex

Na Becomex, empresa de tecnologia especializada em soluções para as áreas fiscal, tributária e de comércio exterior, o mesmo princípio se aplicou. A IA entrou para resolver um problema muito específico do usuário: acesso a informações complexas sobre elegibilidade explicadas de forma compreensível e com recomendações acionáveis. Essa especificidade foi o que fez a solução funcionar. A tecnologia não determinou o resultado, o que determinou foi a clareza sobre o problema que a tecnologia deveria resolver. Para entender como dados e inteligência artificial podem ser usados de forma estratégica nesse processo, vale a leitura.

O que esses projetos têm em comum

O que esses projetos mostram é que a discussão não é sobre usar ou não usar IA para criar produtos digitais, essa decisão já é uma realidade e faz todo sentido. A questão é o que vem antes disso:

• O entendimento real do usuário e do contexto de uso
• O mapeamento da jornada do usuário com os pontos de atrito reais
• A clareza sobre qual problema está sendo resolvido e para quem
• A definição de critérios para avaliar se o que foi gerado faz sentido

Quando esse trabalho é feito com profundidade, a IA para produtos multiplica a capacidade do time, quando ele é pulado, as ferramentas de IA para produto entregam mais rápido algo que ainda vai precisar ser repensado. E aí o custo não é só de retrabalho, é de confiança, de adoção e de oportunidade perdida com usuários e clientes.

Ter IA no processo e fazer um produto com IA são coisas diferentes

Na Catarinas, usamos ferramentas de IA para produto no nosso processo de trabalho e também já projetamos produtos que têm IA como funcionalidade central, como mostra o artigo sobre hiperpersonalização e design de interfaces adaptativas. São contextos distintos, com perguntas distintas, mas com uma premissa em comum: a IA entra para dar velocidade e capacidade ao time, não para substituir o entendimento do usuário e as decisões de produto que precisam vir antes de qualquer geração de tela.

Colocar um produto digital de qualidade no ar continua sendo um trabalho que depende de pessoas que sabem fazer as perguntas certas, que entendem o usuário de verdade e que conseguem traduzir esse entendimento em decisões de produto e de experiência. A IA para criar produtos digitais veio para acelerar esse trabalho, mas definitivamente não para substituí-lo. Se quiser se aprofundar em como estruturar esse processo, o Playbook de Product Design para Produtos com IA reúne as principais boas práticas que aplicamos nos nossos projetos.

Não sabe se sua empresa está pronta para usar IA no produto? Faça o diagnóstico de maturidade e governança de IA e descubra por onde começar.

Se o seu time está construindo com IA e quer garantir que o que está sendo gerado vai funcionar para o usuário de verdade, fale com a Catarinas.