){kind=link}
Existe um ritual silencioso que acontece na maioria das empresas de tecnologia do mundo. Começa com um objetivo de negócio: crescer receita, reduzir churn, aumentar conversão. Esse objetivo se desdobra em métricas de produto: engajamento, NPS, time-to-value. As métricas geram hipóteses de problema. As hipóteses entram em um processo de discovery: entrevistas com usuários, análise de dados, benchmarks, mapeamento de jornada. Do discovery emergem hipóteses de solução.
Essas hipóteses se transformam em PRDs, documentos detalhados onde o Product Manager especifica o que precisa ser construído. Os PRDs viram sprints. Os sprints viram MVPs. E, em algum ponto desse caminho, meses depois do ponto de partida, uma primeira versão da solução chega ao usuário.
smart_display
Nossos vídeos em destaque
É um processo rigoroso, inteligente e, ao mesmo tempo, lento por natureza. À medida que as empresas cresceram, cada etapa foi sendo dividida em sub-etapas, cada sub-etapa ganhou um especialista, e o resultado foi uma cadeia de dependências que pode levar semanas ou meses para mover uma ideia do problema ao usuário.
A pergunta que tenho feito com crescente frequência é: o que acontece com esse ritual quando a IA generativa entra em cena não como ferramenta de apoio, mas como parte estrutural do fluxo? Qual o papel do Product Manager neste novo ambiente?
O funil de desenvolvimento de produto existe por boas razões. Ele força clareza de propósito, alinhamento entre áreas e, principalmente, reduz o desperdício de construir a coisa errada.
Em empresas que servem PMEs, como é o caso da Olist, esse cuidado é ainda mais crítico: o custo de uma funcionalidade que não resolve o problema real do empreendedor não é só financeiro. É de atenção, de confiança, de espaço dentro de uma operação já sobrecarregada.
Mas o custo também é real. Entre o momento em que um problema é identificado e o momento em que uma solução chega ao usuário, o mundo muda. O concorrente se moveu. O comportamento do cliente evoluiu. A hipótese que parecia sólida ficou desatualizada. O time de produto passa uma fração significativa do seu tempo gerenciando um pipeline de decisões encadeadas, e cada elo dessa corrente introduz latência.
Nos últimos meses, tenho acompanhado de perto como equipes de produto estão usando IA generativa em diferentes etapas desse processo, e o padrão que emerge é consistente: a IA não elimina etapas, mas comprime o tempo entre elas de forma dramática.
Não acredito que o conceito do funil vá desaparecer. Empresas ainda terão métricas de negócio e de produto. Ainda existirá uma dinâmica para entender as reais necessidades dos clientes, seus problemas, as possíveis soluções. Alguém ainda vai escolher o que fazer. Alguém ainda vai prototipar. O que vai mudar, e já está mudando, é a dinâmica, o tempo e os papéis dentro desse processo.
No discovery, ferramentas de IA já conseguem sintetizar centenas de entrevistas de usuário, identificar padrões em tickets de suporte, cruzar dados de comportamento com feedback qualitativo e gerar hipóteses de problema em horas, não semanas. O que antes exigia um pesquisador experiente e dias de análise começa a acontecer em ciclos muito mais curtos.
Na prototipação, o impacto é ainda mais visível. Um PM que antes dependia inteiramente de design e engenharia para materializar uma ideia pode hoje gerar um protótipo navegável ou um componente de interface funcional sem escrever uma linha de código. Isso não substitui o trabalho do designer ou do engenheiro, mas desloca o ponto de partida da conversa.
Em vez de descrever uma solução em texto, o PM chega com algo tangível para ser criticado, refinado e evoluído. O PRD abstrato começa a ceder espaço para um protótipo concreto. E quando a IA tem acesso à base de código do produto, um PM com fluência nessas ferramentas consegue ir ainda mais longe, validando hipóteses diretamente no ambiente real.
O PRD não morreu, mas mudou de papel. O protótipo mostra o que se está pensando. O documento passa a responder o porquê: o contexto estratégico, os critérios de sucesso, as restrições, os edge cases, o raciocínio que deve guiar a engenharia. Essa separação é, na prática, mais limpa do que o modelo anterior.
Há uma mudança de identidade acontecendo na função. Por muito tempo, o PM operou como o maestro de um processo linear: garantir que cada etapa fosse bem executada pela pessoa certa, no momento certo. Esse modelo de especialização extrema produziu qualidade, mas também burocracia. A complexidade do processo virou, ela própria, um problema.
O que emerge agora é um perfil diferente: o PM que consegue pegar uma ideia e levá-la muito mais longe antes de precisar acionar outras áreas. Não porque vai substituir designer ou engenheiro, mas porque tem acesso a ferramentas que permitem materializar, testar e iterar com uma autonomia que antes simplesmente não existia.
Times menores, mais focados e com maior capacidade de execução individual tendem a se tornar a unidade dominante de construção de produto, não pela filosofia, mas pela velocidade que esse modelo permite.
Mas o que realmente me interessa não é a aceleração de tarefas isoladas. É o que acontece quando essas capacidades se conectam ao contexto real do produto, quando a IA tem acesso aos dados de uso, ao histórico de decisões, às métricas do negócio, ao backlog priorizado.
Nesse cenário, o PM deixa de ser o gestor de um processo linear e passa a ser o operador de um sistema muito mais responsivo. Ele define o problema, alimenta o contexto, orienta os critérios, e agentes de IA executam partes significativas do trabalho de pesquisa, síntese, prototipação e documentação. O loop entre hipótese e validação fica exponencialmente mais curto.
Na prática, isso já está acontecendo. Aqui na Olist, tenho visto times de produto usando agentes para monitorar métricas continuamente e sinalizar anomalias antes que virem problemas estruturais. Tenho visto PMs com a mão na massa, criando agentes em nossa plataforma para resolver dores de usuários sem precisar acionar engenharia para escrever código ou construir interface.
Times menores com essa mentalidade têm conseguido gerar valor de forma mais rápida. O maior obstáculo, porém, não é técnico: é cultural. Mudar uma organização para operar dessa maneira é o desafio mais difícil que tenho encontrado nessa transição.
Seria desonesto não mencionar o outro lado. Comprimir o processo também comprime o espaço para reflexão. A lentidão do funil tradicional tem um efeito colateral positivo: ela força o PM a conviver com o problema por tempo suficiente para entendê-lo de verdade. Quando esse tempo encolhe, o risco de otimizar a solução errada, só que muito mais rápido, aumenta.
O julgamento sobre o que vale construir, sobre o que importa de verdade para o usuário, sobre o que alinha produto e negócio no longo prazo, esse julgamento continua sendo humano. Visão, empatia, criatividade, bom gosto: são exatamente essas qualidades que se tornam mais valiosas à medida que a execução mecânica é cada vez mais delegada à máquina. A IA acelera execução, mas não substitui discernimento.
O que muda, então, é o perfil de competência que se torna mais valioso num PM. Clareza conceitual, capacidade de formular problemas com precisão, senso crítico sobre dados e hipóteses, habilidade de orquestrar sistemas, essas competências se tornam mais centrais do que nunca.
E vale acrescentar uma nova: saber avaliar o que a IA está gerando. Não apenas usar bem as ferramentas, mas ter critério para identificar quando o resultado é sólido e quando é uma alucinação bem disfarçada.
Ainda estamos no começo dessa curva. A maioria dos times de produto usa IA generativa de forma pontual, para redigir, resumir, gerar ideias. Poucos já chegaram ao ponto de integrar agentes ao fluxo real de discovery e construção. Mas a direção é clara.
Em alguns anos, o processo de construção de produto vai parecer tão diferente do modelo atual quanto o modelo atual parece diferente do desenvolvimento em cascata dos anos 2000.
O funil não vai desaparecer, mas vai ficar cada vez mais responsivo, iterativo e instrumentado por inteligência.
O PM não está sendo substituído. Está sendo amplificado. E os que entenderem isso agora, que começarem a experimentar, a construir fluência com essas ferramentas, a colocar a mão na massa antes que o mercado exija, vão chegar ao próximo ciclo com vantagem.
É assim que toda revolução começa: não com uma ruptura, mas com um grupo pequeno que decide aprender antes que o mercado perceba o que está mudando.