Acelerando discovery e ciclo de decisão
contexto
Uma mudança de direção estratégica exigia a validação imediata de novos modelos de receita. A ordem era clara: transformar uma unidade de negócio inteira com alta velocidade e baixa margem para suposições.
DESAFIO
Executar discoveries profundos em semanas — não meses — sem transformar o processo em teatro, garantindo que a velocidade não comprometesse a confiabilidade da decisão.
Impacto
- Ciclos 5x mais rápidos
- 3 Novos Produtos validados e priorizados
- Governança de Investimento baseada em evidência real
resumo
O conflito
Os processos tradicionais de Design funcionavam, mas dependiam de tempo, fluxo linear e estabilidade — tudo o que não tínhamos.
Diante de uma nova estratégia corporativa, ficou claro que:
Não tínhamos respostas suficientes para investir.
Adiar a decisão aumentaria o risco de mercado.
Executar um “Discovery by the book” perderia a janela de oportunidade.
O desafio não era defender discovery.
Era fazer discovery funcionar sob pressão real.
DECISÃO
Discovery Sintético & Validação Humana
Para cumprir o prazo agressivo de 6 semanas, pivotamos o processo. Não substituímos a pesquisa, aceleramos o processamento. Utilizamos modelos de IA alimentados exclusivamente com contexto real e dados proprietários para sintetizar padrões que levariam semanas para serem mapeados manualmente.
A premissa foi clara:
IA gera caminhos, pessoas tomam decisões.
Trade-offs
Para ganhar velocidade, tivemos que fazer escolhas difíceis sobre o processo:
Sacrifício do “Purismo Metodológico”: Abrimos mão da aplicação completa de frameworks tradicionais e de rituais longos e entrópicos (“segurança de processo”) em favor de uma abordagem direta de Hipótese > Validação.
Mitigação de Viés: Para evitar a “alucinação” da ferramenta, restringimos a IA a atuar sobre contexto real inserido por nós, usando o time humano para validar os fatos e assinar a estratégia final.
O processo não decide — ele orienta.
A regra era simples:
Só usar o que realmente fosse necessário.
Prompts sintetizam e suportam o planejamento
Triangulação massiva de dados para identificação acelerada de padrões.
Personas sintéticas
Agentes de IA para stress-test de hipóteses e antecipação de objeções.
Prototipação funcional
Construção simultânea de artefatos funcionais e hipóteses
resultado
Validação da entrega de valor antes da construção do software.
Em 6 meses, rodamos 3 ciclos intensivos. O objetivo não foi entregar o MVP, mas definir o escopo do MVP.
Utilizamos a técnica de “Mágico de Oz” para entregar o serviço real manualmente. Se o usuário pedia um link de pagamento, gerávamos um link real.
O Diferencial Operacional: Para não inflar o time, desenhei o suporte operacional com GEMs do Gemini. O time usava a IA como “motor” para processar pedidos e gerar respostas.
A execução dos três experimentos simultâneos provou a eficácia do modelo.
Aprendizado central
Essa abordagem inverteu a lógica de desenvolvimento. Ao chegarmos na fase de construção do MVP, não tínhamos dúvidas sobre “o que construir”.
O MVP deixou de ser um “produto teste” para se tornar a automação escalável de um serviço já validado.
Antes: Construir para testar se funciona. (Alto Risco)
Depois: Testar manualmente e construir apenas para ganhar escala e viabilidade. (Risco Controlado)
Design sem dado vira opinião.
Dado sem gente vira estatística.
O impacto real acontece quando os dois se encontram.