Há um ritual silencioso presente na maior parte das empresas de tecnologia: parte-se de um objetivo de negócio — aumentar receita, reduzir churn, elevar taxa de conversão — e esse objetivo se traduz em métricas de produto como engajamento, NPS e time-to-value. Essas métricas geram hipóteses sobre problemas. As hipóteses entram em um processo de discovery: entrevistas com usuários, análise de dados, benchmarks e mapeamento de jornada. Do discovery surgem hipóteses de solução.
Essas soluções hipotéticas viram PRDs, documentos detalhados onde o Product Manager especifica o que precisa ser construído. Os PRDs geram sprints. Os sprints geram MVPs. E, em algum ponto desse trajeto, meses após o início, uma versão inicial da solução chega ao usuário.
smart_display
Nossos vídeos em destaque
É um processo criterioso e inteligente, mas também lento por natureza. À medida que as empresas cresceram, cada etapa foi subdividida, cada sub-etapa ganhou um especialista, e o resultado foi uma cadeia de dependências que pode levar semanas ou meses para transformar uma ideia em algo que o usuário realmente veja.
Tenho me perguntado cada vez mais: o que acontece com esse ritual quando a IA generativa deixa de ser apenas uma ferramenta de apoio e passa a integrar estruturalmente o fluxo? Qual passa a ser o papel do Product Manager nesse novo cenário?
O funil de desenvolvimento de produto existe por boas razões. Ele impõe clareza de propósito, promove alinhamento entre áreas e, acima de tudo, reduz o desperdício de construir a coisa errada.
Em empresas que atendem PMEs, como a Olist, esse cuidado é ainda mais importante: o custo de uma funcionalidade que não resolve o problema real do empreendedor não é só financeiro — é também de atenção, de confiança e de espaço numa operação já sobrecarregada.
Mas o custo em tempo também é real. Entre identificar um problema e entregar uma solução, o mundo muda: concorrentes se movimentam, comportamento do cliente evolui, hipóteses perdem validade. O time de produto passa grande parte do tempo gerenciando um pipeline de decisões encadeadas, e cada elo adiciona latência.
Nos últimos meses, observei como equipes de produto estão incorporando IA generativa em etapas diversas desse processo, e o padrão é claro: a IA não elimina etapas, mas reduz dramaticamente o tempo entre elas.
Não creio que o conceito de funil desapareça. Empresas continuarão com métricas de negócio e produto. Ainda haverá uma dinâmica para entender necessidades reais dos clientes, seus problemas e possíveis soluções. Alguém seguirá escolhendo o que construir. Alguém seguirá prototipando. O que muda — e já está mudando — é a dinâmica, o tempo e os papéis dentro desse fluxo.
No discovery, ferramentas de IA já conseguem sintetizar centenas de entrevistas, identificar padrões em tickets de suporte, cruzar dados comportamentais com feedback qualitativo e gerar hipóteses de problema em horas, não semanas. O que antes exigia um pesquisador experiente e dias de análise passa a ocorrer em ciclos muito mais curtos.
Na prototipação, o efeito é ainda mais evidente. Um PM que antes dependia integralmente de design e engenharia para materializar uma ideia pode hoje produzir um protótipo navegável ou um componente de interface funcional sem escrever código. Isso não substitui designers ou engenheiros, mas modifica o ponto de partida da conversa.
Em vez de descrever uma solução apenas em texto, o PM traz algo tangível para ser criticado, refinado e iterado. O PRD abstrato começa a ceder espaço a protótipos concretos. E quando a IA tem acesso à base de código do produto, um PM habilidoso nessas ferramentas pode ir além, validando hipóteses diretamente no ambiente real.
O PRD não desapareceu, mas seu papel mudou. O protótipo mostra o que se pretende construir; o documento passa a explicar o porquê — o contexto estratégico, os critérios de sucesso, restrições, edge cases e o raciocínio que deve orientar a engenharia. Essa separação tende a ser mais limpa do que o modelo anterior.
Há uma mudança de identidade na função. Por muito tempo, o PM atuou como maestro de um processo linear: garantir que cada etapa fosse executada pela pessoa certa no momento certo. Esse modelo de especialização extrema gerou qualidade, mas também burocracia. A própria complexidade do processo virou um problema.
Surge agora um perfil diferente: o PM que consegue levar uma ideia muito mais longe antes de acionar outras áreas. Não para substituir designers ou engenheiros, mas porque dispõe de ferramentas que permitem materializar, testar e iterar com uma autonomia que antes não existia.
Times menores, mais autônomos e com maior capacidade de execução individual tendem a tornar-se a unidade dominante de construção de produto — não por ideologia, mas pela velocidade que esse modelo proporciona.
Mas o que realmente importa não é só acelerar tarefas isoladas. É o efeito de conectar essas capacidades ao contexto real do produto: quando a IA tem acesso a dados de uso, histórico de decisões, métricas de negócio e backlog priorizado.
Nesse cenário, o PM deixa de ser gestor de um processo linear e passa a operar um sistema muito mais responsivo. Ele define o problema, fornece o contexto, orienta os critérios, e agentes de IA executam grande parte do trabalho de pesquisa, síntese, prototipação e documentação. O ciclo entre hipótese e validação encurta exponencialmente.
Na prática, isso já acontece. Na Olist, tenho visto times usando agentes para monitorar métricas em tempo contínuo e sinalizar anomalias antes que se tornem problemas estruturais. Vi PMs criando agentes na nossa plataforma para resolver dores de usuários sem acionar engenharia para escrever código ou construir interfaces.
Times menores com essa mentalidade têm gerado valor mais rapidamente. O maior entrave, porém, não é técnico, e sim cultural. Transformar uma organização para operar dessa forma é o maior desafio dessa transição.
É preciso também reconhecer o outro lado: comprimir o processo reduz o espaço para reflexão. A lentidão do funil tradicional traz um benefício colateral: força o PM a conviver com o problema por tempo suficiente para compreendê-lo de fato. Quando esse tempo diminui, o risco de otimizar rapidamente pela solução errada aumenta.
O julgamento sobre o que vale construir, o que realmente importa para o usuário e o que alinha produto e negócio no longo prazo continua sendo humano. Visão, empatia, criatividade e bom gosto são qualidades que ganham ainda mais valor à medida que a execução mecânica é delegada à máquina. A IA acelera a execução, mas não substitui o discernimento.
O que muda é o conjunto de competências mais valorizadas num PM: clareza conceitual, capacidade de formular problemas com precisão, senso crítico sobre dados e hipóteses e habilidade para orquestrar sistemas tornam-se centrais.
Acrescenta-se outra competência: saber avaliar o que a IA gera. Não basta usar bem as ferramentas — é preciso ter critério para distinguir when um resultado é confiável e quando é uma alucinação bem construída.
Ainda estamos no início dessa curva. A maioria dos times usa IA generativa pontualmente — para redigir, resumir ou inspirar ideias. Poucos já integraram agentes ao fluxo real de discovery e construção. Mas a tendência é clara.
Em alguns anos, o processo de construção de produto será tão diferente do modelo atual quanto o modelo atual difere do desenvolvimento em cascata dos anos 2000.
O funil não desaparecerá, mas ficará cada vez mais responsivo, iterativo e instrumentado por inteligência.
O PM não está sendo substituído — está sendo amplificado. Quem compreender isso cedo, começar a experimentar, construir fluência com essas ferramentas e colocar a mão na massa antes que o mercado exija, terá vantagem no próximo ciclo.
Toda revolução começa assim: não por uma ruptura imediata, mas por um pequeno grupo que decide aprender antes que o mercado perceba a mudança.
