Subscreva agora

O problema concreto era outro: os professores abriam a plataforma e não sabiam o que fazer com ela.

A Gerente de Produto Bennur Amaç descreveu a situação sem rodeios:

“Tínhamos duas escolhas: passar meses construindo um sistema de integração ou encontrar um caminho mais rápido.”

Essa frase resume o ponto de virada do projeto, mas o que tornou a situação difícil de resolver não foi falta de recursos. Foi um equívoco sobre quem era o usuário real da plataforma.

O produto tinha sido construído com a sofisticação certa para o que ele fazia, geração de currículo por IA, relatórios analíticos, ferramentas de personalização, integração com ecossistemas múltiplos de alunos, pais e administradores. O que não tinha sido previsto é que a maioria dos professores que precisava operar tudo isso vinha de escolas que adotam tecnologia por imposição administrativa, não por escolha. Esses professores não precisavam de um produto menos capaz, precisavam de uma entrada diferente no mesmo produto.

A confusão inicial não era sobre funcionalidade, era sobre orientação. Um painel com dezenas de opções, sem um ponto de partida claro, produz o que designers de UX chamam de “síndrome da página em branco”: o usuário enxerga possibilidade demais e não consegue começar. No caso da Twin, isso significava professores que criavam conta e paravam. Não tentavam configurar turma, não matriculavam alunos, não chegavam à parte do produto que gerava valor real.

A resposta instintiva para esse tipo de problema é documentação. Manual de usuário, vídeo de onboarding no YouTube, tutorial em PDF, nenhuma dessas saídas funciona bem porque todas exigem que o usuário saia do produto para aprender a usá-lo, e depois volte para aplicar o que leu ou assistiu. Cada vez que essa alternância acontece, parte da informação se perde e a sensação de dificuldade aumenta.

A decisão da Twin foi construir o onboarding dentro do próprio produto, usando uma ferramenta no-code chamada UserGuiding. A escolha pelo no-code tinha uma justificativa direta: se a equipe de engenharia precisasse codificar o fluxo de integração internamente, o projeto consumiria de 5 a 10 profissionais seniores durante semanas, entre PMs, designers, desenvolvedores front e back-end e analistas de dados, e depois exigiria manutenção constante a cada mudança de interface. A economia auditada foi de mais de US$ 10.000 só em custo de mão de obra direta, além de meses de desenvolvimento que não foram gastos, o que permitiu que a equipe técnica continuasse no roadmap principal da plataforma.

A economia de US$ 10.000 é a parte visível, mas a parte que muda o produto de verdade é a lógica de segmentação que a ferramenta habilitou.

A Twin dividiu os professores em dois grupos com base em comportamento, não em perfil declarado.

1. O primeiro grupo era de recém-chegados: contas criadas há menos de sete dias, sem nenhuma ação registrada nos logs, nenhuma turma criada, nenhum aluno matriculado. Para esse grupo, o fluxo de integração ignorava completamente as funcionalidades avançadas da plataforma. A única missão era guiar o professor até dois marcos: criar a primeira turma e matricular os primeiros alunos. Nada de IA generativa, nada de currículos dinâmicos, nada de relatórios. Só o básico que prova que o produto funciona.

2. O segundo grupo era ativado automaticamente quando o professor completava esses dois marcos. A plataforma detectava a conclusão via telemetria e mudava o conjunto de tutoriais disponíveis. Esse professor já não via mais instruções para adicionar alunos. Via caminhos para usar os recursos de IA, personalizar currículos e operar as partes mais complexas do sistema. A transição acontecia sem intervenção humana, sem que nenhum gerente de sucesso do cliente precisasse checar manualmente quem havia avançado.

Essa divisão resolve um problema que muitos produtos de software com múltiplos perfis de usuário ignoram: tratar usuários diferentes com o mesmo fluxo de integração produz resultados ruins nos dois extremos. O iniciante se perde, o usuário avançado perde tempo com instruções que não precisa. A segmentação por comportamento elimina esse conflito porque o critério de classificação é o que o usuário fez, não o que ele declarou ser.

O sistema de checklists que acompanhava o fluxo usava um princípio de psicologia cognitiva chamado Efeito Zeigarnik: tarefas incompletas geram tensão mental até serem concluídas, o que aumenta a motivação para terminar o que foi começado. Apresentar ao professor uma lista com três ou quatro tarefas básicas, com barra de progresso e estimativa de tempo (”leva 2 min”), transforma um painel assustador em um conjunto de passos gerenciáveis. A percepção de complexidade cai sem que o produto precise ser simplificado.

Os números reportados pela Twin:

• aumento de 30% no engajamento diário dos usuários após a implementação,

• redução de 10% a 20% no tempo até a primeira ação concreta dentro da plataforma (o que o setor chama de Time to First Value),

• melhora de até 50% nas taxas de retenção em comparação com o modelo anterior sem onboarding estruturado.

Esses são os números que a empresa divulgou publicamente com base nos dados do UserGuiding.

O que esses números revelam é que o produto estava tecnicamente correto antes da mudança. O que não funcionava era a ponte entre o que o produto conseguia fazer e o que o professor conseguia descobrir sozinho dentro dele.

Essa distinção importa mais do que parece para quem constrói software B2B com usuários finais que não são os compradores. A escola compra o produto, o professor usa. O comprador avalia features, integrações e preço. O usuário avalia se consegue fazer a tarefa mais básica no primeiro dia. Se não consegue, para de tentar. E quando o usuário para de tentar, o dado que a escola vê no relatório de utilização é baixo, e na próxima renovação o contrato está em risco.

A Twin tem parceiros como Boeing e Intel porque o produto educacional convence em reuniões de C-level e avaliações de impacto social. Mas o que mantém esse produto sendo usado nas escolas é o professor de Ankara ou de Lagos que abriu o painel pela primeira vez e não desistiu nos primeiros quinze minutos, e o onboarding é o que decide se isso acontece ou não.

O problema que permanece sem resolução simples é que essa lógica vale para qualquer software com usuário final não técnico, mas a maioria das equipes de produto só descobre o custo do abandono precoce quando a taxa de churn já virou problema no board. Corrigir o fluxo de integração depois que os usuários desenvolveram hábito de não usar o produto é significativamente mais difícil do que construir o fluxo certo desde o início.

Subscreva agora

A resposta mais honesta é que durante anos o onboarding foi tratado como documentação interativa: você abre a ferramenta, aparece um tour com setas e tooltips, e alguém na empresa achou que isso resolvia o problema de ativação. Não resolvia. As taxas de conclusão de tutoriais tradicionais ficavam em torno de 36% para listas de verificação estáticas, e 44% dos usuários pulavam as telas de boas-vindas imediatamente quando percebiam que o conteúdo não tinha nada a ver com o que precisavam naquele momento. O tour existia para acalmar a equipe de produto, não para servir o usuário.

Subscreva agora

O que o Notion foi descobrindo ao longo do tempo é que uma ferramenta infinitamente configurável tem um problema de excesso de possibilidade sem direção, e isso pesa mais do que qualquer complexidade técnica. A plataforma pode ser um rastreador de projetos, um diário pessoal, um sistema de recrutamento ou um repositório corporativo de governança. Para um usuário experiente isso é valor, mas para quem acabou de criar a conta, é uma tela em branco que não diz o que fazer.

A pesquisa comportamental em design de interface chama isso de “síndrome da tela em branco”, e o efeito prático é abandono: até 90% das inscrições em testes gratuitos nunca retornam se a experiência inicial não entrega valor imediato.

A solução arquitetônica que o Notion implementou parte de uma premissa simples: antes de ensinar qualquer funcionalidade, captura a intenção. Na prática isso significa uma ou duas perguntas no início do fluxo de cadastro, leves o suficiente para não criar atrito, mas específicas o suficiente para divergir a experiência em direções completamente distintas. O usuário que indica que quer organizar projetos pessoais segue por uma trilha. Quem sinaliza que vai colaborar com colegas vai para outra. Quem representa uma empresa de grande porte cai num fluxo diferente de onboarding administrativo e técnico.

Para o usuário individual, a lógica do tour muda de “veja o que o produto faz” para “faça a primeira coisa útil agora”. O espaço de trabalho já vem carregado com templates de lista de tarefas, diário ou planejador de leitura, com dados de exemplo dentro, para que o novo usuário veja imediatamente como o produto funciona na prática sem precisar construir nada do zero. O tour não explica banco de dados relacional para quem só quer escrever uma lista. Ele mostra uma micro-sugestão, o usuário clica, completa a primeira ação em segundos, e a propriedade psicológica do espaço começa a se formar. Segundo dados da própria plataforma, esse ciclo de configuração leva menos de 60 segundos até a percepção inicial de valor.

Para equipes, o ponto de entrada já é diferente porque a proposta de valor muda. O usuário individual organiza coisas, a equipe precisa alinhar e coordenar. Então o tour concentra energia nos recursos de visibilidade coletiva: como atribuir tarefas, como usar @menção para chamar atenção de colegas, como visualizar projetos em formato kanban ou com datas no calendário. Mas antes mesmo disso, a plataforma faz algo que parece pequeno e não é: verifica o domínio de e-mail do novo usuário e, se já existir um workspace da mesma empresa, oferece a opção de entrar nele em vez de criar outro espaço paralelo. Sem isso, times inteiros fragmentam a colaboração logo no primeiro dia porque cada pessoa criou o próprio ambiente separado.

Quando o usuário se identifica como área de RH durante a segmentação inicial, o fluxo vai além de mostrar funcionalidades e entrega uma solução completa pré-configurada: um sistema de rastreamento de candidatos com propriedades relacionais, filtros por etapa do processo seletivo e visualização em kanban, mais um portal de onboarding de novos contratados com cronograma de 30-60-90 dias, repositório de políticas e cartilha cultural. Construir esse sistema do zero exigiria dias de trabalho. O onboarding entrega em minutos, e não como um template vazio, mas como algo que funciona imediatamente.

No nível enterprise, o onboarding muda de natureza, ele deixa de ser self-service e vira uma configuração técnica e administrativa que precisa de atenção antes de qualquer tour de funcionalidades. Os administradores aprendem a mapear a estrutura organizacional no ambiente digital, a configurar Single Sign-On via SAML, a usar SCIM para provisionar e desprovisionar usuários automaticamente quando alguém entra ou sai da empresa. Não são detalhes, são as condições para que uma organização de centenas de licenças consiga governar o acesso sem criar brechas de segurança. E o argumento de ROI que o Notion usa para fechar contratos enterprise passa por um dado que soa exagerado até você ver a conta: empresas de grande porte operam em média com mais de 112 ferramentas SaaS diferentes, e funcionários perdem entre 3 e 3,6 horas por dia vasculhando repositórios fragmentados. Com uma remuneração média de US$ 110 mil anuais, isso representa cerca de US$ 44 mil por funcionário por ano em produtividade destruída. Para 500 funcionários, passa de US$ 22 milhões anuais. O recurso de enterprise search que conecta Salesforce, Box e outros sistemas externos numa busca centralizada é apresentado durante o onboarding como resposta direta a esse custo, não como funcionalidade extra.

O que amarra tudo isso é a camada de comunicação que acontece fora do produto. Os e-mails disparados após o cadastro são segmentados pelo mesmo diagnóstico de intenção capturado no tour inicial. O usuário individual que configurou uma página pessoal recebe dicas de atalhos de teclado e links para a galeria de templates. O usuário de equipe que não convidou colegas nas primeiras 24 horas recebe uma mensagem sobre como conectar Slack ou Jira. Esse nível de segmentação gera taxas de abertura entre 49% e 51% nas campanhas de onboarding do Notion, segundo o estudos. A comparação relevante é com e-mails promocionais genéricos, que produzem retorno muito menor. É daí que vem o número de 320%: não do tour em si, mas da soma do tour com a sequência de comunicações que continua empurrando o usuário para o momento de ativação.

O Notion experimenta tudo isso em escala, segundo relatório da Statsig, a empresa passou de experimentos de produto contados nos dedos de uma mão para centenas de testes por trimestre. A randomização da ordem de exibição de espaços de trabalho, os testes A/B em assuntos de e-mail, os holdouts que comparam usuários com e sem personalização: cada mudança marginal que eleva abertura em 20% ou engajamento em 10% tem efeito composto sobre retenção quando multiplicado pela base de usuários inteira.

O que torna o caso do Notion relevante para qualquer produto com múltiplos perfis de usuário é a conclusão operacional que ele implica: uma plataforma com proposta de valor ampla precisa, desde o primeiro segundo de uso, reduzir artificialmente o escopo do que o usuário vê, porque o excesso de possibilidade antes da primeira vitória é o que destrói a ativação. A flexibilidade que você construiu no produto é um problema de onboarding até o usuário ter razão suficiente para querer explorá-la, e entregar essa razão rápido o suficiente é o que separa os 20% de taxa de ativação média dos 70% que as empresas de PLG alcançam.

O problema é que medir isso fica mais difícil à medida que o produto cresce. Quando a base de usuários diversifica, os segmentos do onboarding inicial tornam-se cada vez mais imprecisos. O usuário que se identificou como “individual” na criação da conta pode estar gerenciando uma equipe de dez pessoas seis meses depois. O que era uma trilha de ativação bem calibrada se torna ruído, e ninguém dentro da empresa necessariamente percebe no momento em que acontece.

Subscreva agora

🎧 Ouça o episódio no Spotify, Apple Podcast e YouTube.

O que você vai encontrar nesse episódio:

Por que quem entrega mais raramente é o primeiro a ser promovido
Como construir visibilidade no trabalho sem bajulação
Estratégia de LinkedIn que atrai recrutadores (e o que afasta)
O problema do profissional que manda currículo para tudo
Burnout como risco de carreira de longo prazo
A verdade sobre o mercado corporativo que as pessoas demoram para aceitar

Se conecte com a Liliane no LinkedIn aqui.

Capítulo:
00:00 Introdução
01:56 Por que entregar bem não garante a promoção
04:56 Como construir percepção logo que entra numa empresa
06:51 Introvertido no corporativo: como aparecer sem ser falso
09:54 Frustração de carreira e saúde mental
12:41 LinkedIn: como sair do perfil passivo e atrair recrutadores
16:57 O problema de se candidatar para tudo
21:31 Como passar pela triagem da IA nos processos seletivos
24:40 Foto de anime no perfil do LinkedIn afeta?
26:07 Burnout como risco de carreira de longo prazo
30:12 Diferença entre startup e empresa grande
31:49 O que a Liliane diria para si mesma mais jovem
33:29 A verdade sobre o mercado que ninguém aceita
37:21 Como contratar a Liliane para consultoria

Subscreva agora

Subscreva agora

Deu certo porque abriu um segmento que a equipe não havia previsto, mas o mecanismo que gerou essa surpresa boa é o mesmo que gera surpresas ruins: o usuário não usa o produto do jeito que você imaginou, e em produto financeiro isso tem uma camada extra de complicação porque alguns desses usos inesperados têm implicação regulatória direta.

A Kakau, design manager no Nubank há quase sete anos, teve uma experiência parecida quando o banco foi lançar conta para menores de idade. O fluxo de cadastro pedia “uma foto sua” e centenas de pais enviaram foto deles mesmos, porque eram eles que estavam preenchendo o formulário no lugar dos filhos. Quando o fluxo perguntava o CEP, o adolescente respondia com o número da casa porque não sabia o que era código postal. Cada uma dessas falhas parece óbvia depois, mas nenhuma apareceu antes do produto estar na mão do usuário real.

O que conecta o caso da Talita com o da Kakau é que pesquisa prévia, por mais cuidadosa que seja, não substitui o comportamento observado em uso. A persona que você construiu antes do lançamento é uma hipótese, e hipótese tem data de validade curta quando o produto vai para a rua.

O problema que apareceu com mais frequência nas respostas de quem se inscreveu no webinar não foi lançamento que falhou do zero, foi lançamento que foi para o ar com problemas que vieram de cima: uma decisão top down, uma mudança de escopo de última hora, um prazo regulatório que não negocia. Você sabe que tem problema, lança assim mesmo e precisa resolver com o que tem.

A Kakau usou a teoria da janela quebrada para descrever esse cenário. A pesquisa original é dos anos 80, feita em Nova York: um carro foi deixado intacto num bairro degradado e outro foi deixado com uma janela quebrada num bairro conservado.

Depois de algumas semanas, o carro com a janela quebrada estava destruído. O carro intacto, quando teve uma janela quebrada intencionalmente, seguiu o mesmo caminho. O prefeito da época tirou uma conclusão operacional: se você não consegue resolver o crime diretamente, crie um ambiente onde cometer crime fique difícil, arrumando o que está visível, fechando buraco, pintando muro. Os índices criminais caíram.

Aplicado a produto, você recebeu um sistema com anos de decisão acumulada, não tem como jogar fora e começar do zero. A saída é melhorar uma parte da experiência, depois outra, porque cada melhora cria um padrão que torna o restante mais difícil de ignorar. Kakau descreveu assim: se ela sobe a qualidade de um fluxo, o designer que for mexer no fluxo ao lado fica sem graça de entregar algo pior. A melhora se propaga por pressão de contexto, não por mandato.

Mas tem um passo antes de começar a arrumar: reconhecer que o produto não está funcionando, e esse passo é mais difícil do que parece. A Adriana Rosário, que passou por bancões e fintechs construindo produtos de crédito e infraestrutura financeira, foi direta sobre isso: muita coisa parece que está dando certo quando na prática não está gerando valor nenhum.

Os sinais aparecem no comportamento, se o usuário voltou depois do primeiro uso, se ele completou o fluxo ou abandonou no meio, se ele reclama e sobre o quê. Esses sinais não são difíceis de ler quando você está procurando por eles, o problema é que a pressão para entregar a próxima coisa cria um incentivo para não olhar para o que já foi entregue.

A Adriana foi além, em fintech, o diagnóstico precisa separar o tipo de problema.

• O produto chegou na hora errada para o mercado?

• Foi lançado para o segmento errado, como a conta global que virou cartão de compras internacionais?

• O produto faz sentido mas o usuário não consegue usá-lo, o que é problema de fluxo e não de proposta de valor?

Cada diagnóstico leva a uma intervenção diferente, e tratar problema de fluxo como se fosse problema de proposta de valor vai gerar um retrabalho que não resolve nada.

A Kakau também lembrou de um novo produto financeiro que o time dela estava desenvolvendo e que disponibilizaram para cerca de 1.000 clientes para observar o uso. O produto tinha uma hipótese clara de como seria usado. Nenhum cliente usou desse jeito. A equipe ligou para alguns deles para entender, e o que ouviu não tinha relação com o que havia sido planejado.

Ela não revelou o produto, mas o ponto que ela quis fazer foi outro: tempo que o projeto fica na mão da equipe é tempo que ele não está na mão do cliente, e o cliente vai descobrir coisas que a equipe não imaginou, tanto os problemas quanto os usos que ninguém previu. Em produto financeiro, onde lançar rápido tem limitações regulatórias reais, esse trade-off é mais apertado do que em outros setores, o que torna o custo de um lançamento ruim maior, mas não elimina o custo de demorar demais para lançar.

O produto perfeito que ficou seis meses a mais em desenvolvimento tem um problema que não aparece no roadmap:

Se você quer melhorar a adoção do seu produto sem gastar meses de desenvolvimento, precisa conhecer a UserGuiding. É a plataforma escolhida pelos times da Caju, Asaas, Totvs e +1.200 empresas para criar onboardings que realmente funcionam.

Teste Grátis

A pesquisa, conduzida pela Samax em parceria com a Talentum Ventures, captou dados de empresas que faturam entre R$ 1 milhão e mais de R$ 100 milhões por ano, com concentração no segmento de R$ 10 a 50 milhões.

O perfil é de startups e scale-ups em crescimento: 48% têm até 50 colaboradores, cresceram entre 10% e 50% no último ano, e gastam entre R$ 100 mil e R$ 500 mil anuais com nuvem. Dentro da receita, a maioria destina entre 1% e 5% para infraestrutura de cloud, mas há uma fatia relevante que chega a 10-20%.

O número que mais chama atenção nesse perfil é o de estouro de orçamento. Pouco mais de um terço das empresas respondentes gastou mais de 5% acima do que havia planejado, e outro terço inteiro simplesmente não sabia informar se estourou ou não. Essa segunda parcela diz mais sobre o problema do que a primeira, porque quem estoura ao menos sabe onde está, quem não sabe está comprando infraestrutura no escuro.

A causa mais citada para esse descaso com os números é a forma como a responsabilidade está distribuída dentro das empresas. Em mais de 80% dos casos, o controle de custos de nuvem fica inteiramente com o time de tecnologia: desenvolvimento de software, TI e DevOps/SRE.

O financeiro participa em uma fatia pequena, que no gráfico do estudo mal aparece. Isso cria um problema de incentivos claro: a equipe que decide qual instância subir, quantos ambientes manter e se aquela Lambda esquecida vai continuar rodando não é a mesma que vai explicar o desvio de orçamento para o conselho no fim do trimestre. O time de engenharia otimiza para velocidade de entrega e disponibilidade, não para custo por transação.

Mais de 75% das empresas dizem monitorar custos internamente, geralmente pelas ferramentas nativas dos próprios provedores de nuvem. É o mesmo que monitorar o gasto do cartão de crédito pelo extrato bancário: você vê o que foi cobrado, mas não vê por que foi cobrado, nem se havia uma alternativa mais barata. Grafana e New Relic aparecem em segundo e terceiro lugar, respectivamente, mas ainda assim com baixa penetração. Só 22% das empresas acredita que seus custos estão no nível certo.

O que as empresas mais bem gerenciadas fizeram na prática é descrito em detalhes no depoimento de Rodrigo Nascimento, co-fundador e CTO da Rocket.Chat, que segundo o relatório reduziu os custos de cloud pela metade em 2025.

• Criou tags para atribuir custo por componente,

• Designou uma pessoa central para consolidar os orçamentos,

• Implementou responsabilização por área.

A Rocket.Chat tinha múltiplas equipes usando a mesma infraestrutura sem saber o que custava cada pedaço. Quando esse mapeamento ficou visível, ficou mais fácil cortar o que não gerava valor. O Mateus Barbosa, CTO do Grupo Goold, detalhou um caminho parecido: alertas progressivos baseados em percentual do orçamento mensal e detecção de picos anômalos, o que eliminou surpresas de final de mês.

O autoscaling é a prática mais adotada entre as empresas do estudo, presente em mais da metade dos respondentes. Instâncias reservadas e spot aparecem em segundo lugar, seguidas por revisão de contratos e cancelamento de serviços que haviam se tornado opcionais. Práticas mais sofisticadas, como migração entre provedores e implementação de multi-cloud deliberada para arbitragem de preço, ainda são raras.

A maioria dos servidores está nos Estados Unidos, o que os próprios organizadores do estudo estimam custar praticamente o dobro em comparação à hospedagem no Brasil. A Magalu Cloud, um dos apoiadores do relatório, oferece precificação em reais, o que elimina a exposição cambial, mas a empresa ainda não aparece com participação expressiva nas respostas.

O que está no Brasil aparece em segundo lugar no gráfico de localização, com folga considerável para os EUA. A justificativa mais comum para manter servidores nos EUA são requisitos regulatórios e latência para usuários locais, mas o relatório não quantifica quantas das empresas têm de fato essa restrição regulatória real contra quantas simplesmente nunca revisitaram a decisão.

Acesse a pesquisa completa aqui

A IA entra no relatório como uma variável que a edição de 2026 vai tentar medir com mais profundidade. O estudo de 2025 ainda não captura quanto do crescimento de custos de cloud está sendo puxado por workloads de machine learning e inferência, que são estruturalmente mais caros do que compute convencional. Quando o LLM da sua empresa processa um documento, ele não está rodando numa instância EC2 padrão, está usando GPUs que custam entre cinco e dez vezes mais por hora do que a CPU equivalente. Se a maioria das empresas do estudo já não sabe de onde vem o custo atual de cloud, a chegada dos workloads de IA vai tornar essa opacidade consideravelmente mais cara.

• Por que o custo de cloud explode sem aviso

• O erro de precificação que quebrou startups (e quase quebrou a Anthropic)

• O passo a passo para cortar custo sem mexer no código

• Qual é o papel do PM nessa conta e por que ele ignora isso

🎧 Ouça o episódio no Spotify, Apple Podcast e YouTube.

Links importantes:

🔗 Estudo completo: https://radardanuvem.com.br/
🔗 Magalu Cloud (avaliação gratuita) clique aqui
🔗 LinkedIn Lúcio Cordeiro: https://www.linkedin.com/in/luciocordeiro/
🔗 LinkedIn Lívia Facchin: https://www.linkedin.com/in/l%C3%ADvia-facchin-43ab5b12/
🔗 LinkedIn Rodrigo Schiavini: https://www.linkedin.com/in/rodrigo-schiavini/

Capítulos:

00:00 65% das empresas não sabem onde estão gastando em cloud
01:10 Por que o custo de cloud explode sem aviso
04:38 Da startup ao scale-up: quando a torneira abre
10:14 IA tornou o problema pior: o caso dos 50 milhões
15:41 Finops não é cortar custo, é conectar tech e financeiro
26:13 O preso do código ruim em escala
35:23 Anthropic, 200 dólares x 5 mil por dia: erro de precificação
41:42 Como antecipar custo antes de virar problema
46:54 Passo a passo: limpeza de lixo, right sizing e refatoramento
58:24 Qual é o papel do PM nessa conta?
01:07:46 Encerramento e links

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Cupom de 10%: PRODUCTGURUS

Para ajudar negócios a escalarem, sem perder tempo com tarefas repetitivas, a Pingback automatiza marketing e vendas. Com essa plataforma, você pode criar formulários personalizados, segmentar listas de contatos, disparar e-mails e mensagens via WhatsApp, gerenciar leads no CRM e acessar conteúdos educativos para otimizar suas estratégias. Tudo isso em um único lugar.

É ideal para times que buscam uma plataforma simples, leve e rápida.

Crie uma conta de graça

A Anthropic saiu de US$ 1 bilhão em receita anualizada em dezembro de 2024 para US$ 19 bilhões em março de 2026, nenhuma empresa de software B2B na história chegou perto dessa velocidade. O Claude Code, que só ficou disponível ao público em maio de 2025, já gera US$ 2,5 bilhões em receita anualizada, nove meses depois do lançamento, outro número que impressiona é que 4% de todos os commits públicos no GitHub já são escritos pela ferramenta. Oito das dez maiores empresas do Fortune 10 são clientes e mais de 500 empresas gastam mais de US$ 1 milhão por ano com o Claude.

Os números contam uma história de tração gigantesca mas os números também contam outra história, que apareceu com força entre março e abril de 2026: a de uma empresa que está vendendo mais do que consegue entregar, cortando acesso de quem atrapalha a margem, comprando briga com o Pentágono e transferindo bilhões para os mesmos parceiros de nuvem dos quais tenta se livrar.

Em março, o claude.ai, a API pública e o Claude Code sofreram interrupções graves ao longo de semanas. Os painéis de status da própria empresa registraram “Major Outage” nos três serviços durante o período de 30 dias. A disponibilidade caiu de 98,93% em fevereiro para 98,21% em março. Usuários do plano Max, que paga entre US$ 100 e US$ 200 por mês e promete até 20 vezes mais uso que o Pro, reportaram esgotamento total do limite em 10 a 15 minutos de conversa com o Opus.

Alguns viram seus medidores de uso pular de zero para 91% em três minutos, sem ter enviado um prompt sequer. O Downdetector registrou mais de 2.140 reclamações simultâneas no dia 23 de março.

Enquanto isso, dois serviços ficaram intocados: o platform.claude.com, que cuida de faturamento e gestão, e o Claude for Government, que opera em clusters isolados para contratos federais. A infraestrutura que atende o governo americano roda em domínios de falha separados, com redundância de hardware dedicada. A que atende o resto do mundo divide recursos numa nuvem multilocatária que simplesmente não aguentou o volume.

Subscreva agora

A causa raiz tem nome: velocidade de lançamento. Entre maio de 2025 e fevereiro de 2026, a Anthropic lançou o Opus 4, depois o 4.1, depois o 4.5, o Haiku 4.5, o Sonnet 4.6 e o Opus 4.6. Cada modelo trouxe janelas de contexto maiores, capacidades de raciocínio mais pesadas e tarefas mais complexas, que puxam mais computação por requisição.

Um estudo da própria Anthropic mostrou que usuários com mais tempo de plataforma aprenderam a extrair respostas mais profundas, o que consome mais processamento por interação. O Claude Code adicionou uma camada de uso autônomo e contínuo sobre essa mesma infraestrutura e o resultado foi previsível: demanda crescendo mais rápido que a capacidade de servir.

A resposta da empresa para o descompasso não foi só técnica, ela também no aspecto comercial. No dia 3 de abril de 2026, uma sexta-feira à noite, a Anthropic mandou um e-mail aos assinantes avisando que, a partir do dia seguinte ao meio-dia, assinaturas do Claude Pro e Max não cobririam mais o uso de ferramentas de terceiros.

O alvo explícito era o OpenClaw, um agente de IA de código aberto que tinha 347 mil estrelas no GitHub e mais de 135 mil instâncias rodando naquele momento. Para se ter uma ideia, um único agente OpenClaw rodando o dia inteiro num plano Max de US$ 200 por mês consumia entre US$ 1.000 e US$ 5.000 em custo equivalente de API.

A Anthropic estava subsidiando essa diferença para cada usuário que roteava automações pelo plano fixo.

Boris Cherny, o chefe do Claude Code, explicou a lógica por trás da decisão com um argumento técnico:

Quando o Claude Code roda uma tarefa, ele mantém uma taxa alta de reaproveitamento desse cache, o que reduz o custo por requisição. Quando um framework externo como o OpenClaw injeta instruções e contexto de forma diferente, ele força o modelo a recalcular pesos de atenção sobre janelas inteiras de contexto a cada iteração. Num modelo do tamanho do Sonnet 4.6 operando com 200 mil tokens de contexto, cada requisição sem cache vira um dreno financeiro. Para uma empresa que paga prêmios pesados por tempo de GPU alugado, hospedar agentes autônomos ilimitados por uma taxa fixa mensal equivale a financiar o próprio prejuízo.

A mecânica do corte revela a intenção da Anthropic que não baniu o uso do OpenClaw com o Claude, ela forçou esse uso para o modelo pay-as-you-go, onde cada chamada custa entre US$ 0,50 e US$ 2,00. Ao mesmo tempo, isentou explicitamente suas próprias ferramentas: Claude Code e Claude Cowork continuam cobertos pela assinatura. Peter Steinberger, o criador do OpenClaw, tinha saído da órbita da Anthropic e ido para a OpenAI em fevereiro de 2026. Antes de ir, tentou negociar com a liderança da Anthropic e conseguiu apenas um adiamento de uma semana, já Sam Altman prometeu publicamente suporte institucional ao OpenClaw como projeto da comunidade de desenvolvedores.

Para amaciar a transição, a empresa aplicou uma tática de economia comportamental com três partes.

1. Ofereceu um crédito de uso extra equivalente ao valor da assinatura mensal, resgatável até 17 de abril. Usuários do plano Max receberam entre US$ 100 e US$ 200 em créditos com validade de 90 dias.

2. Disponibilizou descontos de até 30% na compra antecipada de pacotes de uso extra.

3. Terceiro, ofereceu reembolso integral para quem quisesse cancelar.

O crédito gratuito tem um propósito preciso, para resgatar, o usuário precisa entrar nas configurações e ativar a opção de “uso extra”, configurando limites de recarga automática. Uma vez que os créditos promocionais acabam sob a demanda de codificação e geração de texto, a inércia comportamental faz com que o pagamento automático continue gerando receita incremental.

É a mesma lógica que apps de delivery usam com cupons de primeira compra, só que aplicada a infraestrutura de computação pesada. O efeito prático é inflar a receita média por usuário de forma durável.

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Cupom de 10%: PRODUCTGURUS

Em paralelo, a Anthropic dobrou os limites de uso diário para todas as contas durante duas semanas no final de março, vendido como “um pequeno agradecimento a todos que usam o Claude”. A condição não anunciada: o benefício só valia fora do horário de pico.

A estratégia é a mesma que companhias aéreas e hotéis usam há décadas para preencher capacidade ociosa, os GPUs e TPUs custam o mesmo estejam calculando inferências ou paradas, então empurrar desenvolvedores para a madrugada e fins de semana preenche os vales no gráfico de utilização dos data centers, maximiza o retorno sobre o ativo e adia o momento em que a empresa precisaria comprar ou alugar dezenas de milhares de aceleradores adicionais para cobrir picos de demanda diurna.

Toda essa engenharia de monetização opera sobre uma base financeira que é, em si mesma, um paradoxo. A Anthropic levantou US$ 30 bilhões numa Série G em fevereiro de 2026, a uma avaliação de US$ 380 bilhões. O capital total injetado na empresa ao longo de todas as rodadas passa de US$ 50 bilhões, já a receita cresce 10x ao ano há três an

os consecutivos. E mesmo assim o breakeven financeiro foi empurrado para o final de 2028, com um déficit projetado de US$ 5,2 bilhões sobre o faturamento original.

Os números explicam por quê, a projeção de gastos em pesquisa e desenvolvimento focada no treinamento dos modelos pós-Claude 4 é de US$ 12 bilhões em 2026. O custo de manter a inferência rodando para os clientes atuais consome outros US$ 7 bilhões, só a soma de treinamento e inferência dá US$ 19 bilhões, que já supera a projeção de receita de US$ 18 bilhões antes de entrar qualquer despesa com vendas, marketing ou salários dos pesquisadores.

Existe uma variável ainda mais corrosiva nessa equação que é, a Anthropic é o único modelo de IA de fronteira disponível nas três maiores plataformas de nuvem do mundo: AWS Bedrock, Google Vertex AI e Microsoft Azure Foundry.

Essa distribuição ampla gera vendas, mas cobra um preço pesado que as estimativas financeiras apontam que a empresa vai transferir US$ 80 bilhões em compensações para os parceiros de nuvem até 2029. O repasse para a Amazon sobre as vendas feitas via Bedrock chegou a quase 50% do lucro bruto gerado pela comercialização do Claude naquele canal. Em 2024, esse repasse era de US$ 1,3 milhão. Em 2025, pulou para US$ 360 milhões. Em 2026, a projeção é de US$ 1,9 bilhão. Em 2027, de US$ 6,4 bilhões.

No final de 2025, a Anthropic anunciou um investimento de US$ 50 bilhões em infraestrutura própria nos Estados Unidos, em parceria com a Fluidstack, uma operadora de nuvem especializada em data centers sob medida para cargas de IA. O projeto divide a rede em dois polos com funções distintas: complexo do Texas, onde a energia custa entre US$ 0,04 e US$ 0,06 por kWh, concentra o treinamento de modelos futuros, que não depende de latência baixa e o complexo de Nova York atende a inferência para clientes corporativos, posicionado perto das artérias do sistema financeiro que exigem proximidade de fibra óptica para operações em milissegundos.

A filosofia é oposta à do Project Stargate da OpenAI, que aposta US$ 500 bilhões num monolito centralizado de 10 gigawatts previsto para 2029. A Anthropic distribui risco entre dezenas de acordos cruzados com Google Cloud (até 1 milhão de TPUs), AWS (escalando de 500 mil para 1 milhão de chips Trainium2) e Microsoft Azure.

O CFO da empresa diz que esse mosaico protege contra choques em componentes específicos, mas existe a fragilidade do modelo aparece na engenharia de software: orquestrar treinamento e inferência sobre chips de arquiteturas completamente diferentes (TPUs do Google, Trainium da Amazon, GPUs Blackwell da Nvidia) impõe uma complexidade que contribui para a instabilidade que apareceu em março.

Para piorar a situação, em 26 de março, um erro de configuração no sistema de gerenciamento de conteúdo da Anthropic expôs publicamente servidores e repositórios sem autenticação. Entre minutas de comunicados e documentos internos, estava o material sobre o Mythos, classificado internamente como o modelo mais avançado já construído pela empresa, com capacidades de exploração de vulnerabilidades cibernéticas que os próprios documentos reconheciam como capazes de superar as defesas de nações e grandes corporações. A Anthropic admitiu que o modelo existia e estava prestes a ser lançado, os investidores deduziram que ferramentas desse tipo reescrevem a assimetria entre ataque e defesa no ciberespaço, e as ações de empresas de cibersegurança derreteram centenas de bilhões de dólares numa única sessão de bolsa.

A Anthropic de abril de 2026 é uma empresa que cresce a uma velocidade sem precedente no software B2B enquanto gasta mais do que fatura, que cobra dos desenvolvedores o custo real da computação que eles consomem enquanto tenta construir data centers próprios para parar de pagar imposto às nuvens, que mantém duas linhas vermelhas sobre uso militar enquanto briga com o governo mais poderoso do mundo, que vaza documentos sobre modelos com capacidade ofensiva cibernética enquanto vende segurança como diferencial de marca.

A receita pode continuar dobrando a cada poucos meses, mas os US$ 80 bilhões em repasses para AWS, Google e Microsoft até 2029 vão continuar saindo do caixa. Os data centers próprios no Texas e em Nova York podem levar anos até aliviar a conta. E toda empresa que depende do Claude para operar sabe agora, depois de março, que a infraestrutura pode cair e que as regras de acesso podem mudar numa sexta-feira à noite.

Para ajudar negócios a escalarem, sem perder tempo com tarefas repetitivas, a Pingback automatiza marketing e vendas. Com essa plataforma, você pode criar formulários personalizados, segmentar listas de contatos, disparar e-mails e mensagens via WhatsApp, gerenciar leads no CRM e acessar conteúdos educativos para otimizar suas estratégias. Tudo isso em um único lugar.

É ideal para times que buscam uma plataforma simples, leve e rápida.

Crie uma conta de graça

🎧Ouça agora mesmo no Spotify, Apple Podcast ou YouTube.

O que você vai ouvir:

> Como a Indicum montou uma agência de marketing, viu que não funcionava. e voltou para o core de dados e IA.
> O que mudou na empresa depois da aquisição da Mesh.AI (UK e Europa).
> A diferença entre DataOps, MLOps e AgentOps.
> O risco real que a Anthropic admitiu sobre o próximo modelo.
> Por que dados vão ter problema sempre, e o que fazer com isso.

00:00 Introdução
00:54 O momento mais solitário como cofundador
02:26 O maior medo ao contratar as primeiras pessoas
03:32 Diluir o foco para crescer, o que a Indicum fez
06:35 Aquisição da Mesh.AI: desafios culturais Brasil-Europa
09:20 O que se perde quando a startup vira empresa grande
10:59 Como levar IA do laboratório para a produção
13:16 Construindo confiança com Anthropic, OpenAI e Databricks
16:20 Claude Computer Use e agentes: eficiência ou risco?
19:54 IA vai substituir empregos?
22:53 A infraestrutura das empresas aguenta a velocidade da IA?
28:52 A verdade sobre dados que ninguém admite
31:47 Encerramento e vagas na Indicum

🔗 Indicum AI: https://indicium.ai/
🔗 LinkedIn Daniel: https://www.linkedin.com/in/daniel-avancini/
🔗 Vagas na Indicum: https://indicium.ai/pt-br/sobre-nos/carreiras#jobs

Recados importantes:

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Cupom de 10%: PRODUCTGURUS

🔗 Pingback é a plataforma simples e rápida para automatizar marketing e vendas sem burocracia. Crie formulários, dispare e-mails e WhatsApp, segmente leads e automatize fluxos enquanto seu time acompanha tudo no CRM. Acesse: https://pbck.link/paulo-chiodi

Subscreva agora

Já tinham 1.500 clientes e a Y Combinator havia endossado a empresa meses antes.

Subscreva agora

Oito meses depois, um coletivo de ex-clientes publicou um dossiê de 10.000 palavras descrevendo o que chamou de “Fake Compliance as a Service.” O que os documentos mostraram não era um produto com falhas de execução, era uma operação construída para aparentar conformidade sem produzi-la.

Só foi descoberta porque um funcionário configurou errado a permissão de uma planilha no Google Drive.

O funcionário compartilhou o link com acesso público em um canal do Slack, esse documento continha dados de centenas de clientes, incluindo links diretos para 494 relatórios SOC 2 em andamento. Quando a empresa removeu o acesso, o conteúdo já estava indexado e arquivado em cache.

Os clientes que tiveram dados expostos foram confrontar a liderança. O CEO categorizou as alegações como “fabricadas” e sugeriu que o dossiê havia sido “gerado por IA”, o que irritou o suficiente para que o grupo reunisse evidências sistematicamente.

O que encontraram: de 494 relatórios SOC 2 analisados, 493 eram textualmente idênticos. Mesma estrutura de frases, mesmas descrições genéricas, mesmos erros gramaticais. Apenas o nome da empresa, o logo e a assinatura do auditor variavam.

Um SOC 2 legítimo exige que o auditor examine a infraestrutura real, teste a eficácia dos controles e documente o que encontrou. A Delve fazia o inverso: os relatórios e as conclusões já estavam preenchidos nas plataformas dos clientes antes de qualquer avaliação acontecer.

A conclusão existia antes do exame, o sistema também gerava atas de reuniões de conselho para empresas que nunca haviam se reunido para discutir políticas de risco, marcava verificações de dispositivos e background checks de funcionários como aprovados sem que nenhum desses processos tivesse ocorrido, e substituía testes de intrusão reais por varreduras automatizadas de sites básicos como o pentest-tools.com.

A incoerência mais visível apareceu num relatório emitido para a Cluely, Inc. Na seção onde a arquitetura do software auditado deve ser descrita tecnicamente, o sistema de substituição de texto da Delve errou ao preencher o campo e inseriu o slogan de marketing completo da startup no lugar do nome do sistema.

O resultado foi uma frase oficial de auditoria que dizia, em tradução livre: “A descrição pretende fornecer informações sobre o ‘Cluely is a desktop AI assistant to give you answers in real-time, when you need it.’ que podem ser úteis ao avaliar os riscos das interações com o sistema da Cluely, Inc.” A frase não tem sentido gramatical, um auditor que lesse teria rejeitado na hora. O fato de ter passado é a prova de que ninguém estava lendo os documentos que assinava.

Os auditores eram duas firmas: a Accorp Partners, responsável pelos atestados SOC 2, e a Gradient Certification, responsável pelas certificações ISO 27001. A Delve as promovia como “firmas de CPA sediadas nos Estados Unidos.”

A investigação revelou que a Accorp operava majoritariamente a partir da Índia, usando endereços de escritórios virtuais nos EUA, e compartilhava endereço e telefone com a NG Associates CPA LLC, cujo registro havia sido reprovado pela PCAOB por se recusar a responder às solicitações regulatórias.

A Gradient era uma shell company registrada no Wyoming, com o presidente operando no mesmo endereço em Nova Delhi da empresa-mãe indiana. As duas firmas existiam para assinar o que a Delve produzia, não para examinar nada.

Aqui é onde o caso sai do escândalo e vira problema de produto.

A Delve não era uma startup que errou na execução, era uma startup que construiu um produto cujo valor dependia de que nenhum ator na cadeia tivesse incentivo para verificar se ele funcionava.

• Os clientes queriam o certificado, não a segurança.

• Os auditores recebiam por assinar, não por examinar.

• Os investidores validaram crescimento de receita e lista de clientes, não a IA.

A Y Combinator conferiu legitimidade sem testar o produto central, a Insight Partners, com mais de US$ 90 bilhões sob gestão e portfólio em SentinelOne, Wiz e Armis, não exigiu uma demonstração técnica antes de assinar um cheque de US$ 32 milhões para uma empresa cujo produto era automação de auditorias de segurança. A questão que circulou no Hacker News sem resposta: como isso é possível numa firma especializada em infraestrutura de cibersegurança?

A Insight, aliás, estava processando o próprio breach enquanto escrevia esses cheques. Em 2025, a firma divulgou ter sido vítima de um ataque de engenharia social que comprometeu sistemas e obteve acesso a dados de portfólio, informações bancárias e dados pessoais de funcionários. Os dois eventos não têm conexão técnica, mas o que têm em comum é que a verificação real de segurança foi tratada como formalidade por todos os envolvidos: a firma que vendia o certificado, as firmas que assinavam, e a firma que financiou tudo.

O nome para esse fenômeno é AI-washing: prometer capacidades de IA que o produto não tem, ou usar a narrativa de IA para cobrir a ausência de substância técnica.

A SEC já processou empresas por isso, incluindo a Global Predictions e a Delphia, que exageraram seus algoritmos de investimento. A Delve é o caso mais concreto até agora porque a fabricação era documentável: 493 relatórios idênticos são uma evidência difícil de contestar.

O que torna o caso relevante para além do escândalo é que a Delve não operava num mercado obscuro. Operava no centro do ecossistema de VC do Vale do Silício, com os validadores mais reconhecidos do setor endossando o produto publicamente.

O AI-washing funcionou porque o mercado de IA criou um ambiente em que a narrativa de automação inteligente tem mais peso no processo de compra do que a pergunta “como exatamente isso funciona?”.

Founders compraram porque precisavam do certificado para fechar contratos e investidores compraram porque os números de crescimento eram reais. Ninguém no caminho tinha incentivo direto para abrir o capô.

A ferramenta de IA da Delve também respondia aos questionários de segurança que grandes corporações enviam para avaliar fornecedores.

O que a IA fazia era ler as políticas que ela própria havia gerado para a startup e produzir respostas afirmativas: sim, a empresa possui plataformas completas de gestão de dispositivos; sim, executa simulações de recuperação de backups; sim, realizou 200 horas de pen-test. Executivos de clientes relataram no dossiê que sabiam que as respostas eram falsas, que sabiam que estavam mentindo para seus fornecedores, e que ficaram em silêncio porque precisavam fechar os contratos.

O produto da Delve não apenas fabricava a conformidade, ela criava uma situação em que os clientes se tornavam cúmplices da fabricação, o que tornava o silêncio racional para cada um individualmente e desastroso para o sistema inteiro.

Os 1.500 clientes estão agora em posições legais distintas dependendo do que fizeram com os certificados. Empresas de saúde que usaram a plataforma para conformidade HIPAA e apresentaram documentação fabricada a parceiros estão expostas a investigações do HHS Office for Civil Rights e a multas milionárias.

Empresas que operam com dados de residentes da UE e cuja conformidade com o GDPR era baseada em relatórios da Delve estão expostas a multas de até 4% da receita global. Executivos que souberam que os questionários continham respostas falsas e não fizeram nada transformaram negligência em representação fraudulenta afirmativa.

O problema que o caso Delve coloca para qualquer empresa comprando ferramentas de IA hoje não é saber distinguir uma startup fraudulenta de uma honesta, é que o mercado atual não criou mecanismos confiáveis para fazer isso antes de uma crise.

A demo funciona, o crescimento de clientes é real, os investidores de referência estão na cap table, o certificado chega em PDF com o nome certo. A pergunta “o que exatamente o agente de IA faz quando ninguém está olhando” raramente é feita com a profundidade necessária para ter uma resposta útil, e quem vende o produto tem todos os incentivos para manter esse nível de abstração.

Os 1.500 clientes recebiam um PDF com as marcas certas, o nome de uma firma de CPA e uma data de emissão. Usaram esses documentos para abrir portas corporativas, assinar contratos, processar dados de saúde e dados europeus. Parte deles sabia que o PDF não representava nada e ficaram em silêncio porque precisavam fechar os contratos, e agora os contratos podem ser desfeitos por exatamente o mesmo motivo.

DeepDelver

Delve - Fake Compliance as a Service - Part I

The version that arrived in your mailbox is truncated. Visit the full article here to view the rest…

Read more

a month ago · 520 likes · 48 comments · DeepDelver

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Cupom de 10%: PRODUCTGURUS

Esse ano volto a fazer esse mesmo exercício, agora com o Corinthians ganhando títulos em 2025 e em 2026, com contratações e sempre com polêmicas. Será que as coisas mudaram ou se eu fosse a liderança de produto do clube eu teria os mesmos desafios do ano passado?

O clube com mais sócios do Brasil, líder em engajamento digital no planeta por um dia em março de 2025, com 1,5 bilhão de impressões em redes sociais em um único mês e um contrato de R$ 1,3 bilhão com a Nike recém-assinado, fecha o balanço no vermelho, com um ativo total de R$ 2 bilhões contra passivo de R$ 2,3 bilhões.

Uma base que gera receita bruta acima de R$ 1,1 bilhão por ano e ainda assim acumula patrimônio líquido negativo merece uma olhada mais demorada nos números antes de qualquer diagnóstico fácil.

A dívida histórica da arena, os R$ 660 milhões devidos à Caixa Econômica Federal, explica o buraco do passado. O custo operacional da Neo Química Arena consome 46% da bilheteria bruta, e esse número explica o presente.

Dos mais de R$ 100 milhões arrecadados com ingressos em 2025, quase R$ 47 milhões ficaram dentro da própria operação do estádio. Num estádio com dívida de construção ainda em aberto e com receita concentrada em 34 partidas por ano, essa proporção torna cada jogo uma fonte de caixa menor do que os números brutos sugerem.

Subscreva agora

O Fiel Torcedor tem 154 mil sócios ativos hoje, à frente do Atlético Mineiro com 125 mil e do Internacional com 81 mil.

O número que chama atenção na verdade são os 571 mil contas inadimplentes e 8 mil ingressos sumindo por partida, abastecendo cambistas. A campanha de anistia de setembro de 2025, que perdoou dívidas antigas em troca da tokenização do cartão de crédito, trouxe 16 mil torcedores de volta e fez a média mensal de novas adesões saltar de 16,8 mil para 29,6 mil. Esse crescimento veio de fechar um vazamento que existia há anos, não de uma ação de aquisição.

Os naming rights da arena seguem o mesmo padrão de valor represado, o contrato com a Hypera Pharma foi fechado em 2020 por R$ 15 milhões anuais, hoje corrigidos para R$ 21 milhões pelo IGP-M, num mercado que pagaria três vezes esse valor segundo a própria diretoria do clube.

A multa rescisória caiu para R$ 50 milhões desde agosto de 2025, o que cria uma troca favorável: pagar R$ 50 milhões de saída, assinar novo contrato por dez anos ao triplo do valor e usar o patrocinador para abater os R$ 660 milhões da Caixa. O Corinthians está esperando o banco estatal contratar uma consultoria para fazer o laudo de valuation da arena antes de aceitar naming rights como quitação de dívida.

Com 571 mil cadastros que já pagaram alguma vez e pararam, o clube tem uma base que demonstrou intenção de compra e saiu em algum ponto do caminho. A campanha de anistia provou que parte dessas pessoas volta quando a fricção some, mas o clube não divulga por que elas saíram.

Os planos do Fiel Torcedor vão de Fiel Digital até Minha Cadeira, cada um com preço e benefício diferentes, mas não há mapeamento público de em qual momento do ciclo de vida o sócio abandona o plano.

O terceiro mês de um sócio novo pode revelar algum padrão de comportamento, começando com perguntas básicas:

• Ele foi ao estádio?

• Usou o aplicativo?

• Teve problema na entrada com biometria?

Sem esse dado, cada campanha de reativação precisa ser uma anistia em massa porque o clube não tem granularidade suficiente para intervir antes da saída.

Em março de 2025, o Corinthians gerou 1,5 bilhão de impressões e R$ 31,29 milhões em valor de inventário para patrocinadores, crescimento de 46% em relação ao mês anterior.

Esse valor chegou à Esportes da Sorte e à Nike, não ao torcedor que assistiu ao conteúdo. Cerca de 40% dos fãs do clube vivem fora de São Paulo, desses, uma parcela considerável nunca vai pisar na Neo Química Arena, mas consome conteúdo regularmente, acompanhou o documentário do Memphis Depay e sabe o nome do goleiro reserva.

Um plano digital de R$ 25 ou R$ 30 mensais com conteúdo exclusivo e bastidores converteria diretamente uma audiência que hoje só gera valor para terceiros. A diferença prática entre as duas estruturas é que uma renova automaticamente todo mês e a outra depende de o patrocinador assinar de novo a cada ciclo de contrato.

A jogo da NFL em 2024 na Neo Química Arena movimentou R$ 330 milhões na economia de São Paulo, com 11,5% do público vindo de fora do país, e a liga ainda pagou a renovação do gramado. A arena capturou parte desse fluxo em bilheteria e operação, mas não há número público sobre quantos dias por ano o estádio recebe eventos fora do calendário de futebol.

O CEO da Arena Arnaldo Garcia, foi nomeado com mandato de reduzir os 46% de custo operacional por jogo, o que resolve uma parte do problema. A outra parte é que um estádio com capacidade para 47 mil pessoas no meio de São Paulo tem 340 dias por ano sem futebol profissional, e a receita desse calendário alternativo ainda não aparece nos comunicados da gestão com a mesma clareza que as negociações de patrocínio.

A decisão mais relevante da gestão Stabile para o longo prazo foi nas categorias de base. A política anterior cedia 50% ou mais dos direitos econômicos de jovens atletas para intermediários em troca de dinheiro adiantado, a gestão atual exige retenção de 80% a 90% dos direitos em qualquer novo contrato de formação, o que reduz o caixa de curto prazo ao remover uma fonte de adiantamento, mas muda radicalmente o retorno de cada venda futura.

Quando um atleta formado no clube for vendido por R$ 100 milhões ao futebol europeu, o Corinthians ficará com R$ 80 a 90 milhões em vez de R$ 40 a 50 milhões, com plantel avaliado em R$ 715 milhões pela Sports Value, a diferença acumulada dessa política ao longo de dez anos ultrapassa qualquer renegociação de naming rights.

Os R$ 130 milhões anuais da Nike e os R$ 150 a 200 milhões da Esportes da Sorte entram e saem antes de qualquer reinvestimento em produto ou infraestrutura, a política de categorias de base colherá resultado entre 2030 e 2035. A monetização direta da audiência digital depende de uma decisão que ainda não foi tomada. A arena depende de um laudo que o banco ainda não encomendou. Enquanto isso, cada contrato novo de patrocínio que o clube assina ao valor de mercado correto financia a dívida de ontem, não a expansão de amanhã.

Pensando do ponto de vista de quem chegaria hoje como liderança de produto com mandato para mexer nesse quadro, o primeiro problema a resolver não é construir nada. É entender por que as pessoas saem antes de decidir o que fazer para elas ficarem.

Os 571 mil cadastros inadimplentes não são um bloco homogêneo, dentro deles existe o torcedor que assinou, foi ao estádio duas vezes e cancelou porque mudou de cidade. O torcedor que nunca usou nenhum benefício e cancelou por esquecimento, aquele que teve problema na entrada com biometria, não encontrou suporte e foi embora.

A campanha de anistia de setembro de 2025 tratou os três da mesma forma, com perdão de dívida universal, e trouxe 16 mil de volta. O resultado foi positivo, mas o custo por reativação provavelmente foi alto porque o clube abriu mão de dívida de torcedores que teriam voltado com qualquer estímulo menor. Sem rastreamento de comportamento dentro do app com granularidade suficiente para identificar em qual mês do ciclo de vida cada perfil cancela, a próxima campanha vai repetir o mesmo desperdício.

O que um time de produto faria nos primeiros 60 dias é instalar eventos de comportamento no app cobrindo pelo menos quatro pontos: login, uso de benefício físico via biometria, uso de qualquer benefício digital dentro do plano, e contato com suporte.

Com dois meses desse dado em mão, a segunda rodada de reativação pode ser segmentada:

• Para quem sumiu por problema técnico, contato direto com resolução e um mês de cortesia.

• Para quem nunca usou benefício, uma oferta de experiência presencial antes de qualquer desconto.

• Para quem mora fora de São Paulo, um plano digital com preço abaixo do plano físico mais barato, que atenda os 40% da base que hoje não tem produto pensado para sua realidade.

Esse plano digital, entre R$ 19,90 e R$ 29,90 mensais, não exige infraestrutura nova, o departamento de conteúdo comandado pelo excelente Tiago Maranhão já produz documentários, bastidores de treino e entrevistas que hoje vão inteiros para o YouTube aberto porque o contrato com a Esportes da Sorte remunera por alcance de audiência.

A decisão que ainda não foi tomada é o que fica atrás de paywall e o que serve de amostra gratuita para conversão. Borussia Dortmund e Manchester City operam exatamente esse modelo para torcedores fora da Alemanha e da Inglaterra: conteúdo de bastidor como produto pago, não como marketing de patrocinador.

Se 5% dos 571 mil cadastros inadimplentes converterem para um plano de R$ 25, isso representa R$ 8,5 milhões por ano de receita que hoje não existe, gerada sobre uma base que o clube já tem cadastrada.

A outra frente, mais rápida de testar, é criar um ponto de captura de lead qualificado dentro do fluxo de conteúdo aberto. Antes de liberar o próximo documentário de bastidor no YouTube, o clube pede e-mail e CEP em troca do acesso, com opt-in explícito.

O vídeo continua público, o alcance que alimenta o contrato com a Esportes da Sorte se mantém, mas o clube sai com um cadastro ativo e endereço identificado de cada pessoa que assistiu. Em 90 dias de experimento, com meta conservadora de 50 mil leads capturados e conversão de 5% em plano digital nos 60 dias seguintes, o clube começa a construir uma relação direta com a audiência que hoje só existe como número de visualização num dashboard de patrocinador.

O risco é que o contrato com a Esportes da Sorte tenha cláusulas sobre distribuição de conteúdo patrocinado que conflitem com uma tela de captura antes do vídeo, por isso o experimento começa com a metigação de risco jurídico com uma leitura profunda do contrato.

O que esse conjunto de iniciativas entrega ao fim do sexto mês é, no melhor cenário, dois mil assinantes novos no plano digital, 50 mil leads qualificados capturados da audiência aberta e um mapa de churn com granularidade suficiente para as próximas decisões.

No pior, o plano digital não converte acima de 0,5% da base inadimplente, o que significa que o valor percebido do conteúdo exclusivo é menor do que a hipótese sugeria, e essa informação já vale porque evita um investimento maior na direção errada.

O problema é que a diretoria vai querer ver de mim provavelmente R$ 50 milhões de receita nova em seis meses, mas um produto digital construído sobre base própria não entrega isso nesse prazo, e qualquer apresentação que prometa o contrário está vendendo um sonho e não quer ajudar o Corinthians.

Para ajudar negócios a escalarem, sem perder tempo com tarefas repetitivas, a Pingback automatiza marketing e vendas. Com essa plataforma, você pode criar formulários personalizados, segmentar listas de contatos, disparar e-mails e mensagens via WhatsApp, gerenciar leads no CRM e acessar conteúdos educativos para otimizar suas estratégias. Tudo isso em um único lugar.

É ideal para times que buscam uma plataforma simples, leve e rápida.

Crie uma conta de graça

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist

Cupom de 10%: PRODUCTGURUS

• O que é Vibe Coding de verdade (e por que pode quebrar seu produto)

• Como usar Spec Driven Development para criar software confiável com IA

• Por que skills são mais importantes que prompts

• Como criar design systems escaláveis com IA

• E o mais importante: como sair do “projetinho de fim de semana” para produto que gera dinheiro

Se você trabalha com produto, tecnologia ou quer construir algo do zero, esse episódio mostra o novo padrão de execução na era da IA.

🎧Ouça o episódio no Spotify ou no YouTube.

Capítulo:
00:00 Introdução
01:40 Criar conteúdo de IA sem virar mais um canal de hype
03:38 Background: empresa vendida para a Adobe, depois demissão voluntária
10:13 O que é Vibe Coding de verdade (e onde mora o perigo)
15:20 Dev ainda é necessário
16:52 Design System com IA: componentes, variáveis e os dois erros mais comuns
23:57 Skills vs. Agentes: context engineering na prática
29:44 Designers serão os founders do futuro? (Y Combinator diz que sim)
33:43 IA faz discovery de produto?
34:13 O experimento: 350 CMOs sintéticos e 70% de overlap
38:22 Como empurrar a IA para fora do centro de distribuição
41:38 Demo ao vivo: o Epic (Lovable com PM embutido)
48:32 Próximo episódio: construir algo sem PM e sem dev

Onde encontrar a Deborah:
LinkedIn: https://www.linkedin.com/in/dfolloni/
Twitter: https://x.com/dfolloni
YouTube: @deborahfolloni
Acesse e use o Epic: https://epic.new/pt-BR

🚨 Recado importante:

Tem gente que passa anos esperando o momento certo para se capacitar. Enquanto isso, os cargos sênior continuam indo para quem já sabe fazer discovery de verdade, que sabe defender uma decisão difícil para stakeholders, que consegue crescer produto sem improvisar.

A PM3 está no oitavo ano formando justamente esse perfil. A campanha de aniversário ainda está aberta, com condições bem acima do que a escola oferece no restante do ano.

Uso do cupom PRODUCTGURUS garante 10% adicional.
A oferta muda no dia 24. Acesse: https://dub.sh/bnawLJq

--

Pingback é a plataforma simples e rápida para automatizar marketing e vendas sem burocracia. Crie formulários, dispare e-mails e WhatsApp, segmente leads e automatize fluxos enquanto seu time acompanha tudo no CRM.
Acesse: https://pbck.link/paulo-chiodi

Ideia, problema e oportunidade são categorias diferentes e pedem ações diferentes. Uma ideia é um plano de ação num vácuo: criar uma landing page, permitir login com Google, lançar um módulo de relatórios com IA. Problema tem dado, tem comportamento observável, tem fricção identificada num usuário real. Oportunidade aparece quando você olha para esse problema e enxerga o potencial de reduzir a fricção e gerar algo positivo para o negócio.

Quando as três categorias se misturam numa mesma reunião sem que ninguém perceba, o resultado é uma conversa onde nada é descartável porque nada é específico o bastante para ser testado.

Os exemplos que Eduardo usa tornam isso concreto, como:

• “Usuários que não recebem corridas em menos de cinco minutos saem da plataforma” é um problema.

• “Se aumentarmos em 6% a conversão, isso representa R$ 250 mil a mais de MRR” é uma oportunidade.

• “Criar novos relatórios com insights via IA” é uma ideia, porque ainda não se sabe qual tipo de relatório gera impacto, para quem, em que momento do uso.

A distinção importa porque confundir ideia com oportunidade é a maneira mais comum de um time gastar um trimestre inteiro construindo a coisa errada com convicção.

A ferramenta que Eduardo usa para estruturar o processo é a árvore de oportunidades de Teresa Torres, do livro Continuous Discovery Habits. A lógica é hierárquica, no topo fica o resultado que o time precisa alcançar: o OKR, o KPI, o indicador que alguém no board está acompanhando. No caso da Suvinil que Eduardo descreve, era aumentar as vendas de um produto premium em pelo menos 30%.

Abaixo do resultado ficam as oportunidades, o que pode estar impedindo esse crescimento, onde está a fricção, o que o usuário está sinalizando nos dados. Abaixo das oportunidades ficam as soluções candidatas. Abaixo das soluções ficam os experimentos, os testes AB, os MVPs, as POCs que vão reduzir o risco antes de escalar.

O que a árvore impede é um salto muito comum: sair do resultado direto para a solução sem passar pelas oportunidades. Quando um time pula essa etapa, a solução aparece como convicção e o discovery vira validação de algo que já estava decidido. Na Suvinil, dentro daquele objetivo de 30% de aumento de vendas, mapearam oportunidades em trade, em campo, em mídia social e na página de produto antes de escrever uma linha de solução. Só então começaram testes de conteúdo, variações de PDV, diferenciações de comunicação por frente.

A IA entra nesse processo em pontos específicos e com limitações claras:

• Para análise de dados comportamentais, clusterização de usuários e identificação de padrões regionais ou por segmento, modelos conseguem processar em horas o que um analista levaria semanas.

• Na camada de experimentos, Eduardo menciona o vibe coding como caminho para o time de produto prototipar sem depender de ciclos longos de engenharia.

O que nenhum modelo faz é definir o resultado no topo da árvore, porque isso exige contexto organizacional e decisão de negócio que não existe nos dados.

Depois de mapear oportunidades e soluções candidatas, o time precisa decidir o que atacar primeiro. A matriz de esforço por impacto organiza essa decisão em dois eixos:

• Esforço representa o que vai ser necessário para implementar: capacidade técnica disponível, orçamento, complexidade de integração.

• Impacto representa o que muda para o negócio se aquela iniciativa funcionar: receita, retenção, posicionamento. Iniciativas de alto impacto e baixo esforço recebem prioridade.

Eduardo dá um exemplo: integrar WhatsApp pode ser relativamente simples para alguns produtos e ao mesmo tempo ampliar o alcance para uma base grande de usuários. Alto impacto com alto esforço vai para planejamento estruturado, porque vai exigir meses e depende de múltiplos times. Baixo impacto e alto esforço é descartado, e a recomendação de Eduardo é não colocar essas iniciativas nem no backlog porque ocupam espaço mental em toda sessão de priorização seguinte.

A matriz parece mecânica mas o trabalho acontece nas discussões para preenchê-la, como bem disse Eduardo que esforço e impacto precisam ser avaliados com múltiplos stakeholders, incluindo o time técnico, porque a mesma iniciativa vai ter pesos completamente diferentes dependendo da arquitetura existente. O PM que não entende nem superficialmente essa arquitetura vai errar sistematicamente no eixo de esforço, colocando no quadrante de prioridade coisas que vão travar na primeira sprint de execução.

Tem uma tensão prática que aparece cedo em qualquer tentativa de fazer discovery bem feito, Eduardo já rodou design sprints de uma semana que saíram com protótipo validado e já fez discoveries de três meses para apresentar para board. O tempo certo depende do quanto aquele problema específico exige de aprofundamento. Para empresas de médio a grande porte, a sugestão dele é de pelo menos um mês consolidado antes de subir qualquer coisa em produção, e ele mesmo admite que já fez discovery com time interno quando o processo para acessar o cliente levava duas semanas para ser liberado internamente, sabendo do risco de enviesar o resultado, porque a alternativa era ficar duas semanas parado esperando uma aprovação burocrática.

A árvore de oportunidades torna visível onde o time está tomando atalho e torna visível não resolve o atalho.

Última semana da campanha de aniversário da PM3. Depois disso, as condições voltam ao normal, sem desconto, sem os bônus do pacote de março.

PM3 é a maior escola de produto do Brasil, oito anos formando profissionais que hoje lideram times em Nubank, iFood, Creditas, entre outros. O acesso ao Membership Plus inclui 9 formações, mentorias individuais, workshops ao vivo e o Summit de produto em maio.

Cupom PRODUCTGURUS dá mais 10% sobre o preço atual.
Acesse: https://dub.sh/bnawLJq

Assista essa aula completa aqui:

Foi aí que me deparei com um conceito que já tinha ouvido falar antes, mas não havia me debruçado em detalhes para compreender seu verdadeiro potencial e como poderia ser incorporado em basicamente qualquer aspectos de negócio do dia a dia: a gamificação (ou gamification, no original).

Não, gamificação não é meramente adicionar mecânicas de jogos em diferentes plataformas, como um site, uma comunidade on-line ou um aplicativo: se trata de estratégias e métodos adotados que visam “derivar todos os elementos divertidos e viciantes encontrados nos jogos e aplicá-los em atividades produtivas ou do mundo real”, segundo definição de Yu-kai Chou, referência mundial no tema e pioneiro nos estudos de gamificação desde 2003.

Essa definição, inclusive, traduz o que ele chama de “Design Focado no Ser Humano” em oposição a “Design Focado na Função”. É um processo de design que otimiza o ser humano no sistema, em oposição à pura eficiência do sistema.

Subscreva agora

Conheci o autor Yu-kai Chou justamente durante o Discovery que estava realizando em 2016, enquanto ainda estava cambaleando sobre o tema, até me deparar com sua palestra para o TEDx Talks realizado em Lausanne, na Suíça, em 2014. Grande parte deste artigo, inclusive, será adaptado à partir do conteúdo nela apresentado, que se mantém extremamente atualizada mais de 10 anos depois de sua realização.

Palestra com o tema “Gamificação para melhorar o nosso mundo” apresentada por Yu-kai Chou no TEDxLausann.

Quem são os gamers hoje em dia?

Na palestra acima, ele traz uma boa contextualização em relação a definição do tema “Gamificação” em si. A começar por uma pergunta bem básica: quem são os gamers hoje em dia?

Segundo a Pesquisa Game Brasil (PGB), levantamento anual sobre o consumo de jogos eletrônicos em nosso país, 82,8% das pessoas entrevistadas afirmam ter o hábito de consumir jogos digitais.

O crescimento é de 8,9 pontos em relação a 2024, e as mulheres são maioria: representam 53,9% de todo o total de jogadores.

Em termos de faixa etária, a maior concentração de gamers está entre as faixas de 30 a 44 anos (49,4%), tendo uma renda familiar entre R$ 2.824,01 e R$ 5.648,00 (32,3%).

O que isso significa, na prática? Que o brasileiro médio é um gamer. Ou seja, videogames não estão concentrados meramente com o público infantil masculino, como o imaginário popular pode nos levar a pensar: são pessoas que buscam por entretenimento de forma geral.

O equívoco com os PBLs

Em um primeiro momento, podemos interpretar que a mera inclusão de alguns elementos presentes dos vídeos games em plataformas distintas (como um aplicativo ou site) concretize a gamificação das mesmas. Normalmente esses elementos são pontos, insígnias e tabelas de classificação (Points, Badges e Leaderboards no original, ou PBL).

Pela definição dada no início do texto, esse é um grande equívoco.

Isso porque são aspectos que, apesar de estarem presentes em grande parte dos vídeos games, são apenas parte de um contexto maior. Se um gamer for questionado dos motivos pelos quais ele gosta de determinado jogo, ele não vai mencionar que é por conta do uso de pontos ou conquista de insígnias: é provável que a resposta se aproxima de algo como o lore da história apresentada, a imersão em determinados mundos, os desafios apresentados etc.

Ou seja, boas experiências de gamificação não começam por seus elementos, mas sim pelo que Yo-kai Chou chama de Core Drives.

O framework Octalysis

Core Drives podem ser interpretados como a motivação das pessoas, a razão por trás de determinados comportamentos. Visando compreendê-los, o autor criou o framework Octalysis com o objetivo final de somar ao design de experiências dos usuários, identificando e detalhando quais os aspectos mais envolventes e motivadores por usuários/plataforma.

Detalhamento do framework Octalysis, desenvolvido por Yo-kai Chou.

Detalharei abaixo em detalhes quais são os 8 core drives mapeados, bem como seus significados e exemplos de aplicações.

1) Significado e chamado ao épico

Motivação pelos usuários acreditarem que faz parte de algo maior que ele mesmo: ou seja, a contribuição para uma iniciativa com grande importância.

Poder usar o Wikipedia como exemplo: como é possível manter um acervo com mais de 1,1 milhão de artigos válidos e constantemente atualizados, sendo que o site não exibe publicidade e tem suas receitas extremamente controladas? Eles contam com voluntários, ou wikipedistas para realização da revisão de forma recorrente.

O motivo para mais de 3 milhões de pessoas já terem realizado alterações em pelo menos uma das páginas da plataforma é a noção de contribuição para o conhecimento humano: se trata de conteúdo acessível e disponibilizado gratuitamente a nível global, razão mais do que suficiente para alguns usuários se empenharem na manutenção contínua do site.

2) Desenvolvimento e realização

Esse é o core drive responsável pelo sentimento de progresso: a percepção de melhoria contínua por parte do usuário, à medida que ele investe seu tempo para aprimorar determinada função.

Aqui é fácil utilizarmos o aplicativo Nike Run Club como referência: a plataforma para mensuração do desempenho de corredores trás o uso de badges, já citadas anteriormente, mas aplicadas a desafios reais do dia a dia. Mais do que isso: é possível criar grupos com amigos para atingir determinada meta compartilhada, além de realizar um levantamento periódico do progresso até então contando com um comparativo em relação a períodos anteriores.

Ou seja, é possível visualizar com gráficos extremamente intuitivos onde o usuário desempenhou melhor ou pior.

3) Capacitação da criatividade e feedback

É muito provável que você nunca tenha ouvido falar do Foldit, um game no formato de puzzle (quebra-cabeças) criado pelo Centro de Ciência de Jogos da Universidade de Washington, em colaboração com o Departamento de Bioquímica da UW.

O objetivo do Foldit é dobrar as estruturas das proteínas selecionadas da forma mais perfeita possível, utilizando as ferramentas fornecidas no jogo. As soluções com maior pontuação são analisadas por pesquisadores, que determinam se existe ou não uma configuração estrutural nativa (estado nativo) que possa ser aplicada a proteínas relevantes no mundo real.

Os cientistas podem então utilizar estas soluções para combater e erradicar doenças e criar inovações biológicas: um artigo de 2010 na revista científica Nature creditou aos 57.000 jogadores do Foldit o fornecimento de resultados úteis que corresponderam ou superaram as soluções computadas por algoritmos.

Ou seja, são literalmente gamers que, em seu tempo livre, ajudaram (e ainda ajudam) a mapear novas maneiras pelas quais as estruturas das proteínas podem se dobrar, e esse conhecimento estrutural delas é fundamental para entender como elas funcionam, direcionando-as com medicamentos.

Vídeo de introdução do game Foldit, reformulado no ano passado com novo layout e funcionalidades.

4) Propriedade e posse

Essa é a razão pela qual os usuários são motivados porque sentem que possuem algo. Quando um jogador se sente dono, ele deseja tornar o que possui melhor e possuir ainda mais.

O Duolingo é um ótimo exemplo: a plataforma de educação de diferentes idiomas trás o usuário para diferentes divisões à medida que ele progride em relação ao XP (Experience Points) ganho após a realização de cada aula. Caso o usuário fique sem utilizar o aplicativo, ele cairá de divisão e boa parte de seu progresso será descartado.

Alguns usuários possuem “ofensivas” (ou seja, dias seguidos em que realizam pelo menos uma lição) e ganham tags que refletem a duração de suas ofensivas. Perder a posse desse reconhecimento faz com que esses usuários continuem a utilizar a plataforma.

5) Influência social e relacionamento

Aqui são incorporados os elementos sociais que impulsionam as pessoas, incluindo aceitação, companhia e companheirismo, mas também competição e inveja.
As redes sociais mais tradicionais se aplicam nesse sentido: Instagram, Facebook e outras são usadas principalmente por conta de fatores ligados à influência social.

Existe inclusive histórico de um experimento conduzido via Facebook em 2010 referente as eleições estadunidenses: Em apenas algumas horas do dia 2 de novembro de 2010, dia de votação das últimas eleições para o congresso dos Estados Unidos, uma simples mensagem no Facebook levou às urnas 340 mil pessoas que teriam abstido seus votos.

No dia em questão, 61 milhões de norte-americanos em idade de votar entraram na plataforma: os pesquisadores mostraram de forma esporádica a 600 mil deles uma mensagem que os estimulava a votar, sem viés partidário. A mensagem tinha o título "Hoje é dia de eleições", um link para os colégios eleitorais da zona, um botão clicável de "já votei" e um contador com os usuários do Facebook que haviam clicado no botão até aquele momento.

A imensa maioria dos usuários (em torno de 60 milhões) receberam a mesma mensagem, mas com um acréscimo: as fotos de seis amigos que diziam "eu já votei" (ou seja, aqueles que haviam clicado no botão). E, como segundo grupo de controle, outros 600 mil usuários, também escolhidos ao acaso, não receberam nenhuma mensagem.

Com essa imensa base de dados, foi possível calcular que a mera mensagem informativa (o controle sem amigos) incrementou a participação em 60 mil eleitores. E que a mensagem social (a versão com amigos) aumentou em outros 280 mil participantes. No total 340 mil pessoas votaram graças à mensagem recebida.

6) Escassez e impaciência

Este é o core drive que remete ao sentimento de querer algo porque você não pode tê-lo. Muitos jogos têm dinâmica de compromisso (volte 2 horas depois para receber sua recompensa).

O fato de uma pessoa não conseguir algo a motiva a pensar nisso. Aqui podemos citar a falecida rede social Orkut: no início só era possível acessar a plataforma por meio de um convite enviado por e-mail, onde cada novo usuário podia chamar apenas uma pessoa por convite.

Esse sentimento de “raridade” gera valor por parte das pessoas.

7) Imprevisibilidade e curiosidade

Traduz o impulso de querer descobrir o que acontecerá a seguir. Se não sabemos o que vai acontecer, nosso cérebro passará a pensar nisso com frequência: a emoção de não saber pode despertar a curiosidade em cada um de nós.

Podemos classificar uma série de diferentes atividades aqui, desde uso de plataformas de casas de apostas até redes sociais como um todo.

Vamos simular o uso do Instagram, por exemplo: uma ação que nós, usuários, realizamos com frequência, é o de atualização do feed. Como fazemos isso? Com um dedo, puxamos a tela de baixo para cima, com o intuito do algoritmo nos trazer um conteúdo inédito, ainda desconhecido, que nos traga um sentimento de “descoberta”.

Essa imprevisibilidade também está presente em máquinas caça-níqueis, onde as pessoas jogam por não saber o resultado que virá a seguir. E o movimento, inclusive, é semelhante ao de atualização do feed: ao invés do dedo, temos uma alavanca a ser puxada de cima para baixo, trazendo resultados imprevisíveis.

8) Perda

O sentimento de perda pode ser algo extremamente poderoso, especialmente se for possível evitar que algo negativo aconteça. Em termos práticos, poderia refletir oportunidades que estão desaparecendo, e caso nenhuma ação seja tomada, elas não poderão mais ser aproveitadas.

Períodos promocionais podem ser um reflexo disso: o aplicativo da Amazon marca o período em que uma data comemorativa traz descontos por um determinado período. Um timer posicionado em uma área específica do site pode despertar esse sentimento de perda, e até mesmo de FOMO (Fear of Missing Out), levando o cliente a tomar uma ação.

O lado esquerdo do cérebro vs. O lado direito

Yu-kai Chou identificou um certo padrão em relação aos core drives mapeados: os da esquerda representam a lógica, cálculos e propriedade, enquanto os da direita estão mais ligados à criatividade, auto expressão e aspectos sociais.

Distinção do framework Octalysis entre partes direita e esquerda do cérebro.

Nota: os impulsos centrais do cérebro esquerdo/direito não são considerados uma verdadeira ciência do cérebro: eles são meramente simbólicos, pois tornam a estrutura mais fácil e eficaz durante o design.

É útil dividir as coisas entre o lógico e o emocional, e essa definição entre Cérebro esquerdo e direito foi feita para ajudar as pessoas a se lembrarem delas com mais facilidade.

Black Hat vs. White Hat

Outra camada a ser considerada no framework Octalysis é que os core drives superiores no octógono são considerados motivadores muito positivos, enquanto os drives inferiores podem ser interpretados como negativos.

As técnicas que utilizam os Core Drives superiores são chamadas de “Gamificação White Hat”, enquanto as técnicas que utilizam os Core Drives inferiores são chamadas de “Gamificação Black Hat”.

Se algo é envolvente porque permite que você expresse sua criatividade, faz você se sentir bem-sucedido por meio do domínio de diferentes habilidades e dá um maior senso de significado, isso faz com que os usuários se sintam muito bem e poderosos.

Por outro lado, se você está sempre fazendo algo porque não sabe o que vai acontecer a seguir, está constantemente com medo de perder alguma coisa, ou porque há coisas que você não pode ter, isso pode causar um sentimento negativo (mesmo que mantenha o engajamento).

Distinção do framework Octalysis entre White Hat e Black Hat.

O problema com os jogos mobile em que os usuários precisam entrar diariamente (seja para resgatar determinados pontos que ficam disponíveis a cada 24h, recolher uma plantação no caso de jogos que simulam uma fazenda etc), é que eles descobriram como executar muitas técnicas de jogo Black Hat, que aumentam a receita dos usuários, mas não fazem os usuários se sentirem bem.

Portanto, quando um usuário finalmente conseguir sair do sistema, ele o fará porque não sente que tem controle sobre si mesmo, assim como o vício de jogos de cassino, por exemplo.

Tenha em mente que só porque algo é Black Hat não significa que seja necessariamente ruim – estes são apenas motivadores – e podem ser usados ​​para resultados produtivos e saudáveis ​​ou para resultados maliciosos e manipuladores.

Muitas pessoas se submetem voluntariamente à Black Hat Gamification para ir à academia com mais frequência, comer de forma saudável ou evitar apertar o botão de soneca todas as manhãs.

Abaixo, temos uma visão aplicada do framework a uma plataforma: nesse caso, o jogo mobile Candy Crush, mas que pode ser aplicada a qualquer plataforma de forma geral.

Desse modo, é possível avaliar a estratégia de gamificação aplicada e estudar possíveis formas de aprimoramento (seja do ponto de vista do usuário final ou da compania).

Aplicação do framework Octalysis para o game mobile candy crush, onde cada vetor corresponde a um dos core drives de forma detalhada.

Inclusive, existe um site disponibilizado de forma gratuita pelo próprio Yu-kai Chou para que qualquer um possa experimentar a aplicação do framework em seu aplicativo ou site: https://www.yukaichou.com/octalysis-tool/.

O grande objetivo por trás da gamificação, segundo palavras do próprio autor, é o de “criar um mundo onde não há mais divisão entre o que você tem que fazer e o que devemos fazer”: ou seja, revisar a forma como os profissionais aplicam seu trabalho de modo a torná-los mais atraentes e engajados de modo a melhorar a qualidade de vida. Se você me perguntar, nada mal para um conceito com tanto potencial quanto o de gamificação.

O que ele fez com essa restrição não foi trabalhar mais horas. Foi decidir, desde o início, que certas tarefas nunca seriam feitas manualmente de novo.

A primeira coisa que Lau priorizou ao chegar não foi paid search e sim lifecycle marketing. Para quem pensa em crescimento como funil de aquisição, isso parece contramão, mas tem uma lógica: sem saber o que faz um usuário ficar, sem entender qual comportamento nos primeiros dias antecipa retenção, escalar aquisição paga só acelera o problema. Você traz mais gente para um balde furado. Lau construiu a base de mensuração e retenção antes de abrir o orçamento de anúncios, porque sem ela os dados de performance não dizem nada confiável sobre o que está funcionando.

Subscreva agora

Essa sequência, lifecycle antes de paid, impõe uma disciplina que a maioria dos times de growth ignora porque a pressão por resultado imediato vai sempre na direção de ligar a torneira de aquisição o quanto antes. O problema é que torneira ligada com medição ruim gasta budget sem gerar aprendizado. Lau sabia disso de experiências anteriores e recusou repetir o padrão.

Quando chegou a hora de escalar aquisição, a lógica de priorização de canais que ele adotou também quebra com o convencional. Google Ads ficou com a maior parte do esforço de paid porque captura intenção já formada: alguém que busca “melhor assistente de IA” ou “alternativa ao ChatGPT” está a um clique de converter, e o custo por conversão reflete isso. LinkedIn Ads entra para gerar demanda entre tomadores de decisão em empresas, com CPCs acima de 20 dólares, mas com segmentação por cargo e tamanho de empresa que não existe em nenhum outro canal.

São dois papéis distintos no funil, e tratá-los com o mesmo framework de avaliação de ROI distorce a decisão de onde alocar.

O canal que Lau descreveu como “o mais forte que existe agora” foi influencer marketing. O time patrocinou 31 criadores para 50 posts no LinkedIn com a hashtag ClaudePartner, priorizando perfis entre 50 e 200 mil seguidores, o que o mercado chama de mid-tier a macro.

A escolha por esse range não é aleatória, criadores nessa faixa têm audiências específicas o suficiente para gerar confiança e grandes o suficiente para ter alcance com custo por impressão razoável. Mega-influenciadores têm audiências difusas demais para produto B2B e enterprise e nano-influenciadores têm custo de operação alto para o volume de resultado.

O que torna influencer marketing difícil de copiar é que o resultado depende de curadoria, não de volume. O time de customer marketing publicou 67 histórias de clientes no segundo semestre de 2024, cada uma entre 650 e 1.050 palavras, gerando mais de 60 mil visitas orgânicas mensais. Esse monte de casos reais é o que alimenta tanto o conteúdo dos criadores quanto o argumento de vendas enterprise. Um criador com 100 mil seguidores no LinkedIn falando sobre como usa o Claude para um caso específico de trabalho carrega mais credibilidade do que qualquer anúncio pago porque o leitor sabe que aquela pessoa usa o produto de verdade.

Para fazer tudo isso sozinho, Lau precisou de uma relação diferente com o trabalho repetitivo. Ele não tentou fazer mais rápido, ele eliminou.

O workflow de Google Ads que construiu com Claude Code processa um CSV com centenas de anúncios existentes, identifica os de pior performance e gera variações novas respeitando os limites da plataforma: 30 caracteres para títulos, 90 para descrições. A divisão em dois sub-agentes separados, um para títulos e outro para descrições, foi a decisão técnica mais importante do projeto. Tentar fazer os dois num único agente produzia resultados mediocres.

A separação de responsabilidades melhorou a qualidade do output e simplificou a depuração quando algo saía errado. O processo que levava duas horas passou a levar quinze minutos.

Para criativos visuais, construiu um plugin no Figma que gera até 100 variações de anúncios trocando títulos e descrições entre frames, em múltiplos formatos simultaneamente. O prompt inicial para o Claude Code foi: “Eu trabalho no Figma e quero resolver o problema de copiar e colar repetitivamente. Você consegue me ajudar a construir um plugin?” Uma hora depois tinha um protótipo funcional. Um processo que levava 30 minutos por lote passou a levar 30 segundos.

Para análise de performance do Meta Ads, construiu um servidor MCP integrado à API da plataforma que puxa dados de campanhas diretamente no Claude Desktop, sem precisar abrir o Ads Manager separado. Para experimentos, implementou um sistema de memória que registra hipóteses e resultados entre rodadas de teste, de forma que cada nova geração de variações parte do histórico acumulado de o que funcionou e o que não funcionou.

O que conecta esses quatro sistemas é o mesmo princípio: identificar onde o trabalho é repetitivo e tem estrutura clara o suficiente para ser descrito em linguagem natural, e então construir algo que execute essa parte. O julgamento sobre o que faz sentido testar, qual voz usar, como adaptar o tom por canal, esse trabalho continuou sendo humano. O time de product marketing e copywriting escreveu o copy de referência que os agentes usam antes de qualquer automação entrar. Os sistemas não substituem o julgamento. Executam o julgamento que já foi feito.

Em setembro de 2025, Sunil Subhedar entrou como Growth Marketing Leader. Subhedar passou por Canva, onde construiu times globais de performance e lifecycle marketing, pelo Uber, onde liderou marketing programático, e pelo Google durante a aquisição do AdMob. O time cresceu. Subhedar confirmou no LinkedIn que toda pessoa do time usa Claude Code regularmente e que a cultura de experimentar com IA está se espalhando para o restante da organização de marketing.

A frase que Lau usou para descrever onde o papel está indo foi:

Subhedar disse algo parecido ao descrever o que procura em contratações: os melhores marketers pensam em sistemas, não em canais, e o traço mais importante é curiosidade.

Pensamento em sistemas significa conseguir olhar para um processo de trabalho, identificar onde estão as dependências entre etapas, decidir o que pode ser automatizado sem perder qualidade, e construir a automação sem precisar de engenheiro. É um conjunto de habilidades que não aparece nos job descriptions de growth marketing porque a maioria das empresas ainda escreve essas vagas para o profissional de cinco anos atrás: fluência em plataformas de anúncio, capacidade de interpretar dashboards, experiência com testes A/B.

Nenhuma dessas habilidades é irrelevante, mas nenhuma delas explica como uma pessoa operou o crescimento de um produto de 380 bilhões de dólares sozinha por dez meses. O que explica é que Lau sabia, antes de tudo, o que não precisava fazer manualmente. E as vagas que a maioria das empresas abre hoje não conseguem nem identificar esse perfil no processo seletivo, muito menos avaliar se o candidato o tem.

Para ajudar negócios a escalarem, sem perder tempo com tarefas repetitivas, a Pingback automatiza marketing e vendas. Com essa plataforma, você pode criar formulários personalizados, segmentar listas de contatos, disparar e-mails e mensagens via WhatsApp, gerenciar leads no CRM e acessar conteúdos educativos para otimizar suas estratégias. Tudo isso em um único lugar.

É ideal para times que buscam uma plataforma simples, leve e rápida.

Crie uma conta de graça

Lucas Montez, que lidera os produtos para o consumidor final no iFood, explicou por que isso importa de um jeito que costuma ficar de fora das apresentações corporativas sobre IA. Quando você treina um modelo com dados brasileiros, você captura coisas que nenhum modelo treinado fora do Brasil vai ver:

• “Jerimum” é termo de busca exclusivo do Nordeste.

• Mandioca, macaxeira e aipim são o mesmo produto em regiões diferentes.

• Pix domina os pagamentos.

• Norte prefere pão francês; Sul prefere pizza.

Esses não são detalhes folclóricos: são os sinais que, somados em escala, mudam o que o sistema recomenda para cada usuário.

Subscreva agora

O argumento de Lucas no iFood Camp foi: IA aprende com dados, dados são comportamento, e se o comportamento é brasileiro, um modelo treinado em comportamento americano ou europeu vai errar. Vai errar na recomendação, no timing, no vocabulário da interface, na priorização dos itens. Parece funcionar no agregado, mas falha nas bordas, no Brasil, as bordas são largas porque o país tem múltiplas realidades demográficas dentro de uma única plataforma.

A personalização que o LCM viabiliza vai além do carrossel de restaurantes na home. O sistema entende que um determinado usuário compra três vezes por semana, sempre no jantar, prefere comida saudável, gosta de variar os restaurantes e costuma usar cupons. Esse perfil microsegmentado informa o que aparece na tela, quando aparece, em que formato, com qual oferta. Lucas citou os ganhos de performance em CRM como um nível que ele disse nunca ter imaginado possível ao longo de toda a carreira, pois ferramentas genéricas não chegam lá porque não sabem quem é aquela pessoa.

O ponto que Lucas desenvolveu com mais cuidado foi a distinção entre o modelo e a interface. Nos últimos três anos, IA virou sinônimo de chat, o ChatGPT popularizou a ideia de que a forma certa de interagir com modelos é digitando numa caixa de texto. Lucas separou os dois: o chat é uma interface entre várias possíveis, e para a maioria dos casos de uso no B2C provavelmente não é a melhor. O usuário final quer pedir o cheeseburguer, a inteligência tem que aparecer sem que ele perceba que é inteligência, embutida na recomendação, no filtro, na busca. Colocar um chat onde antes havia uma interface visual costuma adicionar fricção.

Isso tem uma consequência direta para produto, decisão de compra é visual e rápida. O trabalho de quem constrói o produto é entender em que ponto da jornada cada tipo de inteligência cabe sem a necessidade de pedir licença ao usuário.

Lucas também fez uma observação sobre o custo de construir, o custo de desenvolvimento está caindo e vai continuar caindo e isso muda onde fica o gargalo. Quando construir era caro, o bloqueio estava muitas vezes na execução técnica, e esse bloco vai encolher. O peso se desloca para os outros dois fatores de um produto bem-sucedido: saber se as pessoas realmente querem aquilo e entender se o modelo de negócio sustenta. Ao mesmo tempo, a proliferação de ferramentas de geração está produzindo interfaces parecidas, textos no mesmo tom, produtos construídos com os mesmos modelos a partir dos mesmos prompts. O custo de entrar caiu para todo mundo no mesmo instante.

Dados próprios sobre comportamento local passam a ser um dos poucos ativos que não se compram prontos. Qualquer empresa acessa GPT-4, Claude ou Gemini, mas ninguém acessa os 80 milhões de pedidos mensais de brasileiros que o iFood acumulou. Quem tem o dado tem o modelo, quem tem o modelo tem a personalização que o concorrente não replica comprando uma API.

O que Lucas não respondeu, e provavelmente ninguém responde agora, é por quanto tempo esse fosso aguenta. Modelos fundacionais estão ficando melhores em entender contextos culturais específicos sem precisar de dado proprietário para isso, o LCM é uma vantagem hoje. Daqui a dois anos, talvez ainda seja, mas daqui a cinco, a resposta depende de uma corrida cujo ritmo ninguém controla.

🚨A PM3 está completando 8 anos e abriu a venda do Membership Plus com condições de aniversário, o maior desconto que a escola faz no ano. O pacote inclui 9 formações em produto, mentorias individuais, Summit online em maio e acesso à plataforma de IA da Alura.

Quem entrar até dia 16 pega a melhor condição. Meu cupom PRODUCTGURUS dá mais 10% sobre o preço atual: https://go.pm3.com.br/r9yif2

Quer saber mais como o iFood faz produto? Assista o iFood Campo.

Nesse episódio a gente fala sobre o que separa o designer júnior do sênior, como o Nubank chegou em 100 milhões de clientes rodando experimentos em paralelo, por que craft vai ser o diferencial de designers num mundo onde todo mundo usa IA pra criar coisa, e a verdade mais incômoda que qualquer líder de design enfrenta: quem não é visto, não sobe.

O que você vai aprender:

• Por que o Duplo Diamante pode ser uma âncora, não uma bússola.

• Como o time de Growth do Nubank chegou a 50 experimentos rodando simultaneamente.

• A diferença entre intuição e feeling, e qual deles você pode apresentar pra um stakeholder.

• O que é craft de design, por que ele está sumindo, e por que vai voltar.

• Por que vender o seu trabalho faz parte do trabalho.

🎧 Ouça o episódio agora no Spotify, Apple Podcast ou YouTube.

🔗 Newsletter Pack Lead: https://www.packlead.com.br/
🔗 LinkedIn da Kakau: https://www.linkedin.com/in/kakaufonseca/

🚨 Recado importante:

Tem gente que passa anos esperando o momento certo para se capacitar. Enquanto isso, os cargos sênior continuam indo para quem já sabe fazer discovery de verdade, que sabe defender uma decisão difícil para stakeholders, que consegue crescer produto sem improvisar.

A PM3 está no oitavo ano formando justamente esse perfil. A campanha de aniversário ainda está aberta, com condições bem acima do que a escola oferece no restante do ano.

Uso do cupom PRODUCTGURUS garante 10% adicional.
A oferta muda no dia 24. Acesse: https://dub.sh/bnawLJq

--

Pingback é a plataforma simples e rápida para automatizar marketing e vendas sem burocracia. Crie formulários, dispare e-mails e WhatsApp, segmente leads e automatize fluxos enquanto seu time acompanha tudo no CRM.

Acesse: https://pbck.link/paulo-chiodi

Subscreva agora

O ponto de partida das duas é simples: empresa depois de empresa, o que se vê são listas de solução chegando prontas pelo WhatsApp, roadmaps que ninguém conecta a resultado de negócio, e times que não sabem responder qual problema estão empoderados para resolver. Isso acontece em empresa tradicional e em empresa nascida digital. A grama do vizinho não é mais verde, e a Renata usou exatamente essa metáfora: parece boa porque é de mentira.

O que as duas descrevem como causa disso não é falta de método ou de framework, é algo mais simples e mais difícil de resolver: quando as coisas não dão certo, as organizações voltam para o que conhecem. Os últimos dois, três anos não foram anos fáceis para a maioria das empresas, e o movimento natural foi regredir para o previsível. O fundador que tinha dado autonomia para os times voltou a decidir o que vai ser feito, o PM que era “dono do produto” voltou a receber protótipo pronto com botão azul e botão verde. A Renata chama isso de retrocesso, mas corrige: retrocesso implica que a transformação tinha acontecido de fato, mas na maioria dos casos, ela nunca terminou.

A consequência prática é que o PM perdeu credibilidade exatamente porque não soube mostrar resultado. A Dani diz que a área de produto se distanciou dessa responsabilidade, e isso custou caro. Quando você não mostra o que seu trabalho gerou, quem paga a conta da sua posição começa a achar que o problema é você, não o modelo de trabalho. A Renata conta que boa parte dos diretores e heads que ela atende como mentora nunca tiveram uma liderança de produto acima deles, chegaram na cadeira sem saber medir, sem saber apresentar, sem nunca ter visto fazer diferente. São os primeiros na função, sem referência do que querem nem do que não querem replicar.

Sobre IA, as duas foram diretas, a pressão para usar é real, o raciocínio por trás é frequentemente nenhum. A Renata conta de uma PM que, perguntada por que havia colocado um chat com IA no produto, respondeu sem rodeios: “Estou sendo pressionada a usar e não sei por que estou usando.” Empresas gastaram tempo e dinheiro construindo repositórios de IA próprios enquanto o GPT e o Gemini avançavam, e três meses depois engavetaram tudo e foram pagar licença de qualquer jeito. O problema não era a ferramenta, era que a decisão foi tomada pela camada tecnológica, sem passar pela pergunta de qual problema o cliente tem.

O que as duas propõem como saída não é uma metodologia nova, é começar pequeno, medir, e mostrar. Ganhar credibilidade em escala reduzida antes de tentar transformar a empresa inteira. A Dani usa a palavra “missionários de produto” para descrever quem consegue fazer isso funcionar: não evangelistas de framework, mas pessoas que constroem case real, apresentam para os pares, sentam com o diretor de marketing e com a diretora comercial, e vão aos poucos mudando a percepção de quem paga a conta.

A Renata tem um exercício específico para os primeiros dias numa nova cadeira, cada squad preenche um slide com três campos:

• Contexto,

• Hipóteses em curso,

• Resultados que se quer atingir.

Quando o slide chega em branco, o problema aparece de forma concreta, sem precisar de diagnóstico elaborado. É um slide em branco que mostra onde o time não está coletando informação e não sabe o que está tentando provar. A partir disso, ela escolhe as guerras, pega o que está empacado no roadmap há três anos e faz sair. Constrói rotina com os pares de outras áreas e nos primeiros 90 dias, pergunta diretamente para o CEO qual o critério de sucesso que ele tem para a contratação dela.

As duas concordam que cultura de produto muda quando a alta liderança decide que quer mudar. O time de produto sozinho não tem força suficiente, mas a alta liderança está, em muitos casos, igualmente engolida, com medo de errar, pressão por resultado no curto prazo, falta de segurança para divergir. O fundador que voltou a fazer top down não está fazendo isso por falta de método, está fazendo porque o ambiente ficou caro demais para testar e aí o time de produto fica preso num paradoxo: precisa da liderança para mudar, e a liderança precisa de resultado para confiar no time.

Com IA no meio, esse paradoxo vai ficar mais caro e a meta de ter doze agentes até o final do ano sem saber o que esses agentes resolvem vai gerar custo sem gerar resultado. Quando o ano fechar e a produtividade esperada não aparecer no balanço, alguém vai ter que responder. E a Renata deixou claro quem vai bater cabeça: quem implementou na pressão, sem se colocar como dono do resultado.

A consequência que as duas não dizem, mas que o argumento inteiro aponta, é que a área de produto vai continuar perdendo espaço não por culpa dos founders, não por culpa da IA, mas porque boa parte dos líderes de produto ainda não aprendeu a linguagem que move o jogo: resultado de negócio medido, apresentado e defendido para quem decide.

🚨Este artigo é patrocinado pela PM3. Em março eles estão fazendo a Maratona PM3, 6 aulas gratuitas pra profissionais de produto que querem entender como times do iFood, Nubank e Pipefy trabalham na prática.

São 40 minutos por aula, duas vezes por semana, ao vivo e gravado. Tem certificado pra quem participar de tudo. Inscrição gratuita, sem cartão, sem letra miúda. Se faz sentido pra você aqui.

Se depois das aulas você quiser se aprofundar num curso da PM3, use o cupom PRODUCTGURUS.

A ideia foi parar nas mãos de uma equipe do Google Labs que já trabalhava numa outra direção: uma ferramenta de pesquisa ancorada nos documentos do próprio usuário. Os dois impulsos se juntaram. O que surgiu foi o NotebookLM, que começou com seis semanas de desenvolvimento, quatro ou cinco pessoas, e nenhum roadmap de produto formal. O nome original era Project Tailwind, que a propósito era claramente um nome ruim comercialmente falando.

O produto ficou dois anos como experimento interno antes de virar algo público. Cresceu dentro do Google porque os próprios funcionários o usavam: para transcrições de reunião, para organizar anotações, para processar entrevistas longas antes de escrever. Dezenas de milhares de usuários ativos mensais só dentro da empresa antes de qualquer lançamento externo. Esse uso interno funcionou como pesquisa de produto sem ter sido desenhado pra isso.

O que detonou o produto para o mundo foi uma feature que também não estava no plano original. A equipe adicionou os Audio Overviews em setembro de 2024: você sobe seus documentos e o produto gera um podcast com dois apresentadores discutindo o conteúdo. Em outubro de 2024, o tráfego do NotebookLM cresceu 371% num único mês, chegando a 3 milhões de visitas mensais. Em novembro de 2025, os usuários ativos mensais via web tinham mais que dobrado ano a ano, e o app mobile lançado em maio de 2025 acumulou 8 milhões de usuários ativos mensais.

Ninguém pesquisou se o mercado queria um podcast gerado por IA. Jeff Dean queria ouvir papers no carro. Isso foi suficiente.

A diferença entre essa história e a história de um produto construído dentro de um processo de OKR convencional é o ponto de partida. No processo convencional, você começa com uma lacuna de mercado, constrói uma hipótese, valida com usuários, define métricas de sucesso e só então começa a construir. No NotebookLM, o ponto de partida foi uma necessidade real de uma pessoa real dentro da empresa. Não havia métrica de sucesso porque não havia problema definido com precisão. A equipe estava respondendo a uma necessidade que ela mesma entendia porque vivia aquele contexto.

🚨6 aulas gratuitas com pessoas de produto do iFood, Nubank e Pipefy.
Ao vivo, com certificado, sem pagar nada. A PM3 tá fazendo uma maratona em março pra comemorar o aniversário deles. Acesse aqui.

Isso não é argumento contra processos, já que times sem processo produzem caos, não produtos. O problema com o OKR como ferramenta de inovação é diferente: ele mede bem o que já é conhecido e mensurável. “Aumentar retenção em 10%”, “crescer DAU em 20%”, “reduzir churn de usuários pagantes” são todos objetivos razoáveis de produto. Mas o Audio Overview não teria sobrevivido a esse filtro antes de existir. O que seria a métrica de sucesso de uma feature que ninguém tinha pedido e que viralizou por razões que a própria equipe não antecipou?

A ironia é que o Google Labs, que produziu o NotebookLM, opera com cerca de 30 experimentos simultâneos, alguns viram produto mas a maioria não. O modelo funciona porque aceita que não sabe com antecedência o que vai funcionar. O que parece falta de rigor é na verdade a única postura honesta quando você está tentando descobrir algo que ainda não existe.

O escritor Steven Johnson, que participou do time que construiu o NotebookLM, tem uma forma de trabalhar que deu o impulso inicial ao produto: ele guarda notas desde os anos 90, rascunhos de livros, citações, ideias soltas. Queria uma ferramenta onde pudesse despejar tudo isso e interagir com o material, ou seja, ele não sabia o que queria com precisão. A equipe de produto também não sabia, então começaram a construir enquanto Johnson descrevia o que queria, e a PM Raiza Martin ficava observando como ele usava o que estava sendo construído, notando onde o produto quase funcionava mas não chegava lá.

Esse processo de observação direta de um usuário concreto usando uma versão inacabada do produto é o que produziu as escolhas que definiram o NotebookLM. As citações que linkam de volta ao documento original, o formato de podcast com pausas e interjeições naturais em vez de texto-para-voz robótico, a decisão de não ter opções de customização na primeira versão porque usuários reais não sabem o que é “temperature” ou “top-k”. Cada uma dessas escolhas veio de alguém olhando para outra pessoa tentando usar algo que ainda não estava pronto.

Times que planejam tudo dentro de OKRs às vezes confundem execução com descoberta, mas são atividades diferentes. Execução funciona quando o problema e a solução já são conhecidos o suficiente para transformar em métrica. Descoberta funciona quando o problema ainda está mal definido e a solução não existe. O erro é usar o mesmo processo para as duas coisas.

O que o Google Labs faz, e que a maioria dos times de produto não consegue replicar, é separar as duas fases. Experimento sem prazo de entrega, com equipe pequena, sem pressão de crescimento. Quando o produto prova que tem alguma coisa real, aí entra o processo. O NotebookLM virou produto formalmente apenas em outubro de 2024, mais de um ano depois do lançamento público e dois anos depois de começar a ser construído. A versão paga, o NotebookLM Plus, saiu em dezembro de 2024.

O problema para a maioria das empresas não é que não têm pessoas com boas ideias, o problema é que o processo consome as ideias antes que elas possam virar algo testável. A ideia de Jeff Dean de ouvir papers no carro teria sobrevivido ao processo de priorização do seu time de produto?

Claro que esse artigo eu transformaria em podcast usando o NotebookLM.

Neste episódio do Product Guru’s, Paulo Chiodi conversa com Camila (Cami_Product) sobre por que tantos Product Managers sentem que não pertencem ao cargo, mesmo tendo experiência e resultados.

A conversa explora os bastidores da carreira de PM: a falta de formação formal para a área, a pressão constante de stakeholders, o excesso de buzzwords no mercado, e o fato de que o PM muitas vezes precisa ser generalista em um ambiente cheio de especialistas.

Camila compartilha também 8 motivos estruturais que alimentam a síndrome do impostor em produto, além de estratégias práticas para lidar com isso, como criar um roadmap de carreira, documentar conquistas e desenvolver um senso de produto mais forte.

Outro ponto central do episódio é o impacto da IA no papel do Product Manager. Será que as habilidades técnicas vão substituir o PM ou tornar o papel ainda mais estratégico?

Se você trabalha com produto, tecnologia ou quer crescer na carreira de PM, este episódio vai mostrar o que realmente acontece nos bastidores da profissão, longe do que aparece no LinkedIn.

🎧Ouça no Spotify, Apple Podcast e no YouTube.

Você vai aprender neste episódio:

• Por que 84% dos PMs sofrem síndrome do impostor

• Os 8 fatores que explicam essa insegurança na carreira de produto

• Como construir um roadmap estratégico para sua carreira

• Por que documentar suas entregas pode mudar sua trajetória profissional

• O que realmente diferencia PMs seniores no mundo com IA

• A verdade pouco falada sobre crescimento na carreira em produto

Se esse episódio fizer sentido para você, compartilhe com outro PM ou profissional de produto que também vive essas dúvidas na carreira.

🔗 Instagram da Cami: @cami_product
🔗 Linkedin da Cami: https://www.linkedin.com/in/camila-hakim-lorenzi/

🚨 Recado importante:

A PM3 está completando oito anos e resolveu comemorar do jeito deles: 6 aulas gratuitas com profissionais de produto do iFood, Nubank e Pipefy. Duas por semana durante março, 40 minutos cada, ao vivo com gravação disponível depois.

Quem fizer checkin em todas as aulas sai com certificado. É gratuito, sem letra miúda. Se depois você quiser se matricular num dos cursos deles, meu cupom PRODUCTGURUS dá condições especiais.

Maratona PM3 (gratuita): https://dub.sh/4fTDuyN
Cupom PRODUCTGURUS

Pingback é a plataforma simples e rápida para automatizar marketing e vendas sem burocracia. Crie formulários, dispare e-mails e WhatsApp, segmente leads e automatize fluxos enquanto seu time acompanha tudo no CRM.

Acesse: https://pbck.link/paulo-chiodi

O argumento mais óbvio que ela poderia fazer era o de velocidade: enquanto o designer monta a persona, o PM já tem um protótipo no Cursor. Ela faz esse argumento, mas não para nele.

Subscreva agora

O ponto mais pesado vem de uma observação sobre portfólios. Designers estão entregando trabalhos com 80% de artefatos de processo e uma tela no final. Persona bem construída, mapa de jornada detalhado, fotos do brainstorm com sticky notes coloridos, e lá no fim, quase como apêndice, o produto em si. Isso não é coincidência, é o resultado natural de um ambiente que aprendeu a avaliar processo como proxy de qualidade. Se o que está sendo julgado é o método, o método vira o produto.

O Artifacts do Claude saiu de um pesquisador que construiu uma versão bruta por conta própria. Michael, um designer do time, viu, iterou, a reação interna foi boa, lançaram. A feature mudou a forma como muita gente entende o que AI generativa consegue fazer. Não passou por problem statement, a equipe não sabia que precisava resolver aquilo até ver a solução funcionando. Dentro do processo ortodoxo, esse trabalho seria irregular, fora dele, virou um dos momentos de produto mais citados do último ano em AI.

O FigJam conta uma história parecida. Depois do lançamento, o time não abriu um novo ciclo de discovery, ficou meses ajustando snapping, bordas de seleção, paleta de cores, comportamento de shapes ao receber texto. Trabalho que não aparece em roadmap, que nenhum usuário pediu explicitamente, que não tem métrica direta de sucesso. O tipo de coisa que o processo ignora porque não tem etapa para “iterar em detalhe que ninguém vai nomear mas todo mundo vai sentir”, o FigJam que as pessoas pagam para usar é produto desse trabalho invisível, não dos artefatos de discovery.

Jenny faz um histórico rápido de como chegamos aqui. Nos anos 2000, design estava migrando de comunicação visual para apps complexos. A área precisava de legitimidade dentro das empresas, e o Design thinking apareceu como resposta, uma forma de mostrar que designers resolviam problemas reais, foi útil, mas criou um incentivo torto: quanto mais rigoroso o processo documentado, mais o designer parecia competente, independente do que saía no final. O processo virou proteção profissional.

Isso explica uma coisa que Jenny não diz diretamente mas que está implícita na fala inteira: o design process não é só ineficiente, ele é conveniente para quem o segue. Um designer que entrega persona, mapa de jornada e problem statement bem construídos nunca está errado, ele fez tudo certo. Se o produto não funcionou, foi problema de execução, de engenharia, de go-to-market. O processo cria distância entre o trabalho do designer e o resultado do produto.

O que ela propõe no lugar passa por intuição, e aqui o argumento fica mais exigente. Intuição, na definição dela, é a capacidade de tomar julgamentos razoáveis rápido porque você conhece o domínio fundo o suficiente para não precisar de estudo toda vez. Ela constrói a dela lendo feedback no Reddit e no Twitter, assistindo sessões de pesquisa fora da sua área, olhando dashboards com regularidade. Não é vibes. É modelo interno calibrado ao longo de anos, e é exatamente o tipo de habilidade que um ambiente obcecado com processo para de cultivar, porque processo é o substituto institucional para intuição individual.

O problema é que substituir processo por intuição funciona bem quando quem faz tem anos de prática. Quando o designer é júnior, quando o time cresceu rápido, quando há rotatividade, o processo que ela critica também cumpre uma função que intuição individual não cobre: coordenação. Persona e mapa de jornada são instrumentos fracos de descoberta, mas são linguagem que PM, engenharia e liderança conseguem ler. Tirar o processo sem resolver esse problema de tradução cria um designer que opera bem, mas que ninguém mais na empresa acompanha.

Jenny sabe disso, tanto que fecha a fala não com um processo alternativo, mas com um chamado para confiar em si mesmo. É honesto e é exatamente onde fica o desconforto: confiar em si mesmo é fácil quando você passou cinco anos na Figma e agora trabalha na Anthropic. Para quem está no segundo emprego tentando defender uma decisão de design numa reunião com stakeholders que querem ver o mapa de jornada, a intuição ainda não tem o mesmo peso institucional que o artefato.

🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Cupom de 10%: PRODUCTGURUS