A IA reduziu o custo de provar uma ideia
Duas pessoas do Duolingo passaram seis meses construindo o primeiro protótipo de um curso de xadrez. Nenhuma delas sabia programar, nenhuma entendia de xadrez quando o projeto começou, e Luis von Ahn havia rejeitado a ideia um ano antes. Hoje, o curso tem 7 milhões de usuários ativos por dia.
A história parece provar que duas pessoas conseguem construir um produto inteiro com IA. A própria fala de von Ahn coloca um limite mais interessante: a dupla criou o currículo e chegou longe no protótipo usando Cursor e outras ferramentas, mas engenheiros entraram depois para colocar a experiência dentro do aplicativo. O ganho real apareceu antes da produção, quando uma ideia recusada deixou de depender de espaço no roadmap para ser levada a sério.
Esse talvez seja o efeito mais imediato da IA sobre o trabalho de produto. Uma boa proposta escrita ainda pede que alguém imagine o produto. Um protótipo funcional permite que a discussão comece pelo que já pode ser usado, criticado e descartado.
Von Ahn contou que os product managers do Duolingo estão fazendo exatamente essa troca. Em vez de chegar com um documento explicando uma maneira melhor de ensinar espanhol, eles levam uma experiência que o CEO consegue testar. A qualidade da decisão melhora porque a conversa deixa de depender da capacidade do autor de descrever uma interface e da capacidade dos outros de reconstruí-la mentalmente.
A UserGuiding é uma plataforma no-code que permite criar tours guiados, checklists de ativação, tooltips contextuais e segmentação por comportamento de usuário, sem depender de engenharia para cada iteração. Você configura o fluxo, define os gatilhos e publica direto em cima do seu produto. Você tem 20% de desconto. Acesse aqui e use o cupom: PRODUCTGURUS.
Durante muito tempo, escrever bem uma especificação foi uma forma de compensar a distância entre quem pensava a solução e quem conseguia construí-la. O documento atravessava produto, design e engenharia, acumulando interpretação em cada passagem. O protótipo reduz essa distância, mas também expõe uma pergunta que ficava escondida pelo processo: a ideia era boa ou apenas estava bem apresentada?
O caso do xadrez começou com uma recusa. Von Ahn via o tema como um jogo, enquanto o Duolingo se definia como uma empresa de educação. A leitura mudou depois de uma conversa com a ministra da Educação da Guatemala, que considerava distribuir tabuleiros nas escolas públicas para que os alunos aprendessem raciocínio lógico. Quando os dois funcionários voltaram ao assunto, receberam autorização, mas não receberam engenheiros.
A dupla primeiro aprendeu xadrez, depois analisou as ferramentas existentes e concluiu que a experiência de aprendizado era ruim. Baixou o Cursor, começou com exercícios simples e descobriu rapidamente um limite: a IA gerava problemas de xadrez de baixa qualidade. A saída foi usar uma base online com exercícios existentes para melhorar os resultados. Depois vieram protótipos móveis sucessivos, testados por von Ahn, até que o projeto ficou bom o bastante para ganhar suporte de engenharia e entrar no aplicativo.
Essa sequência importa porque desmonta a versão preguiçosa do caso. A dupla não pediu a um modelo que “criasse um curso de xadrez” e voltou seis meses depois com 7 milhões de usuários. Houve pesquisa, aprendizado do domínio, comparação com concorrentes, descoberta de uma falha do modelo, uso de uma base externa, iteração e julgamento humano. A IA ampliou a autonomia do time, mas não tomou nenhuma das decisões que fizeram o produto avançar.
O próprio von Ahn descreve um comportamento parecido no restante da empresa. Pessoas de RH, finanças e produto participaram de um dia dedicado a construir pequenos aplicativos. Alguns PMs criaram dashboards próprios para acompanhar usuários por país. Há um canal no Slack para compartilhar boas práticas e outro chamado “AI fails”, onde os funcionários registram tentativas que deram errado.
O segundo canal talvez explique melhor a adoção do Duolingo do que o primeiro. Uma empresa aprende pouco quando só distribui exemplos bem-sucedidos. Os erros mostram em quais tarefas o modelo funciona, quando produz uma resposta convincente e errada, e onde o tempo economizado no caminho feliz reaparece multiplicado na depuração.
Von Ahn usa programação como exemplo. Há dois anos, ele lia que a IA já era melhor do que engenheiros, mas não via uma aceleração parecida dentro do Duolingo. O código podia sair rápido quando tudo funcionava. Quando falhava, ninguém entendia direito o que havia sido gerado, e o tempo gasto para encontrar o problema consumia o ganho anterior.
Ele observa a mesma distribuição na geração de conteúdo. Uma demonstração produz uma história impressionante. Quando a empresa pede cem, talvez trinta sejam boas e setenta precisem ser descartadas ou corrigidas. Por isso, todo conteúdo do Duolingo ainda passa por revisão, checagem completa ou amostragem.
A produtividade da IA aparece de forma desigual porque o trabalho também é desigual. Um engenheiro não passa oito horas escrevendo código; participa de reuniões, depende de decisões e trabalha em uma base existente que o modelo conhece mal. Uma pessoa começando um produto do zero consegue acelerar várias etapas porque não precisa negociar com uma arquitetura antiga nem atravessar tantas relações internas.
A IA comprime a construção mais rápido do que comprime a empresa.
Essa diferença ajuda a entender por que o Duolingo consegue produzir um caso extremo em uma pequena equipe e, ao mesmo tempo, não vê a companhia inteira lançando dez vezes mais funcionalidades. O protótipo de xadrez nasceu quase como uma startup interna. Já o produto principal carrega anos de código, processos, métricas, dependências e mais de 1 bilhão de exercícios respondidos por dia.
O caso também corrige uma leitura comum sobre especialização. As duas pessoas começaram sem conhecimento de xadrez e sem experiência formal em engenharia, mas uma delas tinha algum repertório técnico. Von Ahn faz questão de registrar isso. Ele ainda não viu alguém sem nenhuma compreensão de programação construir um bom aplicativo, embora já tenha visto pessoas com conhecimento básico chegarem muito longe.
Saber escrever cada linha de código pode perder valor. Entender o que é cliente, servidor, banco de dados, estado, erro e integração continua sendo necessário para perceber quando a ferramenta está produzindo uma solução frágil. A IA diminui o preço da execução, mas cobra repertório na hora de avaliar o que executou.
Eu costumava olhar para casos como esse principalmente como histórias sobre redução de time. A transcrição aponta para outra coisa: o Duolingo reduziu o custo de provar uma hipótese, não o custo total de operar um produto usado por milhões de pessoas. Essa distinção muda bastante o que gestores deveriam cobrar de seus times.
A empresa tentou medir essa mudança do jeito errado. Von Ahn chegou a anunciar que o uso de IA faria parte das avaliações de desempenho. Os funcionários começaram a perguntar se deveriam usar a tecnologia mesmo quando ela piorava o trabalho. A política foi retirada, e a empresa voltou a cobrar o resultado da função, admitindo que a ferramenta nem sempre ajudaria.
Obrigar o uso de IA produz evidência de uso. Cobrar que uma equipe chegue mais longe com menos dependências produz evidência de capacidade.
Essa diferença também aparece na política de contratação. Von Ahn afirma que o Duolingo nunca fez uma demissão em massa e continua contratando porque cada novo funcionário pode produzir mais do que antes. Na leitura dele, algumas empresas usam IA como justificativa pública para corrigir contratações excessivas feitas durante a pandemia. No Duolingo, a tecnologia aumenta o retorno esperado de cada pessoa em vez de tornar toda nova contratação desnecessária.
Ainda não dá para saber até onde essa lógica vai. O curso de xadrez nasceu dentro de uma empresa lucrativa, com mais de 100 milhões de usuários ativos, uma marca reconhecida, infraestrutura de distribuição e dados coletados em centenas de milhões de jornadas de aprendizado. Uma dupla em uma empresa desconhecida não recebe 7 milhões de usuários porque construiu um bom protótipo.
O que pode ser reproduzido é a mudança no ponto de partida. Um PM já consegue pesquisar o mercado com Gemini, desenhar telas, usar Cursor para montar uma experiência e chegar à discussão com algo executável. A engenharia continua necessária para produção, escala, segurança e manutenção, mas já não precisa ser convocada para transformar toda hipótese em uma primeira versão.
Isso desloca o gargalo. Quando construir um protótipo deixa de consumir semanas de coordenação, a demora passa a revelar onde a empresa realmente é lenta: na escolha dos problemas, na autorização para experimentar, na avaliação do que foi construído e na decisão de abandonar uma ideia ruim.
O Duolingo deu seis meses para duas pessoas e não ofereceu engenheiros. Elas voltaram com algo que convenceu o CEO a mudar de ideia e depois atraiu 7 milhões de usuários por dia. Empresas que continuam exigindo um documento, três aprovações e uma vaga no trimestre seguinte para testar uma hipótese terão dificuldade para culpar a tecnologia pela própria lentidão.
🎧 Conteúdo extra para você:
🔗 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