Você não usa IA pra fazer discovery
O feed do LinkedIn está cheio de posts sobre como usar IA em discovery. Tem post sobre prompt para entrevista, post sobre síntese automática de transcrições, post sobre geração de personas com GPT, post sobre como rodar continuous discovery com agentes. Nenhum desses posts está errado. O problema é a perspectiva que o discovery é abordado: todos tratam discovery como processo que precisa de ferramenta nova, e ninguém está perguntando se a ferramenta reduz o risco que o discovery existe para reduzir.
Marty Cagan define discovery a partir dos quatro riscos que toda aposta de produto carrega antes de uma linha de código ser escrita:
Risco de valor (o usuário vai querer usar isso?),
Risco de usabilidade (o usuário vai conseguir usar?),
Risco de viabilidade técnica (o time consegue construir com o que tem?)
Risco de viabilidade de negócio (isso funciona para os canais de venda, para o jurídico, para a margem?).
O discovery existe para reduzir esses quatro riscos antes de você alocar capacidade de engenharia, uma ferramenta de decisão com propósito específico, e quem trata como processo por virtude está resolvendo o problema errado.
Quando você aborda discovery assim, a pergunta sobre IA muda completamente: para cada um desses quatro riscos, a IA está me ajudando a reduzi-lo de verdade, ou está me dando mais velocidade e mais confiança para chegar numa decisão que continua errada?
O risco de valor é onde o perigo de usar IA mal é maior, porque você quer saber se existe demanda real para o que está pensando em construir, e a resposta que o modelo vai te dar depende fundamentalmente do que você colocou no prompt.
O documento de Development Corporate, publicado em fevereiro de 2026, descreve o loop com precisão:
“você escreve um pitch deck, treina uma persona usando só o pitch deck, pergunta à persona o que ela quer, e ela te diz exatamente o que está no pitch deck”.
Um estudo da Stanford publicado na revista Science em março de 2026, com 11 modelos de linguagem, confirmou que todos exibem sycophancy em graus variados, concordando com os usuários 49% mais frequentemente do que humanos reais concordariam. A Anthropic descreveu isso em 2024 como “comportamento geral dos assistentes de IA, provavelmente impulsionado em parte por julgamentos de preferência humana que favorecem respostas sycophantic”. Para ao risco de valor, isso quer dizer que perguntar ao modelo se sua ideia tem demanda te dá uma resposta que tende, por construção, a dizer que sim.
No risco de usabilidade, a IA funciona bem em tarefas onde a realidade já foi coletada: analisar gravações de sessão para identificar pontos de fricção, cruzar feedback de suporte com dados de uso para encontrar onde os usuários travam, sintetizar mil transcrições de entrevistas para identificar padrões que um humano levaria semanas para mapear.
O problema aparece quando o modelo começa a simular o que o usuário faria em vez de processar o que ele fez de verdade, porque aí você sai de análise de dados e entra no mesmo loop do risco de valor.
No risco de viabilidade técnica, a IA ajuda com menos atrito: pesquisa de dependências, análise de débito técnico, avaliação de complexidade de integração. Roman Pichler escreveu em abril de 2025 que o risco aqui é diferente: PMs que usam IA para estimar viabilidade técnica ficam mais confiantes nas respostas do que deveriam, porque a fluência do modelo cria a impressão de que a análise foi completa quando não foi.
O risco de viabilidade de negócio é o mais ignorado nos posts sobre IA em discovery, e por um motivo direto: ele é difícil de automatizar. Saber se uma solução funciona para o canal de vendas, para o jurídico, para a margem, para o contrato com parceiros, depende de informações internas da empresa que o modelo não tem a menos que você forneça. O Gartner previu em julho de 2024 que pelo menos 30% dos projetos de IA generativa seriam abandonados depois do proof of concept por “controles de risco inadequados” e “valor de negócio pouco claro”, e em 2026 essa estimativa chegou a 50%. Uma fração considerável desse número são produtos que passaram por um discovery acelerado por IA e chegaram na discussão de go-to-market descobrindo que o risco de viabilidade nunca foi tocado.
O que muda quando você usa esse abordagem é: antes de usar qualquer ferramenta de IA em discovery, você pergunta qual dos quatro riscos está tentando reduzir e se o que o modelo vai fazer avança nessa direção.
🔗 A Stack abriu o Builder Pass essa semana: 7 dias gratuitos com acesso completo ao Pensamento Builder, o curso da PM3 com a Alura pra profissional de Produto e Ops que quer parar de depender de engenharia pra automatizar o próprio trabalho. São 5 módulos, 20 aulas, projeto prático com API real e certificado incluso. Link aqui: https://productgurus.short.gy/uV8PC0
Síntese de transcrições para encontrar padrões de comportamento reduz risco de usabilidade de verdade. Geração de personas a partir do seu briefing de produto processa mais rápido o que você já achava, sem chegar mais perto da demanda real. A diferença entre as duas está no que você está pedindo para a ferramenta fazer e se o output substitui evidência ou apenas formata a ausência dela.
O que os posts do LinkedIn vendem é velocidade, mas o que o discovery entrega, quando funciona, é a redução da probabilidade de você gastar seis meses construindo a coisa errada, e essas duas coisas só coincidem quando a IA está sendo usada para reduzir incerteza real, e não para processar mais rápido a certeza que você já tinha.
