Como a IA está mudando o trabalho diário de quem faz produto

O que mudou não foi só a ferramenta. Foi o que se espera de quem usa.

Existe uma diferença enorme entre usar IA e trabalhar com IA. A primeira é passiva, quase decorativa. A segunda muda o ritmo, a profundidade e o tipo de decisão que um PM consegue tomar num único dia. Essa distinção está ficando mais visível à medida que as ferramentas evoluem e os profissionais que realmente experimentam começam a compartilhar como operam na prática.

O que está emergindo não é uma lista de prompts ou um tutorial de ferramenta. É uma nova forma de pensar o trabalho de produto, onde a IA não acelera tarefas isoladas, mas muda a estrutura inteira de como você descobre, decide e entrega.

O modelo antigo de PM está sendo questionado por dentro

Tom Verrilli, CPO do Whatnot, tem uma visão que incomoda: ele lamenta que a gestão de produto exista como função separada. Não porque PMs sejam inúteis, mas porque o modelo predominante criou uma classe de profissionais que coordena em vez de construir, que facilita em vez de decidir, que escreve PRDs em vez de entender profundamente o problema.

A provocação dele não é nova, mas ganhou peso diferente agora. Porque se antes um PM precisava de outros para executar, hoje a IA comprime essa dependência. Um PM sênior com acesso às ferramentas certas consegue ir do problema ao protótipo em horas, validar hipóteses com dados sem precisar de analista, escrever especificações que já consideram edge cases, e iterar em cima de feedback sem esperar o próximo sprint.

O argumento de Verrilli é que menos PMs, mais sêniors, fazendo trabalho real de IC, superam qualquer estrutura baseada em ratio. A IA não cria esse argumento, mas o torna mais defensável do que nunca. Porque o trabalho que antes justificava ter mais gente agora pode ser feito por menos, com mais qualidade, se essas pessoas souberem operar bem.

Isso não é uma ameaça de demissão em massa. É um reposicionamento do que significa ser valioso como PM. Quem faz produto de verdade, que mergulha no problema, que constrói junto, que decide com convicção, esse perfil sai fortalecido. Quem só coordena, quem só escreve tickets, quem só facilita reuniões, esse perfil está em terreno frágil.

O que mudou na prática para quem usa IA de verdade

A forma mais honesta de entender o impacto da IA no trabalho de produto é observar quem já está usando de forma consistente e o que mudou no dia a dia deles.

Um padrão que aparece repetidamente é o uso de IA não como gerador de respostas, mas como interlocutor estruturado. Alex Lieberman, fundador do Morning Brew, construiu um workflow com Claude onde o modelo o entrevista antes de redigir qualquer coisa. Não é o modelo que começa escrevendo. É o modelo que faz perguntas, extrai perspectiva, mapeia o raciocínio, e só então ajuda a construir o conteúdo. O resultado é algo que soa como ele, não como saída genérica de IA.

Esse princípio se traduz diretamente para produto. Um PM que usa IA para gerar um PRD automaticamente vai ter um documento genérico. Um PM que usa IA para ser questionado sobre o problema, sobre as suposições, sobre os riscos que ainda não considerou, esse vai sair do processo com um documento mais robusto do que escreveria sozinho.

A diferença está em quem conduz. Quando você deixa o modelo conduzir, você recebe output. Quando você conduz e usa o modelo como pressão intelectual, você recebe pensamento.

Outro padrão que aparece é o uso de loops de revisão com múltiplas perspectivas. Lieberman usa o que ele chama de loop de seis personas antes de publicar qualquer coisa. Cada persona representa um tipo de leitor, um ângulo crítico, uma forma diferente de receber o conteúdo. O modelo simula cada uma delas e aponta onde o texto falha para cada audiência.

Para PMs, esse mesmo princípio pode ser aplicado antes de apresentar uma proposta para stakeholders. Simule o CFO que vai perguntar sobre custo. Simule o engenheiro que vai questionar a viabilidade técnica. Simule o usuário que não entende o jargão interno. Cada simulação revela um buraco antes que ele apareça na sala.

Ferramentas que estão mudando o que é possível fazer

Claude Opus 5 entrou em circulação e quem está testando reporta uma diferença qualitativa no raciocínio estendido. Não apenas respostas mais longas, mas raciocínio mais coerente em tarefas complexas que exigem manter múltiplas variáveis em contexto. Para PMs que usam IA para análise de trade-offs, para síntese de pesquisa qualitativa, ou para construção de argumentos estratégicos, essa diferença é palpável.

O Cursor continua sendo a ferramenta mais citada por quem está na interseção de produto e construção. Maddie Reese, que não tinha background de código, usou Cursor com um Raspberry Pi para construir uma impressora térmica que qualquer pessoa pode acionar remotamente, um pager funcional conectado ao Twitter, e uma API pessoal. O ponto não é a sofisticação dos projetos. O ponto é que a barreira de entrada para construir hardware funcional caiu a ponto de alguém sem experiência técnica conseguir fazer isso por diversão, num fim de semana.

Para PMs, isso tem uma implicação direta. A prototipação de experiências físicas, de integrações, de automações internas, deixou de exigir um engenheiro disponível. Não porque o PM vai substituir o engenheiro, mas porque ele pode ir muito mais longe na exploração antes de precisar de um. Isso muda o discovery. Muda o que é possível testar antes de comprometer recursos de time.

O uso de browser dentro de ambientes como o Codex também está expandindo o que agentes conseguem fazer de forma autônoma. A capacidade de um agente navegar, coletar, interpretar e agir em interfaces web abre possibilidades para automações de pesquisa competitiva, monitoramento de produto, e coleta de feedback que antes exigiam trabalho manual ou ferramentas especializadas caras.

O que ainda não funciona e onde o PM continua sendo insubstituível

A IA ainda erra feio em contexto organizacional. Ela não sabe quem são os stakeholders difíceis, não conhece o histórico político de uma decisão, não entende por que aquela feature que parece óbvia nunca foi construída. Esse tipo de conhecimento tácito, que vive na cabeça de quem está no time há anos, é onde o PM humano continua sendo essencial.

Além disso, a IA não tem responsabilidade. Ela gera opções, mas não carrega o peso de estar errado. Um PM que delega a decisão para o modelo está se esquivando do trabalho real. O modelo pode ajudar a estruturar o raciocínio, mas a convicção tem que vir de quem vai defender a decisão na frente do time, do CEO, do usuário.

O que está ficando claro é que a IA amplifica o PM que já é bom. Quem tem bom julgamento, agora tem bom julgamento mais rápido. Quem tem clareza de raciocínio, agora consegue estruturar argumentos mais sofisticados. Quem sabe fazer as perguntas certas, agora consegue iterar sobre respostas com uma velocidade que antes era impossível.

Mas quem dependia de processo para parecer produtivo, quem usava a burocracia do ritual de PM como substituto de pensamento real, esse perfil não tem onde se esconder. A IA não vai cobrir essa lacuna. Vai expô-la.

O que fazer com tudo isso agora

A pergunta prática para quem faz produto é simples: você está usando IA para fazer mais rápido o que já fazia, ou está usando para fazer coisas que antes eram impossíveis para você?

A primeira categoria é útil. A segunda é onde está a vantagem real. Prototipar antes de ter engenheiro disponível. Sintetizar cem entrevistas em padrões sem contratar analista. Simular objeções antes da apresentação executiva. Criar um loop de revisão que considera múltiplas perspectivas antes de qualquer decisão pública.

Essas capacidades existem agora. Não como promessa futura. Como ferramentas disponíveis que qualquer PM pode começar a usar essa semana.

O que separa quem vai tirar vantagem disso de quem vai ficar para trás não é acesso à tecnologia. É disposição para mudar como se trabalha, não só o que se usa para trabalhar.

Oferta para leitores do blog: baixe a ementa e aproveite o cupom LEITOR10PM3 e ganhe 10% de desconto em qualquer formação PM3, inclusive na formação AI Product Builder.

Perguntas frequentes sobre IA no trabalho de produto

Como usar IA para melhorar o processo de discovery sem perder profundidade?

O segredo está em usar o modelo como interlocutor antes de usá-lo como gerador. Em vez de pedir um resumo de pesquisa, peça que ele questione suas suposições sobre o problema. Use loops de perspectivas diferentes para antecipar onde seu raciocínio tem buracos. A profundidade não vem do output do modelo, vem da qualidade das perguntas que você faz a ele.

Vale a pena aprender a usar ferramentas como Cursor mesmo sem background técnico?

Sim, especialmente para prototipação e exploração. Profissionais sem experiência de código estão construindo projetos funcionais com essas ferramentas. O objetivo não é substituir engenheiros, mas ir mais longe no discovery antes de precisar de um. Isso acelera validação e muda o tipo de conversa que você tem com o time técnico.

Como evitar que o conteúdo ou documentação gerada com IA soe genérico?

A chave é estruturar o processo de entrada antes de pedir qualquer saída. Modelos como Claude conseguem capturar voz e perspectiva quando são alimentados com contexto rico. Use entrevistas estruturadas com o modelo antes de redigir. Adicione loops de revisão com perspectivas específicas. Quanto mais você coloca de si antes, menos genérico sai depois.

A IA vai reduzir o número de PMs nas empresas?

Provavelmente vai mudar o perfil mais do que o número. Empresas com visão mais clara já estão priorizando menos PMs mais sêniors fazendo trabalho real. A IA torna esse modelo mais viável. Quem faz produto de verdade, com julgamento e convicção, sai fortalecido. Quem opera principalmente como coordenador de processo está em posição mais vulnerável.

Resumo final do conteúdo

• A IA amplifica PMs com bom julgamento e expõe quem dependia de processo para parecer produtivo.
• Usar o modelo como interlocutor, não como gerador, é o que separa output genérico de pensamento real.
• Ferramentas como Cursor reduziram a barreira de prototipação a ponto de mudar o discovery antes de engenheiro envolvido.
• Loops de revisão com múltiplas perspectivas simuladas são uma das aplicações mais subestimadas da IA em produto.
• O modelo não carrega responsabilidade pela decisão. Convicção e contexto organizacional continuam sendo território humano.

Oferta para leitores do blog: baixe a ementa e aproveite o cupom LEITOR10PM3 e ganhe 10% de desconto em qualquer formação PM3, inclusive na formação AI Product Builder.