Em muitos projetos, o product discovery era uma etapa com começo e fim. Produto e design investigavam o problema e entregavam um documento para quem ia construir. Na dti, o product discovery com IA mudou essa rotina em quatro pontos: quando começa, quem participa, onde o aprendizado fica e como cada ciclo termina.
Essa mudança acompanha uma transformação mais ampla. Quando construir fica mais rápido, escolher o que construir ocupa uma parte maior do projeto. Explicamos essa lógica no texto sobre como redesenhamos o desenvolvimento de software na dti.
O discovery começa antes do projeto
A mudança chegou também ao momento anterior ao contrato. Hoje, parte do nosso discovery pode acontecer ainda durante a elaboração da proposta. Contei um exemplo disso no podcast Os Agilistas, ao lado de Ramon Finelli, diretor de negócios da dti, no episódio Discovery de produto com IA para transformar o processo decisório.
O ponto de partida foi um pedido de orçamento resumido em uma frase. Um cliente queria lançar uma oferta nova, em um mercado que ele próprio ainda conhecia pouco. Com apoio da IA, fizemos uma pesquisa de mercado e comparamos os concorrentes. Em seguida, usamos a IA para gerar personas sintéticas e levantamos o backlog de funcionalidades. Por fim, montamos protótipos navegáveis.
Pela estimativa da equipe, sem o apoio da IA, esse mesmo processo levaria de um a dois meses. Além disso, o trabalho exigiria mais pessoas e várias sessões de workshop com o cliente. Desta vez, pesquisa, backlog, personas e protótipos ficaram concluídos em cerca de uma semana, com uma ou duas pessoas. A equipe do cliente também não precisou reservar agenda. O material foi além da proposta e serviu de base para reuniões com a liderança do cliente. Nelas, os executivos discutiram simulações e hipóteses de valor para a nova oferta.
Antecipar parte do discovery também responde a um pedido que temos recebido de clientes. Eles querem chegar à proposta com escopo e orçamento mais definidos. Antes, era comum esperar o início do projeto para levantar o backlog. Com a IA, é possível atender a essa expectativa sem abrir mão da investigação do problema.
Quem participa do product discovery com IA
Em muitos projetos, a engenharia ainda entra quando o problema já está definido. A pesquisa State of Product Development 2026, da Refactoring (mar/2026), ouviu 340 profissionais de engenharia. O estudo mostra lacunas de clareza e de planejamento nas equipes. Só 27% dizem que tanto o problema quanto os critérios de sucesso estão claros quando leem uma tarefa. Além disso, 59% das equipes descobrem no meio do ciclo tarefas ou dependências que não estavam previstas.
Na dti, as AI Delivery Cells separam duas funções. O Núcleo de Inteligência trabalha com o cliente na decisão sobre o que construir, e a Célula de Execução constrói. No product discovery com IA, o Núcleo de Inteligência reúne produto, design, engenharia e dados desde o início. Além da dor de negócio, o grupo avalia quais integrações a solução exigiria. Também verifica se os dados do cliente estão estruturados para sustentá-la. Com IA, conseguimos investigar algumas dessas questões técnicas ainda nessa fase. Assim, elas não ficam para uma estimativa no fim da etapa.
Nas etapas de pesquisa, a IA também pode acelerar o trabalho. O levantamento The Future of User Research 2026, da Maze (mar/2026), ouviu quase 500 profissionais de pesquisa, design e produto. Entre eles, 69% usam IA em pelo menos parte dos estudos, e 63% citam entregas mais rápidas como benefício. Ainda assim, para 76% dos respondentes, formular as perguntas de pesquisa continua exigindo julgamento humano.
No exemplo do episódio, a IA reuniu e comparou as informações sobre os concorrentes. Mas, antes de pedir a comparação, percorri os serviços e as jornadas de cada empresa. Foi isso que me permitiu dizer quem de fato competia com a nova oferta.
O product discovery com IA dispensa entrevistas com usuários?
Não. Entrevistas e observação continuam necessárias, principalmente quando o produto já tem usuários. A IA ajuda a ampliar o repertório inicial e a sintetizar o que se coleta. Com isso, a equipe chega às conversas sabendo melhor o que perguntar. Em alguns casos, vale usar a IA para mapear o mercado primeiro e aprofundar o estudo do usuário em seguida.
Onde o aprendizado do discovery fica registrado
O AI-Native SDLC (ciclo de vida de desenvolvimento de software) é o processo da dti que usa IA em todas as etapas. Nele, produto, design, engenharia e qualidade trabalham sobre os mesmos artefatos, como protótipo, especificação, código e testes, no mesmo repositório.
Para colocar esse processo em prática, usamos o ai-native.kit, o harness proprietário da dti. Ele é o conjunto de instruções, contexto e verificações que orienta e confere o trabalho da IA durante o desenvolvimento. Na prática, funciona como um plug-in nos ambientes de desenvolvimento com IA que o projeto já usa.
No kit, o trabalho se organiza em cinco fases, e o discovery é a primeira delas. Depois vêm a especificação, a construção orientada a testes, a revisão e a retrospectiva. Ao longo dessas fases, guias passam à IA o contexto e as regras antes da geração. Depois, sensores conferem se o resultado atende aos critérios do projeto. No discovery, o comando /discover usa dois guias que ficam no repositório do projeto. A memória reúne o contexto do negócio e as decisões anteriores. Já a constitution define os princípios que o projeto deve respeitar.
Por que registrar o aprendizado do discovery?
Esse registro responde a um desafio que também apareceu no episódio. É preciso preservar o conhecimento reunido antes do projeto e levá-lo para as etapas seguintes. Na mesma pesquisa da Refactoring, 64% das equipes guardam o conhecimento crítico principalmente na cabeça das pessoas. Em 52% delas, também não existe um contexto compartilhado para as ferramentas de IA.
No ai-native.kit, os guias levam à especificação, e a especificação orienta a geração do código. Com isso, as decisões do discovery ficam disponíveis nas etapas seguintes. Quem chega ao projeto depois, seja uma pessoa ou um agente de IA, encontra ali o contexto do negócio e as decisões registradas, com os motivos de cada uma. O preparo do repositório para esse tipo de contexto é tema do texto sobre harnessability, a régua de autonomia da dti.
Como termina cada ciclo de discovery
Cada ciclo fecha com uma decisão registrada, com três saídas possíveis: construir, adiar ou descartar. A opção de adiar serve para ideias que fazem sentido, mas ainda não cabem no momento. Por exemplo, a ideia pode depender de uma base de dados ainda em estruturação ou de outra iniciativa em andamento. Com o motivo registrado, a equipe retoma a ideia depois sem partir da investigação do zero.
Quando a decisão é construir, o fluxo segue para a fase de especificação, que inclui o protótipo. Ele ajuda a confirmar o caminho antes de a construção começar, papel que detalhamos no artigo sobre prototipagem com IA. Com a especificação aprovada, a Célula de Execução assume a construção, seguindo o AI-Native SDLC.
Quem decide entre construir, adiar ou descartar?
A dti e o cliente decidem juntos, a partir da recomendação do Núcleo de Inteligência e das evidências que o discovery reuniu. Os agentes de IA ajudam a organizar essas evidências, mas a escolha continua com as pessoas.
Um discovery que continua depois da entrega
No episódio, também falamos do que acontece depois da entrega. Quando o produto entra no ar, o product discovery com IA continua. Afinal, o comportamento dos usuários, os dados e o mercado mudam e podem alterar as hipóteses que orientaram o produto. Por isso, nas AI Delivery Cells, o Núcleo de Inteligência é fixo. As pessoas que ajudaram a definir a solução acompanham o produto depois da entrega e retomam o discovery quando o negócio muda.
Tem iniciativas esperando uma decisão? Podemos conversar sobre como o product discovery com IA funcionaria no contexto da sua empresa.

