Usando IA para discovery e pesquisa com usuários

Nível: Júnior | Duração estimada de leitura: 21 minutos | Categoria: Trilha Júnior — Módulo 3 (IA para POs)

Introdução

No Módulo 1 desta trilha você aprendeu o que é discovery de produto — o processo de entender profundamente o problema antes de partir para a solução. Entrevistas com usuários, análise de comportamento, identificação de dores reais. Um processo essencial, mas que consome muito tempo de um PO júnior já sobrecarregado.

O que mudou nos últimos anos é que a IA passou a ser uma aliada real nesse processo — não para substituir a conversa com o usuário, que continua sendo insubstituível, mas para tornar cada etapa do discovery mais rápida, mais organizada e mais profunda.

Neste módulo você vai aprender como usar IA em cada fase do discovery: antes das entrevistas, durante a análise e depois, na síntese dos insights. Vai sair daqui com prompts prontos para usar, um fluxo de trabalho testado e a clareza de onde a IA ajuda — e onde você ainda precisa fazer o trabalho sozinho.

Por que discovery é o lugar onde a IA mais agrega valor para o PO júnior

Discovery é fundamentalmente um trabalho de processamento de informação. Você coleta dados — em entrevistas, surveys, analytics, suporte — e tenta extrair padrões e insights que vão informar decisões de produto.

O problema é que esse processamento é lento quando feito manualmente. Ler dez transcrições de entrevistas e identificar os temas em comum pode levar horas. Organizar respostas abertas de um survey de 200 pessoas em categorias coerentes é um trabalho de tarde inteira. Comparar o comportamento de usuários em diferentes segmentos requer planilhas, paciência e atenção.

IA não elimina a necessidade de fazer discovery — ela comprime o tempo que você gasta nas partes mecânicas para que você possa investir mais tempo nas partes que exigem julgamento humano: decidir quais perguntas fazer, interpretar nuances emocionais nas falas dos usuários, conectar os insights à estratégia do produto.

Fase 1 — Antes das entrevistas: preparação com apoio de IA

A qualidade de uma entrevista de discovery depende diretamente da qualidade do roteiro. Perguntas vagas geram respostas vagas. Perguntas mal sequenciadas criam entrevistas que não fluem. E perguntas que sugerem a resposta — as chamadas "perguntas indutivas" — contaminam os dados sem que o entrevistador perceba.

A IA ajuda a construir roteiros mais sólidos antes de qualquer conversa com usuário.

Criando o roteiro de entrevista com Gemini ou Claude:

Prompt base: "Sou PO de [descreva o produto]. Estou planejando entrevistas de discovery com [perfil do usuário] para entender melhor [o problema ou a área de foco]. O objetivo das entrevistas é descobrir [o que você quer aprender]. Por favor, crie um roteiro de entrevista com 12 a 15 perguntas organizadas em três blocos: (1) aquecimento e contexto, (2) exploração do problema central, (3) comportamentos e soluções atuais. Evite perguntas fechadas e perguntas que sugiram a resposta."

Por que esse prompt funciona: ele especifica o contexto, o perfil, o objetivo e o formato esperado. Também incluiu uma restrição importante — evitar perguntas indutivas — que é um erro clássico em roteiros de entrevista.

Revisando seu roteiro existente:

Se você já tem um roteiro, peça ao Claude para revisá-lo com olhar crítico: "Revise o roteiro abaixo e identifique: (1) perguntas fechadas que deveriam ser abertas, (2) perguntas que induzem a resposta, (3) lacunas — temas relevantes que não estão cobertos, (4) sequência — se a ordem das perguntas faz sentido para criar uma conversa natural. [cole o roteiro]"

Pesquisando o perfil do usuário antes da entrevista:

Antes de uma entrevista com um tipo de usuário com o qual você tem pouca familiaridade, use o Gemini para se preparar: "Vou entrevistar um [cargo/perfil] de uma empresa de [setor]. Que contexto devo conhecer sobre a rotina, os desafios típicos e o vocabulário desta função para conduzir uma entrevista mais empática e relevante?"

Isso não substitui a escuta ativa durante a entrevista — mas evita que você chegue sem contexto e desperdice tempo explicando coisas básicas em vez de explorar o problema.

Fase 2 — Durante a pesquisa: transcrição e captura automática

A fase de coleta é onde as ferramentas de transcrição automática fazem a maior diferença. Você viu essas ferramentas no Módulo 7 — aqui vamos ver como usá-las especificamente no contexto de discovery.

Configurando o fluxo de captura:

Antes de iniciar a entrevista, configure o Otter.ai, Fireflies ou tl;dv para gravar e transcrever automaticamente. Informe o entrevistado que a sessão será gravada e peça consentimento — isso é obrigatório e deve estar no seu processo padrão.

Durante a entrevista, foque completamente na conversa. Não tente tomar notas ao mesmo tempo — a divisão de atenção prejudica a escuta ativa e consequentemente a qualidade das perguntas de aprofundamento.

Se usar o tl;dv, marque os momentos mais importantes durante a entrevista com um clique — quando o usuário descreve uma dor forte, quando menciona um comportamento inesperado, quando revela uma solução alternativa que você não conhecia. Esses marcadores facilitam muito a análise depois.

Surveys com perguntas abertas:

Para pesquisas com volume maior de respondentes, ferramentas como Google Forms ou Typeform geram respostas abertas que precisam ser analisadas manualmente — ou com apoio de IA. Exporte as respostas em texto, cole no Claude ou no Gemini e peça uma primeira análise temática.

Fase 3 — Depois das entrevistas: síntese de insights com IA

Aqui está o maior ganho de tempo no uso de IA para discovery. A síntese de entrevistas — identificar padrões, agrupar temas, extrair citações relevantes, construir insights — é uma das tarefas mais demoradas do processo de discovery e uma das que a IA executa com mais eficiência.

Usando o NotebookLM para analisar transcrições:

O NotebookLM (notebooklm.google.com) é a ferramenta ideal para essa etapa. Você faz upload de todas as transcrições de entrevistas e cria um notebook dedicado àquela rodada de discovery. Depois pode fazer perguntas diretamente ao NotebookLM — e ele responde citando os trechos específicos de onde extraiu a informação.

Exemplos de perguntas para fazer ao NotebookLM depois de carregar as transcrições:

"Quais são os três problemas mais frequentemente mencionados pelos entrevistados? Cite os trechos que evidenciam cada um."

"Existem diferenças nas dores relatadas entre os entrevistados que [característica A] versus os que [característica B]?"

"Quais soluções alternativas os usuários estão usando atualmente para contornar o problema? Liste todas as menções."

"Existem citações literais dos entrevistados que capturam bem a frustração com o problema? Identifique as três mais expressivas."

O resultado é uma análise baseada nos dados reais das suas entrevistas — não em suposições do modelo. Isso é fundamental para discovery confiável.

Usando Claude para construir o mapa de insights:

Depois de extrair os temas principais, use o Claude para estruturar os insights em um formato utilizável para a equipe.

Prompt: "Com base nos temas de discovery abaixo — identificados em entrevistas com [número] usuários de [perfil] — ajude-me a estruturar um documento de insights com o seguinte formato para cada tema: nome do tema, descrição em uma frase, evidências coletadas, magnitude estimada (quantos usuários mencionaram), e implicação para o produto. Temas: [liste os temas com exemplos de falas]."

O resultado é um documento de insights organizado e pronto para apresentar ao time ou para embasar decisões de priorização.

Analisando respostas abertas de surveys:

Se você tem 100 ou 200 respostas abertas de um survey, cole em blocos no Claude ou Gemini e use este prompt:

"As respostas abaixo são de uma pergunta aberta de survey: '[escreva a pergunta]'. Por favor, identifique os temas recorrentes, agrupe as respostas por tema e estime a frequência de cada um. Para cada tema, inclua duas ou três citações representativas. [cole as respostas]"

Divida em blocos se necessário — a maioria das ferramentas aceita textos longos, mas há limites. Para volumes maiores, o NotebookLM com os arquivos exportados é mais eficiente.

Usando IA para triangular dados de diferentes fontes

Discovery robusto não depende de uma única fonte de dados. Você combina entrevistas com análise de comportamento (analytics), dados de suporte, feedback no produto e pesquisas quantitativas. A IA ajuda a triangular essas fontes.

Prompt de triangulação com Claude:

"Tenho insights de três fontes diferentes sobre o mesmo problema: (1) entrevistas com usuários [resumo dos temas], (2) dados de analytics [descreva os comportamentos observados], (3) tickets de suporte [descreva os temas mais frequentes]. Por favor, identifique onde as três fontes se alinham, onde existem contradições e o que cada fonte adiciona que as outras não capturam."

Esse tipo de análise seria manualmente muito trabalhoso — exigiria leitura e releitura de todos os dados. Com a IA, você obtém uma visão integrada em minutos e pode então aprofundar nas contradições e lacunas com seu próprio julgamento.

Criando personas com apoio de IA

Personas são representações fictícias dos usuários reais, construídas a partir dos dados de discovery. Elas ajudam o time a tomar decisões com foco no usuário — mas costumam ser trabalhosas de construir bem.

A IA acelera a construção inicial da persona, que você depois valida e enriquece com o que aprendeu nas entrevistas.

Prompt para gerar persona a partir de dados de discovery:

"Com base nos insights de discovery abaixo — coletados em [número] entrevistas com [perfil de usuários] — crie uma persona de usuário que represente o perfil mais frequente. Inclua: nome fictício, cargo e contexto profissional, rotina relevante para o produto, objetivos principais, dores e frustrações identificadas nas entrevistas, soluções que usa hoje para contornar os problemas, e uma citação representativa que capture a essência do seu desafio. Insights: [liste os insights]."

O resultado é um ponto de partida que você ajusta com as nuances que só a escuta direta nas entrevistas captura.

Validando hipóteses com IA antes de ir para o usuário

Antes de levar uma hipótese de produto ao usuário para validação, use a IA para fazer uma pré-validação interna — identificar os pontos fracos da hipótese e antecipar objeções.

Prompt de pré-validação:

"Tenho a seguinte hipótese de produto: [descreva a hipótese — o problema que identificou, a solução proposta e o resultado esperado]. Por favor, argumente contra esta hipótese. Quais são as suposições mais frágeis? O que poderia invalidá-la? Quais segmentos de usuário provavelmente não se beneficiariam dessa solução? E que perguntas devo fazer nas entrevistas de validação para testar as suposições mais críticas?"

Esse exercício fortalece a hipótese antes de ir para campo — e torna as entrevistas de validação mais eficientes porque você já sabe exatamente o que precisa testar.

Erros comuns ao usar IA no discovery

Pular as entrevistas porque a IA já "sintetizou" o suficiente. IA analisa o que você colocou dentro dela — não substitui a conversa com o usuário real. O insight mais valioso de um processo de discovery frequentemente vem de uma pausa, de uma expressão facial, de uma hesitação que nenhuma transcrição captura. A IA acelera a análise, não dispensa a coleta.

Usar a IA para confirmar o que você já acredita. Se você escreve um prompt que guia a IA em direção ao insight que você já quer ver, vai obter exatamente isso — uma confirmação artificial das suas suposições. Peça explicitamente que a IA identifique contradições, casos que não se encaixam nos padrões e evidências que contrariam a hipótese principal.

Não citar as fontes dos insights. Quando você usa IA para sintetizar entrevistas, é tentador apresentar os insights como se fossem conclusões suas sem rastreabilidade. Sempre mantenha a conexão entre o insight e as evidências — citações reais das entrevistas, trechos das transcrições. Isso é o que torna o discovery confiável e defensável perante stakeholders.

Colocar dados de usuários identificáveis no prompt. Transcrições de entrevistas com nome, cargo e empresa do entrevistado não devem ser coladas diretamente em ferramentas de IA de uso geral. Anonimize os dados antes — remova nomes, empresas e qualquer informação que identifique o usuário. Use o NotebookLM para análise de transcrições quando precisar de mais privacidade, pois os dados ficam no ecossistema Google e não são usados para treinar modelos.

Tratar insights gerados por IA como definitivos. A síntese da IA é um ponto de partida — uma hipótese de organização dos dados. Sempre valide com releitura das fontes originais e com o julgamento de quem conduziu as entrevistas e captou nuances que a transcrição não registrou.

Certificações e onde estudar

Livros fundamentais:

Continuous Discovery Habits de Teresa Torres é a referência definitiva sobre como integrar discovery de forma contínua ao trabalho de produto. O método de Teresa é compatível e se beneficia diretamente do uso de IA nas etapas de síntese e análise — o livro vai dar a base conceitual para usar as ferramentas de forma mais estratégica.

The Mom Test de Rob Fitzpatrick é o guia mais prático sobre como fazer entrevistas que não confirmam apenas o que você quer ouvir. Curto, direto e essencial para qualquer PO que faz entrevistas de usuário.

Intercom on Jobs-to-be-Done é gratuito e disponível online. Explora como entender o que o usuário realmente está tentando realizar — o "trabalho" que ele contrata o produto para fazer — e é uma lente poderosa para estruturar as perguntas de discovery.

Recursos online:

O blog da Teresa Torres (producttalk.org) tem dezenas de artigos práticos sobre discovery contínuo, todos gratuitos. É leitura semanal obrigatória para POs que querem aprofundar nessa área.

O canal do Mind the Product tem talks de conferências sobre discovery e pesquisa com usuários de POs com experiência real em diferentes contextos e tipos de produto.

Certificações relevantes:

PSPO II (Scrum.org) aprofunda como o PO deve conduzir o discovery e comunicar insights ao time. A certificação de UX Research da Nielsen Norman Group é específica para pesquisa com usuários — não é uma certificação de produto, mas o conteúdo é diretamente aplicável ao discovery de PO. A Reforge tem uma trilha específica de Product Discovery com foco em como integrar discovery e entrega.

IA para POs — o discovery no nível seguinte

O que você vai aprender nas trilhas Pleno e Sênior é como expandir o escopo do discovery — pesquisa em escala, analytics avançados, discovery em múltiplos mercados. As ferramentas de IA que você aprendeu aqui vão continuar sendo relevantes nesses contextos, mas com mais sofisticação na forma de usar.

O que muda não é a ferramenta — é a qualidade das perguntas que você faz a ela.

Conclusão

Você concluiu os três módulos de IA da Trilha Júnior. De ferramentas essenciais ao uso prático para escrever histórias e conduzir discovery — você agora tem o repertório inicial para usar IA como vantagem real no seu trabalho de produto.

E com isso, você concluiu a Trilha Júnior completa. Nove módulos cobrindo os pilares que transformam um PO iniciante em um profissional capaz de tomar decisões, priorizar com critério, conduzir cerimônias, gerenciar stakeholders, conectar o backlog à estratégia e usar inteligência artificial como parte do fluxo de trabalho.

A próxima etapa é a Trilha Pleno — onde o foco deixa de ser a execução bem feita e passa a ser a visão estratégica, o roadmap de longo prazo, a influência sobre a cultura de produto e a gestão de expectativas com a liderança da empresa.

Nos vemos lá.