A Gestora de Produto Potenciada por IA: Como a Dra. Nancy Li Lança Produtos de IA em Semanas
Conheça o método da Dra. Nancy Li para a entrega de produtos orientados por IA, demonstrando como automatizar o trabalho de gestão de produto, validar ideias rapidamente e lançar produtos de IA em semanas com valor mensurável.
Nancy Li
Diretora de Produto, criadora de conteúdos no YouTube e Voz de Referência do LinkedIn
Liderança no Setor: A Dra. Nancy Li é uma diretora de produto reconhecida, criadora de conteúdos no YouTube e Voz de Referência do LinkedIn na área da gestão de produtos de IA.
Gestão de Projetos de IA: A IA está a transformar a entrega de projetos, privilegiando a tomada de decisões em vez da mera documentação.
Automatização de Tarefas: A automatização das principais tarefas de gestão de produtos permite poupar bastante tempo, aumentando a eficiência e a produtividade.
Ciclo de Vida dos Produtos de IA: Um método estruturado para produtos de IA acelera o lançamento, garantindo simultaneamente que as aplicações de IA proporcionam valor real.
O Futuro das Funções: A IA poderá substituir algumas funções, mas realça a necessidade de gestores de produto qualificados e potenciados por IA.
A Dra. Nancy Li é uma conceituada Diretora de Produto, YouTuber e Top Voice do LinkedIn. Fundou o Product Manager Accelerator, dois produtos de IA e o AI Product Management Bootcamp — este último responsável pelo lançamento de mais de 40 produtos de IA do mundo real.
Falámos com ela para perceber como o consegue fazer. Partilhou connosco a sua estrutura para uma entrega de projetos rápida e eficaz.
Formação de gestores de produto
Fundei o Product Manager Accelerator, que ajudou mais de 1.500 gestores de produto a conseguirem o emprego de gestor de produto dos seus sonhos em empresas FAANG e startups unicórnio — e a serem promovidos a líderes de produto. E fundei o AI Product Management Bootcamp, que ajudou a lançar 40 produtos de IA do mundo real.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Mais recentemente, desenvolvemos dois produtos de IA para os nossos alunos: AI Study Companion e AI Interviewer Copilot. Atualmente, são utilizados pelos alunos do PM Accelerator e lançaremos o produto para utilizadores externos em 2026.
Fui também uma das pessoas mais jovens a obter um doutoramento em Engenharia pela BU e sou antiga aluna da MIT Sloan School of Business. Sou uma premiada Diretora de Produto e YouTuber. Fui destacada pela Forbes e sou Top Voice do LinkedIn.
Como a IA está a transformar a entrega de projetos, passando dos artefactos para as decisões
Devido à IA, a entrega de projetos está a passar da produção de artefactos para a tomada de decisões. Passamos menos tempo na documentação e na coordenação e mais tempo a definir os problemas certos, a validar pressupostos e a conceber fluxos de trabalho com IA.
Devido à IA, a entrega de projetos está a passar da produção de artefactos para a tomada de decisões.
É mais rápido, mais iterativo e cada vez mais focado em coordenar pessoas e IA em conjunto — não em gerir transições.
Enquanto CEO e CPO, consegui reduzir a minha equipa para metade e duplicar a minha produção, aproveitando o poder da IA.
Que tarefas essenciais de gestão de produto podem ser automatizadas
Poupo pelo menos oito horas por semana em tarefas de gestão de produto ao automatizar o meu trabalho. As seguintes tarefas devem ser automatizadas:
- Geração de requisitos
- Prototipagem
- Pesquisa de mercado
- Depuração
- Entrevistas com clientes — utilizamos o Dovetail para resumir as notas das reuniões e transformá-las em requisitos.
- Integração em novos projetos
- Atualização sobre qualquer tema, como notícias do setor
- Resumo das pilhas tecnológicas existentes
- Criação de diagramas da arquitetura do sistema com base na base de código existente
Mas é importante notar que, em algumas áreas, continua a ser necessário um toque humano, como passar do protótipo para produtos ao nível da produção e criar uma estratégia de produto que realmente ajude a destacar-se.
Em algumas áreas, continua a ser necessário um toque humano, como passar do protótipo para produtos ao nível da produção e criar uma estratégia de produto que realmente ajude a destacar-se.
Como a IA está a transformar os principais rituais de entrega das equipas de produto
Tudo isto tem impacto nos rituais de entrega.
A IA reduz em 50% o tempo necessário para definir o âmbito do projeto . Atualmente, é possível recolher feedback dos clientes e realizar pesquisas de mercado com enorme facilidade.
E, embora alinhar equipas ainda exija um toque humano, a IA pode ajudar a resumir as reuniões de equipa e a poupar tempo dessa forma.
Um quadro para criar produtos de IA
Como referi, o meu programa intensivo ajudou a lançar mais de 40 produtos de IA. Para isso, criámos um quadro de hipóteses de IA. É um sistema simples e repetível que utilizamos para validar ideias de IA antes de as desenvolver.
Começa com a Definição do Problema, utilizando o nosso quadro GUCCI (Objetivos e Missão, Necessidades não satisfeitas, Segmentação de clientes, Concorrência e Ecossistema integrado), através do qual clarificamos o objetivo do utilizador, o ponto problemático, as restrições e o impacto que queremos criar.
A partir daí, formulamos uma Hipótese de IA — uma afirmação clara sobre os dados de entrada de que a IA precisa, os resultados que deve gerar e a forma como irá melhorar o fluxo de trabalho. Isto orienta a nossa Estratégia de Dados e uma rápida Prova de Conceito de IA para testar a viabilidade técnica.
Em seguida, validamos diretamente com os clientes os dados de entrada e os resultados da IA, para confirmar se a funcionalidade resolve realmente um problema real. Apenas as ideias validadas avançam para o MVP do Produto, onde concebemos toda a jornada do utilizador com IA.
Quando o MVP está disponível, avaliamos se alcançámos a Adequação Produto-Mercado da IA. Se sim, crescemos através de uma estratégia de generalização, expandimos os casos de utilização e aproveitamos dados reais dos utilizadores para reforçar a nossa vantagem em dados e produtos.
Este ciclo de vida — GUCCI → Hipótese de IA → PoC → MVP → PMF → Escala — permite-nos lançar consistentemente produtos de IA em cerca de três meses, garantindo simultaneamente que a IA só é utilizada onde cria realmente valor mensurável. Pode ler mais sobre o processo aqui.
Como a gestão de produtos orientada por especificações acelera a entrega de produtos de IA
Outra parte importante deste processo é o facto de termos abandonado os métodos tradicionais de gestão de projetos — escrever requisitos, esperar que os designers criem modelos e esperar que os engenheiros criem o primeiro protótipo. Agora, utilizamos um processo de gestão de produtos «orientado por especificações», o que significa que usamos ferramentas de IA para escrever requisitos e gerar protótipos rapidamente.
Agora, utilizamos um processo de gestão de produtos “orientado por especificações”, o que significa que usamos ferramentas de IA para escrever requisitos e gerar protótipos rapidamente.
Conseguimos transformar requisitos de produto em protótipos numa hora, sem escrever código, e experimentar ideias — rapidamente. A remoção das dependências de designers e programadores reduz drasticamente os prazos e poupa facilmente horas aos gestores de projeto todas as semanas.
Eis como fazê-lo:
- Peça ao ChatGPT que ajude com os requisitos de produto das suas ideias
- Introduza as suas ideias de produto
- O ChatGPT fará então perguntas de clarificação e conceberá o mapa detalhado da jornada do utilizador
- Peça ao ChatGPT para gerar os requisitos.
- Introduza esses requisitos no Google AI Studio para gerar o protótipo.
Porque é que uma filosofia centrada primeiro nos cenários cria valor mensurável
Os agentes são uma prioridade para nós. Na verdade, a nossa direção central de produto depende fortemente de fluxos de trabalho baseados em agentes — tanto no nosso negócio como nos nossos produtos. Isto significa atribuir à IA a responsabilidade pelos resultados, e não apenas pelos pedidos.
Internamente, os agentes ajudam-nos a transformar fluxos de trabalho complexos em processos escaláveis, de elevada qualidade e repetíveis. Combinados com o nosso ciclo de avaliação de ponta a ponta, os sistemas baseados em agentes tornaram-se um motor fiável por detrás da qualidade das nossas entregas.
Por exemplo, utilizamos agentes que ingerem dados dos clientes, geram informações, elaboram PRDs, geram variações de conceção e criam protótipos de conceção. Também criámos um «segundo cérebro de IA» que pode gerar ideias comigo, como se fosse um gestor de produto júnior.
Nos nossos produtos, concentramo-nos em fluxos de trabalho que trazem valor real à nossa comunidade de aprendizagem: assistentes de aprendizagem, inteligência documental e raciocínio em várias etapas.
A nossa filosofia é simples: a IA deve servir o cenário, e o cenário deve criar valor mensurável.
Na nossa perspetiva, a IA não consiste em perseguir o modelo mais recente — consiste em engenharia disciplinada, design orientado por cenários e o cuidado artesanal necessário para aperfeiçoar cada componente até este servir verdadeiramente o utilizador.
Na nossa perspetiva, a IA não consiste em perseguir o modelo mais recente — trata-se de engenharia disciplinada, design orientado por cenários e do cuidado artesanal necessário para aperfeiçoar cada componente até este servir verdadeiramente o utilizador.
Como os agentes podem tornar-se mais sofisticados com o LangGraph
Vejamos um fluxo de trabalho baseado em agentes. Este caso de utilização específico pode não ser aplicável de forma generalizada, mas penso que os pormenores da forma como o implementámos podem ser úteis para fluxos de trabalho avançados baseados na gestão de produto.
Na fase inicial do nosso AI Interviewer Copilot, o nosso sistema era sobretudo um assistente centrado em RAG, desenvolvido com LangChain. Funcionava bem para uma iteração rápida e ajudou-nos a estabelecer bases sólidas no processamento de documentos e na qualidade da recuperação, mas, à medida que o assistente foi crescendo em funcionalidade e complexidade — suportando raciocínio em várias etapas, novos tipos de tarefas, personalização e colaboração entre diferentes módulos de raciocínio — um fluxo RAG puro deixou de ser suficiente.
O desafio inicial não era apenas a complexidade, mas também garantir uma entrega fiável, repetível e de elevada qualidade quando as fontes de conteúdo eram heterogéneas e estavam em constante evolução. Precisávamos de uma estrutura que suportasse RAG baseado em agentes, em que vários agentes especializados trabalhassem em conjunto de forma controlada e interpretável.
Foi isso que levou à adoção do LangGraph. Fornece determinismo, transparência e gestão explícita do estado, aspetos essenciais ao criar um assistente conversacional cujas etapas de raciocínio têm de ser auditáveis, explicáveis e repetíveis. A mudança para o LangGraph também se alinhava bem com a nossa direção a longo prazo: criar um assistente inteligente em vez de um sistema de perguntas e respostas de uma só interação.
Assim, reconstruímos o fluxo de trabalho de entrega utilizando orquestração moderna de IA:
- LangGraph para transições de estado determinísticas entre vários agentes
- Ciclos de avaliação de incorporações + recuperação para estabilizar o agente RAG
- Processamento de documentos que preserva os metadados para evitar desvios semânticos
Agora, trata-se de um sistema multiagente constituído por um agente RAG, um agente de revisão de CV e um agente de orquestração de contexto. Implementámos uma estrutura de avaliação completa, de ponta a ponta — abrangendo a precisão ao nível dos componentes (segmentação, incorporação, recuperação) e a precisão ao nível do sistema (relevância da resposta final, taxa de alucinações).
E, através do ajuste contínuo de cada componente e da integração de testes de regressão automatizados, garantimos que o sistema alcançava uma precisão superior a 90% antes de cada lançamento importante.
Em última análise, acreditamos que um sistema de IA moderno não é definido por um único modelo. É definido por um ecossistema de componentes bem orquestrado: inteligência documental, estabilidade da recuperação, colaboração entre vários agentes, estruturas de memória e avaliação contínua.
Acreditamos que um sistema de IA moderno não é definido por um único modelo. É definido por um ecossistema de componentes bem orquestrado: inteligência documental, estabilidade da recuperação, colaboração entre vários agentes, estruturas de memória e avaliação contínua.
Como a depuração assistida por IA acelera a entrega
A depuração assistida por IA foi uma parte importante dessa implementação bem-sucedida — dependemos bastante dela.
Ferramentas como o Claude Code e o Cursor ajudam-nos a diagnosticar rapidamente problemas de integração, gerar testes unitários e analisar casos-limite complexos no comportamento das instruções. Isto aumentou significativamente a nossa velocidade de desenvolvimento, sobretudo ao corrigir falhas lógicas ou resultados inesperados dos modelos.
Como é, na prática, uma pilha de ferramentas de gestão de produto orientada para a IA
Eis a nossa pilha tecnológica de gestão de produto:
- Google AI Studio para prototipagem
- Claude Code para identificar problemas, analisar casos-limite e gerar testes unitários direcionados
- Cursor para depuração
- ChatGPT para PRD
- ChatPRD para gestão de produto
- Dovetail para obter requisitos a partir dos conhecimentos dos clientes
- Miro para colaboração
O meu favorito poderá ser o Claude Code. Ajuda-nos consistentemente a detetar problemas de integração ou lacunas lógicas muito mais cedo do que apenas a depuração tradicional. E é significativamente melhor do que o Lovable. Mesmo que haja muito entusiasmo em torno do Lovable, não se destina à engenharia de IA avançada a nível de produção.
A IA substituirá os gestores de projeto e as funções de produto?
Em última análise, penso que a IA substituirá os gestores de projeto. Já não precisamos de gestores de projeto para gerir processos! Na verdade, muitos empregos de nível inicial serão substituídos pela IA — isso inclui engenheiros de software, designers e analistas de dados.
No entanto, precisamos de mais gestores de produto com IA que consigam tomar decisões tirando partido da IA, liderar equipas multifuncionais na execução de visões de produto e numa gestão eficaz das partes interessadas, e obter resultados rapidamente.
O meu conselho? Deve rapidamente desenvolver as suas competências sobre como tirar partido das ferramentas de IA existentes e reinventar a entrega de produtos. E considere concentrar-se especificamente em produtos de IA. Da forma como vejo as coisas, pode criar produtos de IA e liderar a inovação, ou ser substituído.
Acompanhe
Pode acompanhar a Dra. Nancy Li enquanto lança produtos de IA e ensina outras pessoas a fazer o mesmo no YouTube, no LinkedIn, no X, no seu podcast e no site do PM Accelerator. Também pode consultar o seu novo Bootcamp de Gestão de Produtos de IA.
Em breve, haverá mais entrevistas com especialistas no The Digital Project Manager!
