Especialista em IA e ex-gestor de produto explica em profundidade a utilização de fluxos de trabalho baseados em agentes na entrega de projetos
Nate Jones é um ex-gestor de produto que agora cria os seus próprios produtos — enquanto ensina o público em geral a utilizar sistemas baseados em agentes em seu benefício. É a pessoa certa para consultar se quiser conhecer todos os pormenores da utilização de pipelines baseados em agentes na entrega de projetos. E foi precisamente por isso que nos sentámos com ele.
Os fluxos de trabalho baseados em agentes redefinem a entrega de projetos: Os agentes de IA conseguem agora gerir a triagem, o planeamento e a documentação em grande escala. Quando combinados com regras empresariais claras, aumentam drasticamente a velocidade e a consistência entre projetos.
O novo gestor de projetos é um gestor de agentes: Os gestores de produto e de projetos têm de passar da criação de artefactos à validação dos resultados produzidos pelos agentes. O trabalho centra-se agora na supervisão, no controlo de qualidade e na orientação dos sistemas de IA para que aprendam e melhorem.
A adoção da IA exige uma mudança operacional profunda: A transição para fluxos de trabalho orientados por IA não é uma solução pronta a utilizar. Exige novos hábitos, uma gestão organizada do contexto e documentação clara, para que as pessoas se possam concentrar nos 2% de trabalho estratégico que impulsionam os 98% executados pela IA.
Aqui está o que ele nos disse.
Conheça “o Sr. Rogers da IA” e a sua obsessão pela IA
Sou o Nate — conhecido na internet como o homem do gorro que fala muito sobre IA. Alguém chamou-me recentemente “o Sr. Rogers da IA” e, de certa forma, adorei. Comecei na gestão de produto, por isso estou muito familiarizado com os desafios da entrega, e trabalho com empresas que estão a desenvolver sistemas de IA baseados em agentes.
Na minha opinião, o mais importante que pode fazer neste momento é aprender IA. É por isso que a ensino.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Sou obcecado por ela. E as pessoas que conheço e que são obcecadas por ela são as que estão a ter mais sucesso nas suas carreiras. Tem de olhar para a velocidade de fluência — a rapidez com que está a melhorar a sua capacidade de utilizar ferramentas de IA — como uma métrica essencial da carreira.
Como aumentar 10 vezes a sua eficiência e velocidade de entrega com IA em 24 meses
A IA mudou tudo! Mudou completamente o meu papel. Agora, começo por utilizar IA por defeito.
Na verdade, diria que aumentei 10 vezes o âmbito e a velocidade da minha entrega, ao mesmo tempo que elevei a qualidade, ao longo de 24 meses. Eis como pode fazer o mesmo:
Mude a sua mentalidade: comece sempre pelos LLM. É a única forma de aprender.
Espere resultados concretos, não apenas aconselhamento: a IA é uma ferramenta poderosa que pode produzir entregáveis completos, especialmente na gestão de projetos. Só precisa de exigir que ela entregue resultados. Mantenha um padrão de qualidade elevado. Diga-lhe diretamente quando o resultado não é suficientemente bom. Depois, olhe para si próprio, porque o problema quase sempre reside no facto de não ter comunicado claramente a intenção, e o LLM está a fazer inferências a partir de um pedido vago, com resultados pouco úteis.
Utilize a construção de pedidos assistida por LLM: os LLM podem ajudá-lo a construir os seus pedidos, o que permite poupar imenso tempo.
Aprenda a utilizar os LLM de forma otimizada: aprenda a dividir os dados de entrada e a formular pedidos de forma muito clara. E seja obcecado pelos dados de entrada, pelos dados e pelo contexto limpo que fornece ao modelo.
Como automatizar a triagem de pedidos e a decomposição de tarefas com sistemas baseados em agentes
Construir uma triagem e decomposição de pedidos à escala utilizando sistemas baseados em agentes tem sido muito importante. Especialmente para obter arquiteturas de planeamento e fluxos de agentes limpos, tipados e declarativos.
Eis um fluxo de trabalho de triagem de pedidos baseada em agentes, de ponta a ponta:
Uma chamada com um cliente é transcrita com o Granola (aplicação de tomada de notas). A transcrição entra depois num fluxo de agentes.
O primeiro agente utiliza o GPT-5 Thinking para analisar a transcrição e identificar a perspetiva do cliente. Produz pedidos claros.
Esse resultado é enviado para o agente seguinte, que chama o Notion (software de gestão de projetos) através do MCP, regista as informações e os pedidos do cliente e anexa a transcrição completa para referência.
O agente seguinte invoca um LLM de análise — no meu caso, o Gemini 2.5 Pro — para analisar toda a base de dados do Notion utilizando um pedido personalizado. O resultado é uma visão ponderada da prioridade dos pedidos entre todos os pedidos conhecidos.
Depois, outro agente utiliza um LLM leve, como o GPT Turbo, para consultar o Linear através do MCP. Compara essas prioridades com os pedidos existentes, identifica sobreposições e destaca eventuais lacunas.
Se existirem lacunas, o fluxo de trabalho regressa ao GPT-5 Thinking com um pedido para gerar problemas do produto e requisitos da solução.
Depois, um agente chama o ChatPRD através do MCP para elaborar um documento de requisitos do produto (PRD).
Depois disso, o GPT-5 Non-thinking assume o controlo para dividir o PRD em pedidos individuais — um passo muito linear — e envia-os de volta para o Linear através do MCP.
Por fim, se quiser ir mais longe, outro agente pode obter a lista de programadores humanos e baseados em agentes, como o Devin AI, e começar a atribuir tarefas automaticamente no Slack.
Construir a triagem e a decomposição de tickets à escala, utilizando sistemas agênticos, tem sido muito importante. Em particular, para obter arquiteturas de planeamento e fluxos de agentes limpos, tipados e declarativos.
O que são os fluxos agênticos e como construí-los para uma entrega escalável
Os fluxos agênticos dariam matéria para um dia inteiro de aprendizagem, mas aqui fica o essencial: está a fornecer a um LLM as ferramentas, a orientação e o âmbito necessários para resolver um problema por si. Construído através de uma API, o seu objetivo é obter dados relevantes — por exemplo, através do servidor MCP da Atlassian ou de um sistema semelhante — e associar depois os tickets recebidos ao prompt correto para iniciar uma ação autónoma.
É aqui que a criação declarativa e clara de prompts se torna importante. Considero que depender menos da linguagem do prompt funciona bem, incorporando a estrutura diretamente no fluxo de trabalho. Isto permite escalar entre diferentes tipos de tickets. Alcançar uma inteligência determinística — em que os resultados são consistentes e previsíveis — através da imposição de clareza e regras de negócio nos fluxos de trabalho permite escalar para milhares de tickets.
Basta observar o fluxo agêntico que descrevi acima. Não se trata de fazer bons prompts. Tem um ou dois prompts, mas consiste sobretudo em regras de negócio, dados devolvidos e tarefas de raciocínio cuidadosamente estruturadas em pequenos blocos. Os prompts grandes para modelos de raciocínio não são tão fiáveis como muitas tarefas sequenciais para modelos simples. Mas é importante notar que é necessário incorporar verificação quando se utilizam modelos simples.
Porque é que a adoção da IA nos fluxos de entrega exige uma gestão da mudança séria
De um modo geral, fiquei surpreendido com a quantidade de trabalho necessária para adotar a IA nos fluxos de trabalho! É um esforço enorme de gestão da mudança — provavelmente o maior que já vimos na área tecnológica. É necessário reorientar todo o fluxo de trabalho partindo do princípio de que o ser humano fornece 2% da atenção, enquanto o LLM fornece 98%.
Todo o processo de trabalho tem de ser reconstruído.
Como é que seria avançar em direção a esse mundo? Qual é o 2% certo de atenção que o ser humano deve dedicar para obter uma verdadeira alavancagem com esse foco? Como pode aumentar significativamente o âmbito — 10 vezes — com a atenção adicional do LLM? Como reconstruir modelos, expectativas relativamente ao contexto, expectativas relativamente à documentação e processos?
Pense nisto desta forma — o seu trabalho em produto já não consiste em escrever artefactos. Consiste em:
Pensar na direção futura
Validar sistemas agênticos que estão a começar a ouvir, a construir PRD por si e a transmiti-los à equipa de desenvolvimento.
E envolver-se ativamente e intervir quando identificar opções melhores.
Por isso, construa sistemas que lhe permitam rever um fluxo de ideias que a IA está a começar a gerar.
Da mesma forma, nos projetos, o trabalho de manter os comboios nos carris não consiste em artefactos ou reuniões. Não se trata de atualizações para as partes interessadas. Trata-se de observar um fluxo automatizado como o que descrevi acima e dizer: "Não, penso que há aqui uma estimativa de raiz incorreta", intervindo e envolvendo-se diretamente no trabalho para garantir a correção — assegurando também que o sistema aprende com essa intervenção.
Agora é gestor de agentes.
Um olhar sobre o conjunto tecnológico de IA de Nate Jones para construir e gerir projetos
Eis uma visão geral do meu conjunto tecnológico, para inspiração:
O Linear é uma excelente escolha para a gestão de projetos — concebido para a IA
As funcionalidades de IA do Superhuman (software de produtividade) para pesquisar, redigir e gerir calendários, simplificando a correspondência
O Granola para transcrições de reuniões
O Perplexity para pesquisa
O ChatGPT Deep Research para uma primeira análise de tópicos complexos
O GPT-5 Pro para raciocínio e resolução de problemas muito complexos
O Codex para resolução guiada de problemas de programação
O Claude para lidar com tarefas de edição e composição
O Claude Code para um agente de utilização geral com acesso a ficheiros locais
O Claude no telemóvel como assistente pessoal
O Riverside para gravação com IA
O Comet Browser para navegar na Internet de forma inteligente com IA
E digo-vos o seguinte: as pessoas não dão importância à utilização de ferramentas no Claude. Este pode criar ficheiros Excel e PowerPoint de raiz. E podem utilizar o Claude Code para muito mais do que programação. Na verdade, escrevi um artigo completo sobre isso.
Porque é que a IA está a acabar com as reuniões e a permitir uma colaboração totalmente assíncrona
Agora, com a IA, podem trabalhar de forma muito mais assíncrona. Criei produtos completos sem ter uma única reunião com os meus parceiros de desenvolvimento. Basta dispor de excelentes sistemas de documentação e tomar decisões no Slack.
A IA permite isto através de documentação com IA, programação com IA e muito mais.
Mas, acima de tudo, trata-se de uma mudança de mentalidade.
Porque é que a gestão de projetos tradicional está a desaparecer na era da IA
O bom gosto não vai desaparecer. Nem a responsabilidade. Nem a gestão das partes interessadas e das relações. Nem as tarefas não determinísticas com contexto ambíguo. Para isso, precisamos de seres humanos.
Mas a gestão de projetos, enquanto prática de coordenar pessoas e fazer avançar projetos, vai desaparecer. Todo o trabalho de garantir que tudo se mantém no caminho certo vai passar a ser assumido pela IA.
Por isso, o meu conselho é que se entusiasmem com as partes ambíguas e humanas do trabalho. E comecem a apostar fortemente na criação e gestão de sistemas de agentes de IA — podem começar com o construtor de agentes da OpenAI e o n8n.
O meu conselho é que se entusiasmem com as partes ambíguas e humanas do trabalho. E comecem a apostar fortemente na criação e gestão de sistemas de agentes de IA — podem começar com o construtor de agentes da OpenAI e o n8n.
