Uma funcionalidade de inteligência artificial pode economizar tempo em determinada tarefa, mas fazer o usuário gastar esse mesmo tempo verificando os resultados. Esta auditoria prática ajuda equipes de produto a decidir quando vale a pena incorporar IA e quais mecanismos são necessários para garantir a confiabilidade das respostas.
Uma equipe de produto de uma grande operadora de planos de saúde pretende implementar uma IA capaz de redigir integralmente as decisões sobre recursos apresentados por beneficiários. A tecnologia funciona conforme o planejado, mas os especialistas responsáveis pela análise dos recursos deixam de utilizá-la. Aqueles que continuam usando a ferramenta acabam demorando mais para concluir cada caso do que os profissionais que a ignoram.
Uma avaliação rápida com os especialistas revela o problema: ler uma decisão escrita por IA com atenção suficiente para assiná-la leva praticamente o mesmo tempo que redigir o documento do zero. Além disso, o profissional precisa procurar erros que provavelmente não cometeria se tivesse produzido o texto por conta própria. A funcionalidade acaba acrescentando trabalho a uma tarefa que esses especialistas já dominavam.
A solução aparece quando a equipe redefine o escopo da funcionalidade. Na segunda versão, a IA identifica as cláusulas contratuais e as decisões anteriores relevantes para cada recurso, deixando a redação final nas mãos do especialista. A etapa de pesquisa desaparece, o tempo de revisão diminui e a parte do trabalho em que o profissional já possui experiência continua sob sua responsabilidade. A tecnologia utilizada é a mesma nas duas versões, mas o resultado muda conforme a etapa da tarefa que a IA assume.
Encontrando o ponto de equilíbrio
Toda mudança em uma interface impõe algum custo ao usuário antes de oferecer benefícios. É necessário reconstruir mentalmente o funcionamento da ferramenta, aprender onde os recursos estão localizados e decidir até que ponto é possível confiar nos resultados apresentados pela IA. Em uma revisão de pesquisas sobre memória de trabalho publicada em 2001, Nelson Cowan apontou que conseguimos manter aproximadamente quatro itens na mente ao mesmo tempo. Essas três atividades disputam a mesma capacidade limitada de atenção.
Uma funcionalidade de IA em um software corporativo exige mais adaptação do que um menu redesenhado, pois altera a maneira como as pessoas realizam suas atividades diariamente. Quando a IA assume a síntese de informações, o usuário passa a atuar como revisor. Se também assume as recomendações, o trabalho humano pode ficar restrito à aprovação final.
Ambas as mudanças consomem atenção e podem ser percebidas como uma perda de autonomia, especialmente por profissionais cuja experiência técnica sustenta seu reconhecimento no trabalho. Em um estudo de 2025, Sophia Ackerhans e seus colegas descobriram que médicos responsáveis por assinar decisões assistidas por IA relataram uma ameaça maior à própria identidade profissional. As explicações sobre o raciocínio da IA aumentaram simultaneamente a confiança na tecnologia e essa sensação de ameaça.
Uma funcionalidade de IA justifica sua presença quando os benefícios que oferece superam o esforço necessário para que determinado usuário se adapte a ela durante uma tarefa específica. Podemos chamar esse limite de ponto de equilíbrio. Os benefícios para os usuários aparecem de três formas:
• Redução do esforço necessário para realizar a tarefa.
• Identificação de erros que a pessoa provavelmente não perceberia.
• Maior consistência entre diferentes profissionais que realizam o mesmo trabalho.
Uma ferramenta de IA para detecção de fraudes exemplifica o benefício relacionado à identificação de erros. Embora o analista precise dedicar atenção à revisão de alertas que não teria produzido sozinho, a capacidade de encontrar irregularidades que passariam despercebidas compensa esse esforço. Nesse caso, a funcionalidade fica acima do ponto de equilíbrio.
Essas perguntas não substituem a decisão de desenvolver ou não a funcionalidade. Financiamento, estratégia e compromissos já assumidos também influenciam essa escolha, e uma auditoria de quatro perguntas não consegue contemplar todos esses fatores.
O ideal é analisar as quatro questões em conjunto, já que nenhuma delas resolve o problema isoladamente. A avaliação deve acontecer enquanto a funcionalidade ainda é uma proposta, antes que semanas sejam investidas no design.
Também é importante conversar com pelo menos uma pessoa que execute a tarefa profissionalmente, como um analista de crédito, um analista de dados ou um especialista em recursos de benefícios. Essa pessoa não precisa participar da reunião de roadmap. Uma conversa breve pode revelar onde está o verdadeiro esforço mental da atividade e se a IA ajudaria a reduzi-lo ou acabaria criando mais trabalho.
Pergunta 1: a IA reduz o esforço total necessário para esse usuário realizar a tarefa?
Considere tudo o que a atividade exige do usuário, incluindo raciocínio, interações com a interface e verificações que passarão a ser necessárias com a introdução da IA. Reduzir o número de cliques, isoladamente, não comprova uma melhoria. Uma funcionalidade pode eliminar etapas operacionais e, ainda assim, aumentar o esforço total da pessoa. Esse custo precisa ser registrado mesmo quando cresce, pois a segunda pergunta pode identificar um benefício capaz de compensá-lo.
Imagine um analista de crédito que precisa examinar 40 documentos financeiros para identificar os três que apresentam conflitos com a política de concessão de empréstimos. Essa atividade exige bastante atenção, e uma IA capaz de destacar essas inconsistências reduz diretamente o esforço cognitivo necessário.
Agora compare esse cenário com a tarefa de digitar um número de empréstimo em um sistema de acompanhamento. Trata-se de uma ação que leva poucos segundos e praticamente não exige raciocínio. Preencher esse campo automaticamente pode apenas transferir o esforço para outra etapa, pois o analista precisará conferir o que a máquina inseriu.
A recomendação convencional costuma ser automatizar tarefas repetitivas e monótonas, mas esse exemplo mostra uma situação em que a estratégia pode falhar. O preenchimento automático apresenta três características importantes:
• Quando a IA preenche um campo, o usuário assume a responsabilidade de verificar a informação.
• A tarefa original exige apenas uma sequência curta de digitação, sem necessidade de atenção prolongada.
• A automação substitui uma ação de baixo esforço por outra que demanda mais atenção.
Para identificar quais tarefas realmente merecem ser automatizadas, é necessário comparar o esforço total antes e depois da implementação. O tempo dedicado à conferência dos resultados precisa entrar nessa conta, pois também faz parte do trabalho do usuário.
O perfil de quem utiliza a ferramenta é tão importante quanto a natureza da tarefa. Uma mesma funcionalidade pode superar o ponto de equilíbrio para um analista iniciante e ficar abaixo dele para um profissional experiente.
Um analista júnior que recebe um resumo de riscos produzido por IA ganha um ponto de partida que talvez ainda não consiga elaborar sozinho, por não possuir repertório suficiente para identificar determinados padrões. Já um analista sênior pode gastar quatro minutos comparando o mesmo resumo com a análise que havia formulado mentalmente, sem obter nenhuma informação nova.
Esse tipo de descoberta mostra para qual público vale a pena disponibilizar a funcionalidade. A condição de design, nesse caso, é identificar o segmento de usuários que realmente se beneficia da IA e prever uma alternativa para os demais.
Pergunta 2: a IA supera a maneira como o usuário já realiza essa tarefa?
Compare a abordagem baseada em IA com o método atual do usuário, incluindo planilhas e soluções alternativas que ele próprio desenvolveu. A IA tende a apresentar vantagens quando existe uma ambiguidade real, como na exploração de possibilidades, na criação de um ponto de partida ou na identificação de padrões numerosos demais para serem percebidos manualmente.
Escala, velocidade e consistência entre profissionais que realizam a mesma atividade também podem justificar sua utilização. Outra vantagem é identificar problemas que o método atual deixa passar com frequência, como no exemplo da ferramenta de detecção de fraudes. Entretanto, esses benefícios desaparecem quando o usuário já possui um procedimento eficiente para chegar a uma resposta conhecida.
Imagine uma equipe de RH desenvolvendo uma ferramenta de planejamento sucessório. Dentro do mesmo produto, a IA pode ser extremamente útil em uma etapa e desnecessária em outra.
Usar IA para identificar candidatos internos com combinações de habilidades que ninguém pensaria em pesquisar oferece vantagens de escala e exploração de possibilidades. Não existe uma única resposta correta, e analisar manualmente todas as combinações possíveis poderia levar semanas.
Por outro lado, utilizar IA para redigir o e-mail de notificação depois que um candidato foi escolhido dificilmente representa uma melhoria. O formato da mensagem já é conhecido, a redação leva aproximadamente dois minutos e a pessoa responsável pelo envio costuma ter preferências claras quanto ao tom da comunicação.
A busca por candidatos justifica a implementação de IA, enquanto a redação do e-mail acrescenta uma interação a uma tarefa que já funciona bem. O contraste evidencia a importância de avaliar separadamente cada etapa do trabalho.
A natureza das informações de entrada e o formato da resposta também exigem decisões distintas. Uma tarefa pode envolver ambiguidade e, ainda assim, funcionar melhor com um resultado visual estruturado do que com uma interface conversacional. Por isso, essa auditoria deve ser acompanhada de uma avaliação sobre a modalidade mais adequada para apresentar os resultados.
A condição de design é retirar a IA das etapas em que o método atual do usuário já permite encontrar respostas com rapidez e confiabilidade. O objetivo é concentrar a tecnologia nos pontos em que ela realmente acrescenta valor ao processo.
Pergunta 3: o usuário consegue identificar os erros?
Todo sistema de IA comete erros, e a questão é saber se o usuário conseguirá percebê-los. A avaliação deve começar pela visibilidade dessas falhas, considerando também as consequências de um erro não identificado e se a pessoa ainda possui as habilidades necessárias para reconhecê-lo. Enquanto a primeira pergunta analisa o custo da verificação, esta investiga se verificar o resultado é realmente possível.
A visibilidade dos erros varia bastante, e equipes de produto frequentemente têm dificuldade para estimá-la. Imagine um planejador de viagens com IA que recomenda visitar um museu justamente no dia em que ele está fechado. Nada na resposta parece necessariamente errado, e o viajante só descobre o problema quando chega à porta do museu, em Tóquio.
Compare essa situação com a sugestão de um voo que parte antes da chegada do voo de conexão. Nesse caso, a contradição está visível na própria tela, tornando o erro muito mais fácil de identificar.
O viés de automação agrava especialmente os erros menos perceptíveis. Em uma revisão de décadas de pesquisas sobre fatores humanos, publicada em 2010, Raja Parasuraman e Dietrich Manzey mostraram que as pessoas tendem a confiar nas respostas de sistemas automatizados mesmo quando estão incorretas. Esse comportamento foi observado em áreas como aviação, medicina e controle de processos.
A confiança pode aumentar rapidamente, muitas vezes sem uma decisão consciente do usuário. Quando isso acontece, as pessoas deixam de aplicar o nível de atenção necessário para identificar determinadas falhas.
Antes de iniciar o design, é importante mapear a superfície de erros, ou seja, as diferentes maneiras pelas quais a funcionalidade pode apresentar resultados incorretos. Identifique os três tipos de falha mais prováveis e avalie cada um segundo sua visibilidade para o usuário e as consequências caso não seja detectado. Qualquer combinação de baixa visibilidade com consequências graves deve se transformar em um requisito de design.
Também é necessário mostrar de onde vieram as informações e como o sistema produziu seus resultados. Essa rastreabilidade, conhecida como proveniência dos dados, ajuda o usuário a desenvolver um nível de confiança compatível com a confiabilidade real da ferramenta.
Quando as pessoas conseguem visualizar a fonte, os dados utilizados e a data em que foram coletados, têm melhores condições de identificar possíveis erros. Se um viajante descobre que os horários de um restaurante vieram de uma página armazenada em cache em março, sabe que precisa verificar se continuam válidos. Uma resposta escrita com segurança, mas sem indicação das fontes, deixa essa responsabilidade muito mais difícil.
A condição de design é que toda funcionalidade sujeita a erros pouco visíveis e de consequências graves apresente a origem das informações e orientações de verificação. Caso esses mecanismos não possam ser incorporados, a funcionalidade não deve ser lançada.
Pergunta 4: depois de um ano usando a IA, o usuário ainda conseguirá perceber quando ela estiver errada?
Eliminar tarefas rotineiras é um benefício real da inteligência artificial. Não há motivo para preservar a capacidade de um especialista de formatar referências manualmente ou de um analista de somar uma coluna sem auxílio tecnológico. Insistir na manutenção de habilidades que a tecnologia já assumiu pode representar um desperdício de tempo.
Entretanto, o julgamento necessário para identificar erros da máquina continua sendo indispensável. Essa capacidade permite delegar outras atividades com segurança e, como qualquer habilidade, pode se deteriorar quando deixa de ser utilizada.
Pesquisas em radiologia mostram como uma sugestão automatizada pode influenciar rapidamente o julgamento de um profissional. Em um experimento realizado em 2023, Thomas Dratsch e seus colegas pediram que 27 radiologistas analisassem mamografias acompanhadas de recomendações atribuídas a um sistema de IA. Na realidade, tratava-se de uma simulação criada exclusivamente para o estudo.
Os radiologistas começaram com um conjunto de treinamento de dez imagens, nas quais a categoria sugerida estava sempre correta. Depois, avaliaram outras 40 mamografias, sendo que 12 delas continham sugestões incorretas.
Os resultados mostraram que recomendações erradas prejudicavam a precisão dos diagnósticos em todos os níveis de experiência. Entre os profissionais mais experientes, com média de 15 anos de atuação, a classificação correta ocorreu em 82,3% dos casos quando a sugestão estava certa e em apenas 45,5% quando estava errada.
Entre os radiologistas menos experientes, a precisão caiu de 79,7% para 19,8% nas mesmas condições. A experiência profissional reduziu a influência das sugestões incorretas, mas não foi suficiente para eliminá-la.
Esses resultados levantam uma preocupação sobre os efeitos do uso prolongado da IA. Depois de um ano seguindo as recomendações de um mesmo sistema, sem exercitar regularmente o julgamento que foi delegado, um profissional pode estar em uma posição ainda mais vulnerável do que a dos radiologistas no início do experimento.
A terceira pergunta analisa a capacidade atual do usuário de reconhecer erros. A quarta amplia essa avaliação para um horizonte de 12 meses, considerando os possíveis efeitos da dependência tecnológica.
Equipes que analisam apenas a situação presente podem interpretar falhas futuras como problemas de qualidade do modelo. Entretanto, parte dessas dificuldades pode surgir da perda de habilidades humanas que deixaram de ser utilizadas diariamente.
Uma pergunta útil é se o usuário conseguiria avaliar a qualidade dos resultados daqui a 12 meses caso a funcionalidade de IA desaparecesse de um dia para o outro. Se a resposta for negativa, o design precisa incluir mecanismos que mantenham a capacidade de verificação em exercício.
Uma alternativa eficiente e de baixo custo é a revisão cega periódica, na qual o usuário formula seu próprio julgamento antes de visualizar o resultado produzido pela IA. Também é possível reservar parte dos casos para análise sem assistência automatizada ou realizar comparações semanais entre os resultados da máquina e versões produzidas por profissionais.
A condição de design é definir claramente o mecanismo que manterá a habilidade de verificação ativa e incorporá-lo ao próprio workflow. Incluir uma orientação em um slide de treinamento não é suficiente para garantir que essa capacidade continue sendo exercitada.
Uma matriz de decisão para implementar IA
As quatro perguntas podem ser organizadas em uma matriz que reúne os sinais favoráveis à implementação, os custos potenciais para o usuário e as condições de design necessárias. Essa estrutura facilita a comparação das respostas e ajuda a transformar a auditoria em decisões práticas para o produto.
A funcionalidade reduz o esforço total do usuário?
A IA justifica sua implementação quando a tarefa exige sintetizar grandes volumes de informações variadas e quando a necessidade de julgamento humano representa um gargalo. Em contrapartida, tende a gerar custos adicionais quando a atividade segue um procedimento conhecido e rápido, ou quando a verificação dos resultados exige tanto esforço quanto o trabalho original.
A condição de design é identificar o segmento de usuários beneficiado pela funcionalidade. Para os demais segmentos, deve existir uma alternativa que permita continuar trabalhando sem depender dela.
A IA supera o método atual?
A tecnologia apresenta vantagens quando supera o processo existente em situações de ambiguidade, escala, velocidade, consistência ou identificação de erros. O benefício desaparece quando o usuário já consegue chegar à resposta de maneira rápida e confiável com os métodos disponíveis.
A condição de design é retirar a IA das etapas que o procedimento atual já executa satisfatoriamente. A implementação deve se concentrar nas atividades em que a abordagem automatizada demonstra ganhos concretos.
O usuário consegue identificar as falhas?
A IA tende a ser mais adequada quando os erros são evidentes, as consequências são limitadas e a correção é simples. Os riscos aumentam quando as falhas são sutis, suas consequências são graves ou a verificação depende de uma habilidade que está sendo delegada à própria tecnologia.
A condição de design é oferecer informações sobre a origem dos resultados e mecanismos que incentivem a verificação. Quando esses recursos são necessários e não podem ser implementados, a recomendação é não desenvolver a funcionalidade.
O usuário continuará capaz de reconhecer erros depois de um ano?
A IA apresenta um cenário favorável quando absorve o volume operacional do trabalho, mas mantém o usuário responsável pelos julgamentos importantes. O cenário se torna problemático quando a tecnologia assume essas decisões sem oferecer feedback sobre sua qualidade.
A condição de design é estabelecer um mecanismo específico para manter a capacidade de verificação em uso. Essa prática precisa fazer parte da rotina do produto, garantindo que o julgamento humano continue sendo exercitado.
Aplicando a auditoria ao caso dos recursos de benefícios
Vamos retomar o exemplo da operadora de planos de saúde apresentado no início. A primeira versão da ferramenta falha na primeira pergunta, pois redigir uma decisão exige raciocínio contínuo e a IA apenas transfere esse esforço para a etapa de verificação, sem reduzir o trabalho total. Uma hora dedicada às quatro perguntas poderia revelar esse problema antes mesmo do início do design.
A segunda pergunta aponta na mesma direção. As decisões sobre recursos seguem uma estrutura conhecida, e os especialistas já possuem um procedimento estabelecido para chegar às conclusões. A verdadeira ambiguidade está em uma etapa anterior, quando precisam identificar quais cláusulas contratuais e decisões passadas se aplicam a cada caso.
A terceira pergunta evidencia a gravidade dos riscos. Uma decisão incorreta pode afetar a cobertura médica de alguém, e um erro escondido em um texto aparentemente bem escrito pode permanecer despercebido até que um novo recurso seja apresentado. Essa análise gera um requisito de rastreabilidade para a segunda versão da ferramenta, que passa a indicar o documento de origem e a data de consulta de cada cláusula apresentada.
A quarta pergunta explica por que a segunda versão tende a funcionar melhor ao longo do tempo. Como os especialistas continuam redigindo todas as decisões, o julgamento necessário para avaliar os materiais recuperados permanece em uso diariamente. Manter a primeira versão significaria acostumar esses profissionais, durante um ano, a aprovar textos sem continuar exercitando plenamente as habilidades necessárias para avaliá-los.
Aplicando a mesma auditoria aos resumos de reuniões
Resumos de reuniões gerados por IA já estão presentes em produtos utilizados diariamente por milhões de pessoas. Nesse caso, a auditoria chega a conclusões diferentes das observadas no exemplo anterior.
Na primeira pergunta, a ferramenta elimina o trabalho de registrar anotações, mas acrescenta a necessidade de verificar se as decisões foram atribuídas às pessoas corretas. O esforço total diminui para quem normalmente não faz anotações durante as reuniões. Para a pessoa que sempre foi responsável por registrar e compartilhar essas informações, a vantagem é menos evidente, pois a responsabilidade pela conferência também recai sobre ela. Essa diferença entre perfis é exatamente o que a primeira pergunta busca identificar.
A segunda pergunta compara os resumos automatizados com as anotações feitas por alguém que tenta escrever enquanto acompanha parcialmente a conversa. Esse método costuma produzir registros incompletos, enquanto a IA pode oferecer maior abrangência e consistência entre diferentes reuniões. Por isso, a funcionalidade tende a superar o método atual para a maioria das equipes.
Na terceira pergunta, surge um problema importante: um resumo que atribui uma responsabilidade à pessoa errada pode parecer tão correto quanto outro que registra tudo adequadamente. Como dificilmente alguém vai reler a transcrição inteira para conferir cada informação, a baixa visibilidade do erro, combinada com suas possíveis consequências, gera um requisito de design. Cada item de ação precisa estar vinculado ao trecho correspondente da reunião, com indicação do momento em que foi mencionado.
A funcionalidade também passa pela quarta pergunta sem exigir mecanismos adicionais. Deixar de tomar notas durante reuniões não representa a perda de uma habilidade profissional que precisa ser preservada, e os participantes continuam responsáveis por todas as decisões registradas no resumo.
O resultado da auditoria apresenta duas respostas claramente favoráveis, uma diferença relevante entre segmentos de usuários e uma condição de design. As referências temporais devem ser incluídas no lançamento, enquanto as pessoas que costumavam fazer anotações regularmente se tornam o segmento que a equipe precisará acompanhar depois da implementação.
Como realizar a auditoria em 60 minutos
É possível aplicar esse processo antes que a próxima funcionalidade de IA entre no roadmap do produto. A avaliação pode ser organizada em quatro etapas, com duração total de uma hora.
• Defina a tarefa de maneira específica (10 minutos). Descreva uma atividade executada por determinado usuário em uma situação concreta. Por exemplo, ajudar um analista financeiro de nível intermediário a identificar os três itens de maior risco em um relatório de due diligence de 40 páginas, durante uma janela de revisão de duas horas. Uma definição genérica, como ajudar usuários a resumir documentos, é ampla demais para permitir uma avaliação adequada.
• Responda às perguntas com alguém que realmente executa o trabalho (25 minutos). A percepção desse profissional sobre onde está o esforço da atividade costuma ser mais precisa do que qualquer estimativa da equipe de produto. Pergunte quais etapas considera mais difíceis, observe se a funcionalidade proposta atende a essas dificuldades e investigue quais habilidades de verificação poderiam ser perdidas caso a IA assumisse os julgamentos durante um ano.
• Mapeie a superfície de erros (15 minutos). Identifique os três tipos de falha mais prováveis e classifique cada um de acordo com sua visibilidade e consequências. Erros pouco perceptíveis e de alto impacto devem se transformar em requisitos de desenvolvimento. Uma ferramenta de diagnóstico médico que sugere um tratamento incorreto, com alto risco de mortalidade, exige rastreabilidade rigorosa e mecanismos de verificação, enquanto um assistente de agendamento que indica o horário errado para uma reunião apresenta uma falha mais fácil de perceber e corrigir.
• Registre as condições no briefing (10 minutos). A apresentação da origem dos dados, os alertas de verificação, a delimitação dos segmentos atendidos e os mecanismos de preservação de habilidades devem estar documentados desde o início. Essas exigências precisam aparecer no mesmo briefing que descreve a funcionalidade a ser desenvolvida.
Em 2003, Everett Rogers descreveu o chamado viés pró-inovação, caracterizado pela suposição de que uma nova capacidade tecnológica representa progresso antes mesmo de seus benefícios serem comprovados. A pressão competitiva intensifica esse comportamento, transformando o anúncio de um concorrente em uma obrigação interna de implementar algo semelhante. Uma hora de perguntas estruturadas oferece à equipe uma maneira mais consistente de responder a essa pressão.
Como apresentar os resultados para a equipe
Os resultados de uma auditoria costumam ser mal recebidos quando um designer os apresenta apenas como motivos para não desenvolver determinada funcionalidade. As condições identificadas são a parte mais útil da análise e devem orientar a discussão durante a revisão do produto.
Comece identificando o segmento de usuários que realmente se beneficia da funcionalidade, mostrando para quem a implementação faz sentido. Em seguida, apresente os possíveis erros como requisitos concretos, acompanhados dos custos necessários para evitá-los.
Um product manager consegue agir diante de uma solicitação para incluir referências temporais em cada decisão atribuída a um participante. Já uma preocupação genérica de que os usuários talvez não confiem nos resultados oferece pouca orientação para a equipe.
Também é importante propor mudanças de escopo antes que alguém precise solicitá-las. Uma versão que identifica cláusulas relevantes em vez de redigir decisões completas exige menos desenvolvimento e apresenta melhores condições de adoção pelos usuários. Esse tipo de proposta permite que a conversa sobre o roadmap avance com alternativas práticas.
Uma maneira de comunicar esse diagnóstico seria afirmar que a funcionalidade parece vantajosa para analistas iniciantes, mas acrescenta uma etapa de verificação para profissionais experientes. Por isso, a recomendação seria limitar inicialmente sua utilização ao onboarding de novos analistas e reavaliar a expansão para outros segmentos no trimestre seguinte.
A capacidade de atenção que uma pessoa consegue dedicar ao trabalho durante o dia continua limitada, independentemente de quanto o modelo de IA evolua. Antes que a próxima funcionalidade chegue à etapa de design, registre qual esforço ela exigirá do profissional que executa a tarefa e qual dos três tipos de benefício poderá compensá-lo. Com essas duas respostas, a equipe terá condições de chegar à revisão do roadmap com uma proposta de escopo mais bem fundamentada.