As verdades difíceis de construir produtos na era da IA: além do hype

Keith Rabois passou por PayPal, LinkedIn, Square, Khosla Ventures. Quando ele fala sobre o que separa produtos que funcionam de fracassos caros, não é teoria. É padrão observado em centenas de decisões de investimento.

E o que ele está dizendo sobre IA vai contra quase tudo que o mercado brasileiro está fazendo agora.

O problema não é a tecnologia. É a pergunta errada.

A pergunta que a maioria dos PMs está fazendo: “Como posso usar IA no meu produto?”

A pergunta que deveria estar fazendo: “Qual problema do meu usuário justifica a complexidade e o custo de IA?”

O hype cria uma pressão artificial. Todo board quer saber “qual é a estratégia de IA”. Todo pitch precisa de um slide sobre IA. Isso inverte a lógica de produto. Você começa pela solução e sai procurando problema.

Rabois é direto: a maioria dos casos de uso de IA que ele vê não sobrevive a uma análise básica de ROI. Não porque IA não funciona. Porque ela está sendo aplicada onde não deveria estar.

As três categorias reais de aplicação

Vou simplificar o que separa IA que funciona de IA que é custo disfarçado de inovação.

Categoria 1: Automação de tarefas repetitivas com alto custo humano

Funciona quando: a tarefa é bem definida, repetitiva, e hoje consome tempo significativo de pessoas qualificadas.

Exemplo real: revisão de contratos em jurídico. A tarefa é clara, o custo humano é alto, o erro é mensurável. IA reduz custo e tempo de forma verificável.

Categoria 2: Geração de conteúdo em escala

Funciona quando: você tem demanda real por volume de conteúdo que seria inviável produzir manualmente, e o custo de erro é baixo.

Exemplo real: descrições de produto em e-commerce com milhares de SKUs. O volume justifica, a qualidade é auditável, o erro não é catastrófico.

Categoria 3: Interface para dados complexos

Funciona quando: você tem dados valiosos que o usuário não consegue acessar de forma intuitiva, e a resposta natural resolve uma fricção real.

Exemplo real: busca conversacional em bases de conhecimento internas. O dado existe, está disperso, o usuário perderia horas procurando.

IA que funciona

• Resolve problema existente e mensurável
• Substitui custo humano verificável
• Erro é detectável e corrigível
• ROI calculável em menos de 6 meses

IA que é custo disfarçado

• Busca problema para a solução
• Adiciona camada sem reduzir custo real
• Erro é difuso e difícil de medir
• ROI depende de premissas otimistas

A armadilha do “copilot para tudo”

Rabois faz uma observação que deveria ser óbvia, mas não é: copilots genéricos são commodities. Você não constrói diferencial competitivo com algo que qualquer concorrente pode implementar em semanas.

A onda de “assistentes de IA” em todo tipo de produto é um sintoma de pensamento preguiçoso. É a resposta default quando você não sabe exatamente como IA pode resolver algo específico do seu domínio.

O diferencial está em aplicações específicas do domínio que seus concorrentes não podem copiar facilmente. Isso exige entendimento profundo do problema, não da tecnologia.

Custo real vs. custo percebido

Uma das verdades mais ignoradas: IA tem custo operacional contínuo. Não é só desenvolvimento.

• Tokens custam dinheiro. Em escala, muito dinheiro.
• Latência afeta UX. Respostas lentas degradam a experiência.
• Alucinações exigem supervisão. Alguém precisa revisar outputs.
• Modelos mudam. O que funciona hoje pode quebrar na próxima versão.

• Você calculou o custo por uso da sua feature de IA?
• Você sabe qual é o limite de escala antes de virar inviável?
• Existe processo de auditoria de outputs?
• Há plano de contingência se o modelo mudar comportamento?

Muitos produtos que estão lançando features de IA hoje não fizeram essas contas. Estão subsidiando o custo com investimento ou margem de outras áreas. Quando precisar escalar, vão descobrir que a economia não fecha.

A decisão arquitetural que ninguém quer fazer

IA no core do produto é diferente de IA como feature auxiliar. São decisões arquiteturais diferentes com implicações de longo prazo diferentes.

IA como feature auxiliar: você adiciona uma funcionalidade que usa IA, mas o produto funciona sem ela. O risco é contido. Se não der certo, você remove.

IA no core: o produto não existe sem IA. A proposta de valor depende dela. Se a IA falhar, o produto falha.

Rabois é cético sobre construir IA no core para a maioria das empresas. Não porque IA não funciona. Porque a dependência de infraestrutura externa (OpenAI, Anthropic, etc.) cria vulnerabilidade estratégica.

Isso não significa que você não deve usar IA. Significa que você precisa ser honesto sobre onde está sua vantagem real. Se ela não está na IA em si, não trate IA como core.

O que separa decisões boas de decisões de hype

Depois de observar centenas de produtos em diferentes estágios, o padrão que separa decisões sólidas de decisões movidas por hype é simples:

Decisões sólidas começam pelo problema, não pela tecnologia. O PM consegue explicar o problema em uma frase, quantificar o custo atual, e demonstrar por que IA é a melhor solução (não apenas uma solução possível).

Decisões sólidas têm critérios de sucesso antes do desenvolvimento. O que significa “funcionar”? Qual métrica precisa mover? Em quanto tempo? Se você não sabe responder antes de começar, está experimentando com dinheiro da empresa.

Decisões sólidas consideram o cenário de falha. O que acontece se a IA não performar como esperado? Qual é o plano B? Quanto já teremos investido? Se a resposta for “não pensamos nisso”, você está apostando, não decidindo.

O contraponto necessário

Dito tudo isso: IA é transformadora. Não estou argumentando contra IA. Estou argumentando contra IA sem critério.

Os produtos que vão ganhar nos próximos anos são os que aplicarem IA de forma cirúrgica, em problemas específicos, com ROI claro. Não os que adicionarem IA em tudo esperando que algo funcione.

A vantagem competitiva não está em usar IA. Está em usar IA melhor que seus concorrentes, no problema certo, da forma certa.

Se você ainda não tem clareza sobre o problema que está resolvendo, IA vai amplificar sua falta de clareza. Se você tem clareza, IA pode acelerar dramaticamente a solução.

A pergunta não é “devemos usar IA?”. A pergunta é “onde especificamente IA resolve um problema real de forma que justifica seu custo e complexidade?”.

A maioria das empresas vai gastar os próximos dois anos descobrindo que não tinha resposta para essa pergunta. As que responderem agora vão estar muito à frente quando a poeira baixar.