Você está em uma ótima posição para encontrar oportunidades de alto valor para a IA. Você pode avaliar a viabilidade técnica de uma ideia e o impacto na experiência do usuário, duas perspectivas que precisam se unir para que os recursos de IA tenham sucesso. Não crie recursos de IA porque eles são novos ou impressionantes, mas porque eles realmente facilitam, aceleram ou tornam a vida mais agradável para os usuários.
Este módulo descreve um método estruturado e iterativo para idealizar, especificar e criar protótipos de casos de uso de IA no seu produto.
Entender o valor da IA
A árvore de oportunidades de IA a seguir define as grandes categorias de valor que a IA pode oferecer:
Listamos categorias de valor para enquadrar suas soluções. À medida que você avança na lista, a complexidade, o risco e o potencial de impacto no usuário tendem a aumentar:
- Insights: melhore a tomada de decisões.
- Conveniência: remova a complicação.
- Automação: substitua o trabalho repetitivo.
- Aumento: ajude os usuários com tarefas complexas ou criativas.
- Personalização: adapte o produto às necessidades e preferências de uma pessoa.
Primeiro, tente resolver casos de uso de menor impacto. Por exemplo, colete insights melhores sobre produtos com um sistema interno de IA para melhorar seu produto por dentro. Em seguida, faça uma auditoria do débito técnico de UX atual e use a IA para reduzir o atrito e a carga cognitiva dos usuários. À medida que você ganha confiança e experiência, pode passar para casos de uso mais complexos e aumentar a exposição à IA.
No entanto, você pode descobrir oportunidades de alto impacto, como leves toques de personalização, que são surpreendentemente acessíveis, de baixo risco e significativos.
Identificar oportunidades no seu produto
Para determinar a ideia certa, você precisa ter uma boa noção de quem são seus usuários. Trabalhe com sua equipe de UX ou atualize as personas para definir quem são esses usuários. Adote uma abordagem que prioriza o usuário (ou as pessoas) e mapeie as oportunidades de IA que encontrar para casos de uso concretos do seu produto.
Eles podem ser:
- Motivados por necessidades ou dificuldades explícitas do usuário.
- Sugerido por você ou pelos membros da sua equipe. Nesse caso, a validação rápida com os usuários é essencial para evitar a armadilha da "IA pela IA".
- Inspire-se nos concorrentes, mas com cuidado. O público e o contexto dos seus concorrentes podem ser diferentes dos seus. Valide cedo para testar se as iniciativas bem-sucedidas dos concorrentes são transferidas para seu produto.
Por exemplo, a tabela a seguir tem ideias para um site de reserva de voos:
Em cada etapa da jornada do usuário, é possível identificar diferentes oportunidades para agregar valor com a IA.
Crie sua solução
Até agora, você já mapeou várias ideias de IA ao longo da jornada do usuário. A próxima etapa é dar forma a eles e ganhar confiança suficiente para decidir quais desenvolver primeiro. Esse é um esforço em equipe, geralmente liderado pelo gerente de produtos. Como desenvolvedor, sua principal responsabilidade é estimar o custo, o esforço e os riscos da solução de IA planejada.
Especifique suas ideias
Primeiro, capture cada ideia em uma especificação rápida e holística. Você pode usar o projeto do sistema de IA da nossa introdução. Normalmente, os desenvolvedores se concentram na parte da solução, enquanto a oportunidade é especificada pelo gerente de produto. Esse exercício dá a todos uma base compartilhada para alinhamento e discussão antes de seguir em frente.
Avaliar o esforço e o custo
Em seguida, avalie a dificuldade de implementação da sua ideia. Por exemplo, adicionar filtros inteligentes pode exigir apenas a análise baseada em comandos com uma API de LLM, que é rápida para prototipar e executar e mais fácil de ajustar. Por outro lado, um assistente de reservas personalizado precisaria de pipelines de dados personalizados, APIs de reservas e mecanismos cuidadosos de humanos no loop, o que é muito mais trabalhoso.
Analise o esforço e o custo em várias dimensões:
- Preparação de dados: você já tem os dados necessários? Quanta limpeza, pré-processamento ou rotulagem precisa ser feita para que ele esteja pronto para IA?
- Maturidade do modelo: já existe um modelo pré-treinado adequado ou você precisa treinar um do zero?
- Latência: com que rapidez o modelo precisa responder para que o recurso pareça integrado e útil?
- Complexidade da integração: quantos sistemas precisam se conectar? Há back-end, APIs, UI ou ferramentas de terceiros? Quanto mais pontos de contato, maior o custo e o risco.
- Custo operacional: qual é o custo de cada chamada ou inferência do modelo? Estime o uso mensal e o orçamento para escalonamento. Um recurso "barato" na fase de protótipo pode se tornar caro quando milhares de usuários estiverem ativos.
Considere os custos ocultos para o usuário. A IA pode introduzir incerteza e erros regulares no seu produto. Com a IA do lado do cliente, os recursos são executados no dispositivo de um usuário, o que consome largura de banda, armazenamento e energia. O recurso precisa ser valioso o suficiente para que os usuários se sintam confortáveis com o custo.
Ao avaliar o esforço no início, você pode se concentrar em vitórias de alto valor e baixo atrito e adiar as ideias mais complexas até que seus dados, infraestrutura e experiência estejam mais maduros.
Estimar modos de falha
Às vezes, o modelo comete erros e os recursos não funcionam como esperado. Você precisa comunicar aos usuários o que está acontecendo e onde ocorreu a falha, para que eles saibam se podem mudar a entrada e receber os resultados que procuram.
Por exemplo, digamos que você tenha uma agência de viagens. Sua empresa quer oferecer inspiração personalizada para viajantes. Seus usuários pediram uma ferramenta para fazer isso por conta própria, e sua equipe de produtos pressiona para implementá-la. No entanto, você sabe que a personalização exige muitos indicadores dos usuários sobre os interesses deles, e você não configurou um banco de dados que colete esses indicadores. Isso resulta em uma personalização sem sucesso que oferece inspiração irrelevante, o que leva os usuários a abandonar o recurso. Sua compreensão da disponibilidade de dados personalizados deve ter informado a estimativa de valor da sua equipe.
Confira outros modos de falha críticos da IA:
- Alucinação: o modelo gera resultados que parecem plausíveis, mas não são reais (como inventar um voo que não existe).
- Viés: o modelo mostra ou amplia generalizações injustas com base nos dados de treinamento, o que leva a resultados discriminatórios ou desiguais. Por exemplo, o modelo pode presumir que os usuários querem voos de primeira classe e outros querem voos econômicos com base no gênero ou na raça percebidos.
- Problema de inicialização a frio: o sistema não pode oferecer valor para novos usuários ou itens devido à falta de dados iniciais, conforme indicado no exemplo da ferramenta de viagens personalizadas.
- Degradação de performance: a acurácia do modelo diminui com o tempo à medida que os dados do mundo real evoluem e se afastam da distribuição original, também conhecida como desvio do modelo.
Protótipo
Suas entradas sobre custo, esforço e modos de falha terão baixa fidelidade inicialmente. Para ganhar confiança, a melhor validação de um recurso específico de IA é criar um protótipo. A prototipagem permite testar rapidamente as principais proposições técnicas (preparação, latência e acurácia dos dados) antes de se comprometer com uma criação completa. Principalmente com uma tecnologia nova e não totalmente explorada como a IA, você aprende mais rápido criando do que pesquisando e analisando.
Com ferramentas de geração de código baseadas em IA, como a Vertex AI e o Replit, é possível acelerar e reduzir os riscos do processo de prototipagem.
Adote esta mentalidade: lance algo pequeno, observe como ele se comporta e refine continuamente.
Aplique as seguintes práticas recomendadas:
- Crie um sistema completo desde o início. Teste todo o fluxo conforme definido no projeto do sistema de IA (dados, inteligência, experiência do usuário), não apenas a acurácia do modelo. Essa versão precisa refletir todas as partes da experiência do usuário com a IA, mas não precisa representar todos os recursos do aplicativo.
- Comece com atalhos. Use APIs e modelos pré-treinados para validar o valor rapidamente.
- Registrar tudo. Acompanhe entradas, saídas e edições do usuário para identificar modos de falha comuns e avaliar possíveis problemas graves.
- Teste com dados reais. Os primeiros testes precisam capturar o comportamento natural e desordenado do usuário.
- Adicione mecanismos de feedback e controle. Facilite para os usuários sinalizarem erros ou ajustarem saídas, além de permitir que eles confirmem ou corrijam resultados.
Na maioria dos casos, a prototipagem acontece junto com a avaliação e o trabalho de especificação.
Seus pontos principais
Você aprendeu a transformar o potencial abstrato da IA em ideias de produtos concretas e de alto valor. Como desenvolvedor, sua vantagem está em conectar a viabilidade técnica à experiência do usuário. Você aprendeu como a IA pode criar valor em diferentes categorias, mapeou essas oportunidades na jornada do usuário do seu produto e aprendeu a especificar, avaliar e priorizar usando estruturas estruturadas.
A IA só funciona com iterações constantes. Lance cedo, ouça e observe seus usuários e faça refinamentos rápidos. Cada protótipo é uma etapa para entender como a IA pode aumentar o valor e a satisfação do seu produto.
Recursos
- Como fazer a descoberta de IA da maneira certa, um guia para idealizar, validar e priorizar seus casos de uso de IA.
- O AI Radar, uma ferramenta de descoberta e suporte a decisões para identificar e priorizar casos de uso em vários setores.
Teste seu conhecimento
Qual categoria de oportunidade de IA envolve ajudar os usuários com tarefas complexas ou criativas?
Ao avaliar o esforço e o custo de uma ideia de IA, o que significa "Complexidade de integração"?
O que é o problema de inicialização a frio no contexto dos modos de falha de IA?
Qual é a mentalidade recomendada para prototipar recursos de IA?
Por que é importante manter um registro durante a criação de protótipos?