Designers estão afiando facas para a luta errada

• A AI reduziu significativamente o custo e o tempo de implementação de produtos, mas o gargalo estratégico de decidir o que criar e para quem permanece o mesmo
• As discussões no setor de design se concentram em como criar bem — papéis, capacidade de produção, bom gosto e padrões —, mas o adversário que realmente mata produtos é o mercado, com sua indiferença, alternativas e custos de troca
• Na época em que implementar era caro, dinheiro e tempo limitados obrigavam a validar ideias ruins antecipadamente, mas iterações baratas criam uma estrutura que continua transformando produtos que deveriam ser interrompidos em algo que parece acabado
• Padrões e bom gosto são necessários para escolher bons resultados entre a enxurrada de opções, mas não impedem o problema de criar, com excelente qualidade, um produto que ninguém quer
• Na era da AI, a maior alavanca não está na velocidade de produção, mas na capacidade de decidir o que merece existir, qual problema de quem deve ser resolvido e por que agora

---

A implementação ficou fácil, mas o produto não foi encontrado

• Uma empresa construiu e reconstruiu o produto quatro vezes ao longo de dois anos e meio, mas ainda não conseguia responder para quem ele era
  • Implementou interface de voz, um web app sofisticado e até um mecanismo avançado de resolução de problemas, mas não conseguiu entrar em contato com clientes interessados
  • Como a implementação não era o gargalo, foi possível tentar várias ideias, mas não havia decisões ou processos claros entre as tentativas
• O produto é comparado a uma empresa de biotecnologia que inventa uma molécula capaz de tratar uma doença, mas não sabe qual é o sistema de fabricação/distribuição nem quem são os pacientes
• Mesmo em um contexto em que o custo de criar produtos praticamente desapareceu, a razão de existir e o cliente-alvo, que determinam o sucesso, não são discutidos o suficiente
• O framework de estratégia de produto de Roman Pichler condensa em duas as escolhas centrais que ficam acima da execução
  • Para quem é o produto
  • Por que essa pessoa deveria querer o produto
• O papel de uma organização de produto não é produzir implementações, mas decidir o que vale a pena criar

O problema errado que o setor de design está mirando

• As discussões sobre design depois da AI assumem várias formas, mas a maioria permanece em como criar um produto
  • Lisa Demchenko vê o product designer passando de redator de especificações a arquiteto de sistemas
  • Andrea Grigsby apresenta o bom gosto (taste) como uma vantagem competitiva difícil de a AI substituir
  • Patrick Neeman propõe a coalizão de padrões web, que encerrou as guerras dos navegadores, como uma forma de resposta na era da AI
• Papéis, capacidade de produção, bom gosto, padrões e sistemas estão todos relacionados à qualidade do resultado, mas não respondem se esse resultado deveria existir em primeiro lugar
• O setor desenvolveu discussões sofisticadas sobre a qualidade do trabalho, mas é frágil diante da pergunta: esse trabalho deve ser feito?

O verdadeiro adversário é a realidade do mercado

• Designers, desenvolvedores e processos dentro de uma organização de produto não são concorrentes, mas integrantes que perseguem o mesmo objetivo
• Quem pode rejeitar o produto no fim são as pessoas reais e o mercado que deveriam desejá-lo
  • O mercado não considera quanto esforço a equipe fez
  • Ele não explica as regras, muda as condições enquanto o produto está sendo criado e pode ignorá-lo sem explicar o motivo
  • Indiferença, alternativas, custo de troca e atenção limitada competem com o produto
• A capacidade de produção é comparada a uma faca que melhora a qualidade de perto, enquanto a estratégia é comparada a uma arma de fogo, com alcance para atingir a realidade do mercado
• O setor está entrando em um tiroteio, mas continua concentrado em afiar uma bela faca chamada capacidade de produção

A validação que o alto custo de implementação fazia

• A principal razão pela qual produtos fracassam não é a cor de um botão nem antipadrões de código, mas construir a coisa errada com convicção sem que ninguém interrompa a tempo
• Em 2009, ao abrir o bar Destination no East Village, em Manhattan, havia pelo menos seis estabelecimentos concorrentes por perto
  • Já existiam uma casa de cerveja artesanal, um sports bar, um pub irlandês, um dive bar, um bar gay e um estabelecimento de estilo alemão
  • Depois de pesquisar os estabelecimentos da região antes de gastar, foi definida a estratégia de ocupar o espaço vazio de uma sala de estar do bairro, onde as pessoas poderiam passar o dia todo
  • Como havia apenas US$ 150 mil, seis semanas e uma única chance, não era possível arcar com a escolha de criar o bar errado
• As restrições de dinheiro, tempo e esforço físico obrigavam a validar honestamente a ideia antes que custos surgissem quando ela estivesse errada
• O custo de implementação não era uma ferramenta estratégica sofisticada, mas funcionava como a última proteção acidental contra decisões ruins

Experimentos baratos enfraquecem a capacidade de interromper

• Quando a AI torna a implementação rápida e barata, há menos motivo para parar e verificar se a ideia é boa, e fica mais fácil seguir para a próxima iteração
• O padrão de redução de custo de experimentação do Cloud Native Patterns resume que, quanto menor o custo de experimentar, mais fraca fica a pressão para abandonar ideias fracassadas, e a tendência de se apegar ao esforço já investido pode manter produtos vivos por mais tempo
• Quando várias tentativas são rápidas, plausíveis e parecem produtos acabados, a equipe pode confundir isso com progresso
  • Depois de dois anos e meio, pode descobrir tarde demais que nada disso se conectou a valor real para clientes
• A comparação entre construir e comprar de AJ Sunder vê que, quando passa a ser possível criar software significativo em uma tarde, a pergunta básica muda para “por que não criar nós mesmos?”
  • Essa escolha pode levar a dívida técnica e carga operacional que não foram decididas explicitamente
• Os princípios de produto de Andrew Bosworth começam por encontrar primeiro o problema vivido por humanos e perguntar se é possível resolvê-lo
• Tornar todos os processos rápidos não leva apenas mais depressa ao destino certo; também leva mais depressa a destinos errados que parecem produtos acabados

O custo que desapareceu foi transferido para a equipe

• Quando o custo de implementação aparecia no orçamento, a aprovação orçamentária forçava decisões, mas, quando a implementação se torna quase gratuita, o custo não desaparece: ele é repassado à equipe
• Construir tudo e observar a reação não é estratégia; parece mais um treinamento de emergência sem hora para terminar
  • Mudanças de direção que não conseguem ser explicadas se repetem
  • As noites e a concentração dos integrantes são consumidas
  • O resultado pode ficar mais bonito ou mais forte, mas o custo humano dos últimos seis meses não aparece
• Emergências repetidas sem decisão não fortalecem a equipe; elas a esgotam, e pessoas competentes com outras opções podem sair primeiro

Um produto bem feito é diferente de um produto necessário

• Padrões fazem o produto ser implementado corretamente, bom gosto eleva a qualidade do resultado e, quanto mais a AI produz resultados infinitos, maior se torna a importância de ambos
• A discussão de Jakob Nielsen sobre curadoria de AI vê que, à medida que gerar ideias se torna praticamente gratuito, a capacidade de discernimento para selecionar boas opções fica mais escassa do que a produção de opções
• Tanto padrões quanto bom gosto são capacidades para escolher melhor, mas não impedem uma situação em que um produto que ninguém quer seja implementado com qualidade e especificações perfeitas
• A distinção de Marty Cagan entre product teams e feature teams diferencia equipes que lançam funcionalidades com eficiência de equipes que resolvem problemas de clientes
  • Se a coisa errada é lançada, a eficiência de lançamento não tem valor
  • Com a AI, o risco de viabilidade de “é possível implementar?” diminuiu bastante, mas o risco de valor de “deveria existir?” permanece
• Gale Robins distingue as atividades e entregáveis de descobrir o que criar, que são uma batalha de curto prazo, da capacidade de julgar o que vale a pena criar, que é uma batalha de longo prazo
  • A AI acelerou a batalha de curto prazo, mas não reduziu a dificuldade da de longo prazo

Por que clientes contratam produtos

• O Jobs to Be Done de Clayton Christensen entende que clientes não compram o produto em si, mas o contratam para realizar uma tarefa específica
• No estudo dos milk-shakes do McDonald’s, uma grande parte era vendida a pessoas em deslocamento para o trabalho antes das 8h
  • Essas pessoas escolhiam o milk-shake para passar por um trajeto longo e entediante e manter a saciedade até o almoço
  • O concorrente real não eram outros milk-shakes, mas bagels e o tédio
• Ao encontrar a tarefa a ser realizada, o desenho do produto fica claro; se essa tarefa for ignorada, mesmo o produto mais bonito não será escolhido
• A AI pode continuar criando novos milk-shakes sem saber por conta própria para qual tarefa os clientes contratam o produto

Como a Skift cortou quatro pernas

• Rafat Ali iniciou a Skift desenhando a estratégia de conteúdo com quatro pernas
  • Agregação de artigos
  • Curadoria
  • Sindicação
  • Reportagem própria
• A estrutura inicial era lógica e fácil de explicar a investidores, mas leitores reais não demonstraram interesse pelos headlines agregados
• As quatro pernas viraram três e depois duas; só depois de abandonar o plano que venture capitalists queriam ouvir é que encontraram um produto que funcionava
• A dificuldade não estava em construir o produto, mas em descobrir, no mercado aberto, quais partes as pessoas queriam e remover as que não queriam
• Na época, implementar os quatro elementos exigia tempo e dinheiro reais, então era possível observar os resultados em detalhe e cortar partes
• Se o mesmo lançamento acontecesse na era da AI, em poucos dias não só as quatro partes, mas também funcionalidades não solicitadas poderiam estar prontas
  • Com todas as funcionalidades parecendo produtos acabados, os sinais que indicavam o que remover poderiam ficar soterrados pelo processo fácil de implementação

Decidir continua sendo a habilidade mais importante

• Qualidade excelente é requisito básico para participar da discussão sobre produto, mas o fato de algo ser bem feito não significa que seja o produto certo
• A AI pode criar centenas de respostas antes do almoço, mas não consegue julgar qual resposta é realmente necessária
• A distinção de Buzz Usborne entre descoberta e entrega vê que, em um contexto em que o custo de entrega caiu, se a camada que decide o que criar também for automatizada, o que resta, rápido e barato, é apenas software mediano parecido com o que qualquer pessoa cria
• Quando a implementação era lenta e cara, o erro de construir o produto errado podia ficar escondido pelo longo processo de produção; com a redução do custo de implementação, a ausência de julgamento fica exposta diretamente
• A maior alavanca para quem trabalha com produto está em decidir três coisas
  • O que merece existir
  • Para quem é
  • Por que é necessário agora
• Do lado da execução da lacuna entre estratégia e execução descrita por Roman Pichler, é possível se manter ocupado com roadmap, rituais e atividades de lançamento, mas nada disso substitui a responsabilidade de decidir
• A discussão de Joe Smiley sobre maturidade em design trata da situação em que profissionais sêniores são alocados em respostas urgentes na linha de produção, em vez de estratégia
• Em uma era em que qualquer pessoa pode criar qualquer coisa, a única alavanca essencial que resta é a capacidade de saber o que vale a pena criar, e as organizações de produto precisam decidir antes que o mercado chegue à conclusão