Marty Cagan: a IA acelera a entrega, mas não o resultado

Marty Cagan é uma das vozes mais influentes de produto do mundo, autor de "Inspired" e "Transformed" e sócio do Silicon Valley Product Group. Quando ele para para nomear um problema, o setor inteiro presta atenção. Em artigo publicado em 23 de julho de 2026, Cagan batizou o incômodo que ronda toda liderança que adotou IA: o paradoxo da produtividade da IA. Os times entregam mais rápido. Os resultados não melhoram.

O dado que ninguém consegue mais ignorar

Cagan não está sozinho na constatação. Ele cita a McKinsey Quarterly, que fala em um paradoxo da IA: a adoção cresce, o investimento acelera, mas o impacto sustentado no desempenho continua escorregadio. E cita o State of Teams 2026 da Atlassian, com o número que resume tudo: 89% dos executivos dizem que a IA aumentou a velocidade do trabalho, mas só 6% se sentem confiantes para apontar um ROI claro em toda a organização.

Ou seja, quase todo mundo está mais rápido, e quase ninguém está mais rico por causa disso. A velocidade é real e mensurável. O retorno é uma promessa que teima em não aparecer no balanço. Esse é exatamente o mesmo buraco que o estudo da Apollo achou nos salários: o ganho de produtividade existe, mas fica preso em algum lugar entre o esforço e o resultado.

A tese de Cagan: o problema nunca foi a velocidade

Onde muita gente vê mistério, Cagan vê um problema velho com roupa nova. Para ele, isso nem é bem um paradoxo. A maioria das empresas está usando a IA para simplesmente acelerar o velho modelo de projeto, aquele desenhado para produzir entregas, e não resultados. Acelerar um processo que gera a coisa errada só te entrega a coisa errada mais rápido.

Ele resume o diagnóstico numa frase que vale imprimir: o problema não é o tempo nem o custo de construir, é que as ideias, com frequência, provam não valer a pena, porque simplesmente não resolvem o problema que deveriam resolver. A IA baixou o custo de construir quase a zero. Só que o custo de construir nunca foi o gargalo de verdade. O gargalo é saber o que construir.

Cagan reforça o ponto com duas vozes do próprio texto. A líder de produto de IA Hilary Gridley diz que nunca foi tão rápido construir, o que significa que nunca foi tão fácil correr dez vezes mais rápido na direção errada. E Chip Huyen, autora de "AI Engineering", crava: a IA torna a construção mais fácil, mas a parte difícil continua sendo saber o que construir.

O problema não é o tempo nem o custo de construir. É que as ideias, com frequência, provam não valer a pena. A IA só fez você chegar mais rápido a essa descoberta.

Build to learn versus build to earn

A parte mais útil do artigo é a distinção prática. Cagan separa dois usos da IA que a maioria mistura.

No "build to learn", o construir para aprender, os times fortes usam a IA para acelerar a descoberta. Geram protótipos, testam soluções com usuários e stakeholders, e buscam evidência de que aquilo resolve ao mesmo tempo o problema do cliente (valor) e o da empresa (viabilidade). Aqui, construir rápido serve para aprender rápido e descartar o que não vale.

No "build to earn", o construir para faturar, depois que já existe evidência de que a solução vale a pena, a IA acelera a entrega de um produto de qualidade comercial, confiável, preciso, escalável, em que o cliente pode confiar.

O erro comum é usar a IA só para o segundo, acelerar a produção de business cases, roadmaps, PRDs e código do jeito antigo, pulando o primeiro. Aí a velocidade vira armadilha. Como Cagan observa com franqueza, muitos líderes estão profundamente convencidos de que, se conseguissem construir suas ideias mais rápido, os resultados certamente viriam. E não vêm.

A leitura para quem opera IA no Brasil

Esse diagnóstico atravessa fronteira sem esforço, porque o vício que ele descreve é global. Três conclusões práticas para quem coloca IA para rodar.

A primeira: meça outcome, não output. Se o seu indicador de sucesso com IA é "entregamos mais features neste trimestre", você está medindo a coisa errada. O que importa é se o problema do cliente foi resolvido e se o número de negócio se moveu. É por isso que atacar o ponto certo importa mais que acelerar tudo, a lógica da Teoria das Restrições aplicada à IA: o resultado só se move quando você mira o gargalo.

A segunda: invista na descoberta antes de investir na construção. Com o custo de construir despencando, o diferencial migra inteiro para saber o que construir. Times que usam IA para testar dez soluções e matar nove ganham de times que usam IA para construir uma solução ruim dez vezes mais rápido. Essa é a mesma lógica de contratar a IA para um trabalho específico, e não pela moda.

A terceira, e a que mais dói: a IA não é o grande equalizador que muitos esperavam. Cagan admite que apostou nisso e errou. Em vez de fechar a distância entre empresas fortes e fracas de produto, a IA está aumentando essa distância. Quem já tinha boa cultura, estratégia e descoberta usa a IA para ampliar a vantagem. Quem não tinha, agora produz lixo em escala. A ferramenta não conserta a fundação, ela amplifica a que já existe.

O recado de Cagan é otimista para quem faz o dever de casa. Para quem entende a diferença entre construir para aprender e construir para faturar, ele diz, nunca houve momento melhor para criar produtos movidos a tecnologia. A IA é uma alavanca poderosa. Alavanca amplia força, e amplia erro na mesma medida.

Se você quer usar IA para acertar mais na descoberta, e não só para construir mais rápido, fale com a AI Boutique no WhatsApp. A gente ajuda a ligar a velocidade da IA ao resultado de negócio.