Marty Cagan: a IA torna o product manager mais essencial

Quando o assunto é IA no trabalho de produto, o coro é conhecido: o product manager vai virar dispensável, porque a IA gera protótipo, escreve requisito e resume pesquisa. Marty Cagan, autor de Inspired e Transformed e uma das vozes mais influentes em gestão de produto das últimas duas décadas, discorda de forma direta. Para ele, a IA torna o papel do PM mais essencial e mais difícil, não menos. Vale entender por quê, porque o argumento se aplica a qualquer função que a IA promete automatizar.

O que Cagan está dizendo

Em uma série de artigos no site da Silicon Valley Product Group, Cagan faz uma distinção que a maioria das discussões pula. Precisamos separar, ele escreve, duas conversas diferentes: incorporar a IA nos produtos que construímos, e mudar a forma como construímos produtos. A segunda é a que interessa aqui, e é a menos compreendida.

O ponto de partida dele é honesto e raro num autor de referência: ele admite que, dois anos depois da explosão da IA generativa, apesar da enxurrada de anúncios e de artigos declarando o fim do mundo como o conhecíamos, na prática mudou menos do que ele esperava. É mais fácil discutir o impacto da IA em engenheiros e designers do que em product managers, ele nota, porque gerar código ou desenhar uma tela é imediatamente tangível, enquanto criar uma solução valiosa e viável não é. E, mesmo para engenheiros e designers, acelerar a produção de código ou de design não se traduz automaticamente em resultado melhor.

Essa é a chave de toda a tese. A parte difícil de produto nunca foi produzir. Foi decidir o que produzir.

Por que gerar mais rápido não resolve o problema certo

Cagan distingue três tipos de gestão de produto: o dono de produto de time de entrega, o product manager de time de feature, e o product manager de time empoderado. A maior parte do que se escreve sobre IA mira os dois primeiros, quem recebe uma lista e a transforma em especificação. O foco de Cagan é o terceiro, o time empoderado, cujo trabalho é descobrir o que é valioso para o cliente e viável para o negócio. E é justamente essa parte, o descobrir, que a IA menos resolve.

Quando gerar código e design fica barato e rápido, o gargalo não some, ele se desloca. Sai da execução e vai para o julgamento. Antes, um time gastava semanas construindo a coisa errada. Agora pode construir a coisa errada em dias. A velocidade sem discernimento não aproxima do resultado, apenas acelera a chegada ao desperdício.

A IA deixou de graça a parte que era cara, produzir, e cobrou caro a parte que sempre foi difícil, decidir o que vale a pena existir.

Isso conecta com algo que Cagan chama de product sense, o julgamento apurado sobre o que funciona. O que mais o anima, ele diz, é a combinação de alguém com julgamento forte e as ferramentas de IA generativa. E o que mais o preocupa é dar exatamente essas ferramentas a pessoas que não têm o fundamento de produto. A mesma alavanca que multiplica o bom julgamento multiplica a ausência dele.

Nossa leitura, para quem opera IA no Brasil

O argumento de Cagan é sobre produto, mas serve de mapa para qualquer função que a IA toca. O padrão se repete: a IA barateia a geração e valoriza o julgamento. Onde o seu trabalho era, no fundo, produzir um artefato, a pressão aumenta. Onde o seu trabalho era decidir bem, com contexto e critério, a IA vira alavanca, não substituta.

Para times de produto colocando IA em produção, isso tem três consequências práticas.

A primeira é parar de medir o time pela quantidade de coisa gerada. Se a IA multiplica a produção, contar entregas vira contar fumaça. O que importa é o resultado que a entrega produziu no cliente, o mesmo deslocamento que defendemos ao falar de medir resultado e não entrega quando a IA gera tudo. Cagan está dizendo a mesma coisa por outro caminho: a geração virou commodity, o resultado não.

A segunda é investir no julgamento antes de investir na ferramenta. Colocar um gerador de solução poderoso na mão de quem não sabe distinguir problema real de pedido de stakeholder é acelerar o erro. Antes de dar a alavanca, vale garantir que a pessoa sabe onde apontá-la. É por isso que hábitos como escrever o resultado que o cliente vai viver antes de construir ficam mais valiosos, não menos, num mundo onde construir ficou trivial.

A terceira é entender que o PM não some, ele muda de peso. A pergunta deixa de ser quanto o time consegue construir e passa a ser se está construindo a coisa certa. Essa é a pergunta que a IA não responde por você, e é a mesma razão pela qual a gestão virou o superpoder da era dos agentes, como argumentou Ethan Mollick. Duas vozes, do produto e da gestão, chegando ao mesmo lugar: a máquina executa, o humano decide o quê e por quê.

Cagan resume o momento com sobriedade rara no debate: dois anos depois, ainda estamos todos descobrindo. Mas, ele diz, agora temos uma noção melhor das perguntas certas a fazer. Talvez seja essa a postura mais útil para quem opera IA em produto hoje: menos ansiedade sobre qual ferramenta adotar, mais rigor sobre qual problema resolver. A ferramenta é a parte fácil. Saber para onde apontá-la continua sendo o trabalho.

Se você quer fortalecer o julgamento de produto do seu time antes de escalar a geração com IA, fala com a gente no WhatsApp.