Opportunity Solution Tree: a IA certa para o resultado certo

Todo time que adota IA cedo ou tarde comete o mesmo erro: decide a solução antes de entender o problema. "Vamos colocar um chatbot", "vamos botar um agente no atendimento", "precisamos de um copiloto". São frases de solução, ditas antes de qualquer clareza sobre que resultado se quer mover e que dor do usuário se está atacando. A Opportunity Solution Tree, criada por Teresa Torres, existe para forçar a ordem inversa, e é por isso que ela cai como uma luva na era da IA.

O que é a árvore, em quatro níveis

Teresa Torres apresentou a Opportunity Solution Tree, ou OST, no livro Continuous Discovery Habits, uma das obras mais influentes de descoberta de produto da última década. A ideia é simples de desenhar e difícil de burlar: um diagrama em árvore que liga, de cima para baixo, quatro camadas.

No topo fica um único resultado desejado, o outcome. Não é uma entrega nem uma feature, é um número de comportamento que o negócio quer mover, por exemplo aumentar a taxa de conclusão de uma tarefa ou reduzir o tempo até o primeiro valor. Logo abaixo vêm as oportunidades, que são as necessidades, dores e desejos reais dos usuários, descobertos conversando com eles, não adivinhados na sala. Depois vêm as soluções, as ideias de como atacar cada oportunidade. E na base ficam os experimentos, os testes que verificam se aquela solução de fato resolve aquela oportunidade e move aquele resultado.

O poder da árvore está nas ligações. Toda solução precisa apontar para uma oportunidade, e toda oportunidade precisa apontar para o resultado. Se uma ideia não se conecta a nada acima dela, ela não deveria existir. É um filtro visual contra o trabalho que não leva a lugar nenhum.

Por que a ordem importa tanto em IA

A IA tem um efeito colateral perverso: ela é boa demais em demonstração. Qualquer modelo de fronteira produz algo impressionante em minutos, o que cria a ilusão de valor antes de existir qualquer problema real por trás. A OST é o antídoto porque não deixa você começar pela parte fácil e sedutora, a solução. Ela obriga a começar pelo resultado e pela oportunidade.

Na prática, isso muda a conversa. Em vez de "vamos usar IA no atendimento", a árvore força a pergunta: qual resultado queremos mover, digamos reduzir o tempo de resolução de um chamado. Quais oportunidades levam a isso, por exemplo o cliente não acha a informação sozinho, ou o atendente perde tempo procurando em cinco sistemas. E só então: quais soluções atacam cada oportunidade, sendo a IA uma delas, ao lado de uma base de conhecimento melhor ou de um formulário mais simples. A IA deixa de ser a resposta pronta e vira uma candidata que precisa provar seu valor.

A pergunta que a árvore obriga a responder não é "onde colocamos IA", é "qual resultado queremos mover, qual dor do usuário leva até ele, e a IA é mesmo a melhor forma de atacar essa dor".

Explorar antes de comprometer

Um princípio central de Torres é não se apaixonar pela primeira ideia. A árvore é desenhada para manter várias oportunidades e várias soluções vivas ao mesmo tempo, de propósito. Você compara oportunidades e escolhe qual atacar primeiro pelo impacto no resultado, e para a oportunidade escolhida gera várias soluções concorrentes antes de decidir.

Isso é especialmente valioso em IA porque a solução mais chamativa raramente é a melhor. Às vezes a dor do usuário se resolve com um modelo pequeno e barato, às vezes com um pouco de automação sem IA nenhuma, às vezes só ajustando o fluxo. Manter as opções abertas evita o compromisso precoce com um agente caro quando uma solução mais simples moveria o mesmo número. É a mesma disciplina que aparece quando se pergunta qual trabalho a sua IA foi contratada para fazer: a OST dá o mapa, e o Jobs to be Done ajuda a descrever bem cada oportunidade.

Como montar a sua, na prática

O roteiro cabe numa página. Comece definindo um único resultado, mensurável e de comportamento, não uma meta de entrega. Depois vá a campo: converse com usuários e liste as oportunidades como frases na voz deles, dores e desejos concretos, não soluções disfarçadas. "Eu nunca sei se a resposta que recebi está certa" é uma oportunidade, "queremos um verificador com IA" não é, é solução.

Com as oportunidades no papel, priorize pela que mais move o resultado e gere três ou quatro soluções para ela, sem se prender à mais óbvia. Para cada solução, escreva o experimento mais barato que testa a suposição mais arriscada: será que o usuário confia na resposta da IA? Será que ele usaria isso no dia a dia? Rode o teste antes de construir de verdade. Essa base experimental conecta a OST ao ciclo de tratar cada feature como hipótese, no espírito do Lean UX, e ao rigor de medir resultado e não atividade dos OKRs.

A Opportunity Solution Tree não é sobre IA, e é por isso que serve tão bem à IA. Ela devolve ao time a pergunta que a empolgação com a tecnologia costuma engolir: que resultado estamos tentando mover, e para quem. Comece pelo topo da árvore e a IA encontra seu lugar como uma solução entre outras, testada e escolhida por mérito. Comece pela solução e você vai passar um trimestre defendendo um piloto que impressionou na demo e não mexeu em nenhum número.

Se você quer montar a árvore do seu próximo projeto de IA, do resultado à solução, antes de escolher o modelo, fala com a gente no WhatsApp.