
Transformar dados em sentido, dar autonomia a quem desenvolve
Um painel pode ter todos os números certos e ainda assim não ajudar ninguém a decidir.
A quantidade de acessos aumentou. O tempo de uso também. O atendimento recebeu mais mensagens. Dependendo do produto, isso pode ser uma boa notícia, um problema ou três acontecimentos sem relação entre si.
Para quem está olhando o dashboard, as barras continuam bonitas nos três casos.
Tenho pensado em duas ideias que parecem distantes, mas se encontram no trabalho de produto: transformar dados em sentido e dar mais autonomia a quem desenvolve, usando IA. Uma ajuda a entender o que merece atenção. A outra amplia o que a equipe consegue experimentar a partir desse entendimento.
O ponto de ligação é o contexto.
O número precisa encontrar uma pergunta
Já escrevi sobre métricas, contexto e UX porque o mesmo indicador pode contar histórias muito diferentes. Passar mais tempo lendo um ensaio e passar mais tempo tentando cancelar uma assinatura não deveriam ser comemorados da mesma maneira.
Antes de transformar um dado em prioridade, quero entender a situação em que ele foi produzido. Quem estava tentando fazer o quê? Em qual momento? O que aconteceu antes e depois? Houve alguma mudança no produto, no público ou na forma de medir?
Parece um cuidado básico. Só que é fácil pular essa etapa quando o gráfico já vem acompanhado de um resumo convincente.
Imagine que a conclusão de um cadastro caiu. Podemos supor que o formulário ficou difícil, mas também podemos ter recebido um público diferente ou alterado uma regra de acesso. Talvez o problema esteja na medição. Cada hipótese leva a um trabalho diferente.
Uma investigação útil poderia começar com três movimentos:
- Localizar a mudança. Em que etapa, período e grupo de pessoas o comportamento apareceu?
- Confrontar a interpretação. O que registros, conversas com usuários e informações da operação ajudam a confirmar ou contestar?
- Escolher um teste. Qual alteração ou investigação pequena permite aprender sem comprometer o restante do sistema?
A IA pode ajudar a organizar material, levantar hipóteses e preparar consultas ou análises. Ainda precisamos conferir se ela recebeu os dados necessários, se interpretou as definições corretamente e se a conclusão é sustentada pelo que temos.
Um resumo muito bem escrito não corrige uma medição ruim.
O que chega ao desenvolvedor?
Na minha experiência com construção de plataformas e software, a qualidade do trabalho depende bastante do que atravessa as fronteiras entre as áreas. Uma pesquisa pode perder o contexto quando vira requisito. O requisito pode perder a intenção quando vira uma tarefa.
No final, alguém recebe “adicionar um botão” sem saber qual dificuldade aquele botão deveria resolver.
Se entregamos a mesma tarefa a um desenvolvedor com IA, talvez o botão fique pronto mais rápido. Mas deixamos de aproveitar uma possibilidade interessante: dar àquela pessoa condições de investigar e propor um caminho melhor.
Para mim, dar autonomia ao time começa por compartilhar a pergunta, as restrições e o critério de sucesso. Com esse contexto, a IA pode apoiar uma exploração técnica, a construção de um protótipo, a preparação de testes ou a comparação entre alternativas.
O desenvolvedor passa a ter mais condições de participar da solução. Pode perceber que a informação já existe em outro lugar, que uma regra está mal definida ou que a mudança proposta só deslocaria o problema.
Isso exige espaço real para discordar. Se a tarefa chega com a solução fechada e qualquer questionamento é tratado como atraso, chamar o processo de autonomia não muda muita coisa.
Também exige limites claros. Em um experimento, podemos trabalhar com dados fictícios e um ambiente isolado. Em um sistema em operação, precisamos considerar permissões, revisão, informações confidenciais e formas de voltar atrás. Autonomia fica mais viável quando as pessoas conhecem esses limites e sabem quem envolver.
Dar sentido é um trabalho compartilhado
Minha passagem por programação, UX e liderança me faz prestar atenção justamente nessas conexões. Os dados mostram alguma coisa, a pesquisa ajuda a compreender o comportamento, o negócio apresenta suas condições e a engenharia encontra possibilidades e restrições de implementação.
Uma área não precisa ter todas as respostas antes de conversar com as outras. Muitas vezes, é nessa conversa que a pergunta melhora.
Voltando ao exemplo do cadastro: a melhor contribuição do design pode ser perceber uma dúvida na linguagem. A da engenharia pode ser identificar um erro que não aparece nos relatórios. A da operação pode ser explicar por que determinadas pessoas precisam interromper o processo. Juntas, essas observações permitem um teste mais útil do que uma discussão abstrata sobre reduzir campos.
É uma forma de trabalhar que eu gostaria de ver ampliada com IA: equipes com mais capacidade de investigar, construir e avaliar suas próprias hipóteses. Com menos tempo gasto tentando adivinhar o que uma tarefa queria dizer.
Para isso, eu acompanharia mais do que a quantidade de entregas. Observaria se as dúvidas são resolvidas mais cedo, se há menos retrabalho por falta de entendimento e se o time consegue relacionar uma mudança ao comportamento que pretendia melhorar.
Esses sinais também precisam de contexto. A ideia é aprender com o trabalho, não criar mais um painel que todos precisam alimentar e ninguém sabe para que serve.
Transformar dados em sentido e dar autonomia aos desenvolvedores são duas partes da mesma responsabilidade: fazer a informação chegar a quem pode usá-la, com condições para questionar, testar e decidir.
O melhor resultado pode ser uma funcionalidade nova. Também pode ser a descoberta de que aquele botão nunca precisou existir.
Foto de Jack Anstey no Unsplash.
