Acelerando a inovação de produtos com IA generativa

Introdução: Velocidades mais altas, riscos mais altos

As pressões em torno do desenvolvimento de produtos aumentaram significativamente. As demandas por velocidade e escala sempre estiveram presentes, mas em um cenário econômico mais crítico, os recursos diminuem à medida que os riscos aumentam.

"As circunstâncias estão causando uma mudança em direção ao que chamamos de formas de trabalho orientadas por valor", diz Farooq Ali, Principal, Produto, Estratégia & Entrega na Thoughtworks. "Há um exame ainda mais detalhado  sobre o ROI e mais ênfase do que nunca em alinhar o trabalho do produto com os resultados dos clientes e negócios. Um efeito de segunda ordem é uma mudança em direção a equipes e processos de produtos mais enxutos, com as pessoas começando a pensar em como realizar mais com menos."

Ao mesmo tempo, o ambiente de desenvolvimento está se tornando mais complexo à medida que as empresas buscam por diferenciação e os produtos incorporam mais recursos.

"O que é realmente importante é identificar essa proposta de valor única para um produto e criar um roteiro de produto para realmente manter uma vantagem competitiva sustentável", diz Rujia Wang, Chefe de Experiência do Cliente, Produto e Design da Thoughtworks.

"O desafio de hoje não é adicionar novas ideias; é como você dimensiona (dadas) as dependências e a complexidade no ecossistema do produto", diz Zichuan Xiong, Chefe de Produto de IA Generativa, Thoughtworks.

Mesmo que a IA apresente problemas para equipes de produtos que lutam para atender às demandas simultâneas de desejabilidade, viabilidade, aplicabilidade, usabilidade e responsabilidade, elas estão cada vez mais olhando para ela - e para a IA generativa (GenAI) em particular - como a solução. Uma pesquisa com cerca de 600 empresas em 11 setores descobriu que um terço já está explorando ativamente o uso de GenAI no design e simulação de produtos. A pesquisa de mercado sugere que o mercado de desenvolvimento de produtos para IA Generativa aumentará para US$ 1 bilhão até 2032.

A adoção de IA generativa no desenvolvimento de produtos deve acelerar até 2032

Fonte: MarketResearch.biz

Ao menos em teoria, a capacidade da IA generativa para complementar o desenvolvimento de produtos é enorme. As empresas já utilizam a automação para reduzir alguns dos aspectos mais comuns do ônus do desenvolvimento. Mas com a IA generativa, a expectativa é que, ao estender ainda mais - e mais profundamente - em propriedades mais criativas do processo, as equipes ficarão mais livres para se concentrar nos recursos e inovações de produtos mais críticos, contribuindo mais diretamente e substancialmente para o valor do negócio.

"A IA generativa tem o potencial de classificar muitas das complexidades do desenvolvimento de produtos para nós, porque pode considerar milhares de pontos de dados sobre interações com clientes e sinais de mercado que levariam um humano possivelmente meses para entender", observa Wang.

“Pode reduzir o custo da prototipagem tradicional a quase zero”, acrescenta Xiong. “Por exemplo, você pode criar um aplicativo e encarregar a IA generativa de descobrir se você adicionar determinados recursos, como isso afeta seu portfólio com base no conhecimento de outros valores do portfólio, porque é uma tecnologia excepcionalmente boa em identificar padrões e explorar novas descobertas usando linguagem natural.”

“Superar seus concorrentes é a nova vantagem competitiva”, diz Ali. “A taxa na qual você pode aprender sobre e com o mercado permite que você desative o risco de suas decisões de produtos. E a IA generativa pode aumentar e permitir muito disso.”

No entanto, como acontece com todas as novas ferramentas, há um grau de incerteza sobre exatamente como a IA generativa deve ser aplicada - e uma crescente consciência de que, se não for verificada, seus impactos podem não ser inteiramente positivos.

i. Aprimoramento ao longo do espectro de desenvolvimento de produtos 

Conforme Ali observa, a cadeia de valor do desenvolvimento de produtos pode ser amplamente dividida em algumas etapas principais:
 

• Pesquisa e análise
• Criação e planejamento
• Design e desenvolvimento
• Teste e feedback
• Produção e implantação
• Lançamento e marketing
• Suporte ao cliente

A maioria, senão todas, dessas etapas estão "prontas para inovação com IA generativa", diz Ali.
 

Isso se deve em parte ao fato de a IA generativa ser uma verdadeira mudança radical. “A principal diferença com o que veio antes é que a IA generativa é criativa e, por sua vez, aumenta a criatividade de profissionais de produtos e design”, diz Wang. “Ela pode ser usada durante todo o processo de desenvolvimento de produtos, desde a definição do produto até o design da solução, para construir, lançar e evoluir.”

Na fase de pesquisa e análise, a IA generativa amplifica exponencialmente a capacidade da organização de encontrar, coletar e analisar dados pertinentes sobre as condições do mercado e as preferências dos clientes - e, talvez ainda mais importante, pode introduzir novas perspectivas.

"A IA pode sintetizar rapidamente grandes volumes de informações para fornecer uma compreensão coerente das tendências do mercado, dos sinais que estão no mercado e das necessidades dos clientes", explica Ali. "Mas sempre acabamos recorrendo ao viés de seleção quando pensamos no que focar. O que a IA pode realmente fazer é nos dar uma abertura mais ampla e uma capacidade de escalar a análise e síntese dessa pesquisa."

Por exemplo, com um cliente, a Thoughtworks estava analisando oportunidades em torno do campo emergente de inteligência de negócios generativa e tentando mapear o cenário competitivo. Usamos Boba, um copiloto experimental de geração de ideias, para pesquisar como outras empresas estão usando IA generativa para inteligência de negócios - e em questão de segundos, obtivemos uma lista de todas as empresas que exploram o espaço sem recorrer a pesquisas de mercado potencialmente caras.

Outro exemplo está nas entrevistas com clientes - uma tática frequente para entender seus papéis, dores e ganhos para que possam ser alimentados no design do produto.

"As entrevistas geram muitas anotações, gravações e assim por diante", diz Ali. "Agora existem ferramentas que permitem resumir as gravações das entrevistas em insights-chave da conversa e agrupá-las em temas, que podem ser explorados posteriormente pelos pesquisadores."

Quando se trata de ideação e planejamento, a IA está se associando aos humanos para apoiar os estágios iniciais, às vezes agonizantes, do processo criativo.

"A IA generativa pode ser usada em todos os lugares, mas é na parte de design de soluções do processo de desenvolvimento de produtos que acho que obteremos o maior benefício no curto prazo", diz Wang. "Está realmente reduzindo o custo marginal de imaginação, ideias, visualização e comunicação. A IA generativa resolve o problema da página em branco que frequentemente encontramos no início do processo criativo. Expande nosso pensamento sobre o que é possível, dando-nos uma série de ideias para explorar e construir."

Um caso em questão é a gigante de snacks Mondelez, que emprega IA para sugerir novas receitas de produtos que são então pré-selecionadas e avaliadas por degustadores humanos. “O que é realmente interessante nessa abordagem é que, longe de substituir a criatividade humana, esses algoritmos servem como catalisadores”, diz Ali. “Eles são capazes de estimular novas ideias que as mentes humanas ainda não consideraram. Eles não são perfeitos, mas ninguém espera que especialistas criativos humanos venham com grandes ideias 100% do tempo.”

Mesmo quando as ideias surgem facilmente, pré-GenAI "ainda exigia muito esforço para visualizá-las e comunicá-las", diz Wang. “Era preciso ser rigoroso na priorização porque havia um limite de quantas ideias podiam ser levadas para a próxima fase. Mas agora você pode transferir parte desse trabalho pesado de visualização de ideias para a GenAI, criando wireframes de baixa, média e até alta fidelidade, com custo marginal quase zero em comparação com o que seria necessário para um humano. Dessa forma, você pode manter aberta por mais tempo a parte de divergência do processo de ideação, gastar mais tempo realmente considerando todas as alternativas - e ao interrogar essas ideias, você pode surgir com algo ainda melhor.”

Ao permitir a prototipagem e o design de interface rápidos, a GenAI facilita a avaliação de ideias antes que as equipes invistam muito em código. Isso cria eficiências que, por sua vez, abrem caminho para benefícios em fases posteriores da jornada de desenvolvimento de produtos, como lançamento e marketing.

“Não se trata apenas de reduzir o fardo das tarefas operacionais; engenheiros e profissionais de produto podem se concentrar mais em trabalhar com os clientes, conversar com eles, ir ao mercado, descobrir os problemas reais”, diz Xiong. “Subprodutos como análise de atendimento ao cliente ou um plano de SEO podem ser produzidos por IA, para que as pessoas possam se concentrar na prioridade número um, que é o benefício do cliente e a realização do valor do cliente.”

No entanto, os casos de uso também podem depender, em certa medida, do setor. Aqueles em que a geração de conteúdo está diretamente conectada à receita e que não enfrentam muitas restrições regulatórias – como jogos – “podem ser adotantes rápidos e de alta maturidade que aplicam ferramentas de GenAI em todas as etapas do ciclo de vida do produto”, diz Xiong. Setores onde a propriedade intelectual e as questões de privacidade estão mais em destaque, e as consequências da desinformação são potencialmente devastadoras – como serviços financeiros – provavelmente terão que adotar uma abordagem mais moderada.

ii. Melhores práticas e princípios; Equilibrando os papéis da IA e dos humanos

As empresas tendem a superestimar o esforço envolvido no uso de novas ferramentas de IA generativa (GenAI) devido a pressuposições decorrentes da falta de familiaridade com a tecnologia - como a noção equivocada de que ela requer habilidades avançadas ou grandes quantidades de dados de alta qualidade.

Ao contrário dos modelos clássicos de aprendizado de máquina, que requerem boa entrada de dados para serem treinados e tradicionalmente têm sido difíceis de escalar devido a problemas de qualidade de dados, as ferramentas de GenAI são capazes de preencher lacunas e criar seus próprios dados. Isso permite que as organizações comecem a aumentar seu processo de desenvolvimento sem grandes investimentos em dados.

Tomemos, por exemplo, o Genius, o assistente de design de autocompletar da Figma, um copiloto que desenvolve uma compreensão do sistema de design de produto do designer e recomenda soluções possíveis à medida que eles constroem uma interface. O Jira, uma popular ferramenta de gerenciamento de projetos, é outro exemplo da baixa barreira à adoção da GenAI. Seu copiloto de IA Atlassian Intelligence funciona como um "companheiro de equipe virtual", ajudando a resumir os resultados das reuniões e definir fluxos de trabalho.

O verdadeiro desafio para a fluência em GenAI é "a necessidade de uma mudança na mentalidade do design", diz Xiong. Os designers tendem a seguir princípios testados e comprovados, que podem ser baseados em ambientes que estão se tornando menos relevantes - da mesma forma que as interfaces de usuário ainda estavam sendo adaptadas para telas grandes enquanto o mundo estava mudando para o celular.

"No futuro, teremos menos interfaces gráficas de usuário (GUI) como o envio de formulários de um sistema para outro, porque os grandes modelos de linguagem dominarão a transação de informações entre os sistemas", explica Xiong. "Como os aplicativos transacionais podem agora ser sem interface, surge a questão de como você gera e valida ideias, e projeta soluções para isso."

Wang ressalta que aproveitar ao máximo a GenAI depende de aprender a interagir com ela de forma otimizada.

“Leva tempo para aprender a falar e trabalhar com a GenAI e torná-la um verdadeiro parceiro de pensamento criativo”, diz ela. "Uma tática é fazer com que ela faça perguntas e dar mais contexto para criar uma lista melhor de ideias, ou pedir que pense no que deve ser verdadeiro para que uma ideia seja bem-sucedida, em vez de pedir respostas diretas. Parte dessa interação pode parecer antinatural, mas para obter um resultado melhor, é importante fazer melhores perguntas.”

Com a disponibilidade da GenAI como copiloto, também é vital entender seus limites. Os humanos ainda têm um papel muito maior a desempenhar na definição dos problemas que a empresa está tentando resolver com a IA ao longo do ciclo de desenvolvimento do produto, o que requer um profundo entendimento dos objetivos de negócios.

“Algumas pessoas têm a fantasia de que podem alimentar um prompt engine e obter bons resultados, mas somente os bons designers sabem traduzir ideias em palavras e palavras em produtos”, observa Xiong. “O design não é apenas um trabalho de uma vez; são pessoas dedicando tempo para encontrar a solução ideal, se ajustando ao longo do caminho e usando diferentes ferramentas para isso. Refazer a jornada do cliente, fazer iterações, não é tão fácil quanto as pessoas pensam. Você ainda precisa de seres humanos, toda a expertise, experiência e conhecimento que temos. [A IA] é apenas uma ferramenta e não deve ser apresentada como a solução para todos os problemas.”

“Embora usuários sintéticos - usuários construídos com base em modelos históricos e padrões de clientes reais - possam ser implantados para auxiliar em certas tarefas de design, eles têm suas limitações”, diz Wang. “Por um lado, nem sempre sabemos sobre os vieses e problemas com os dados que os alimentam, ou se os resultados são realmente perspicazes para entender o problema que estamos tentando resolver. Em última análise, os humanos ainda são melhores em entender o que os outros humanos precisam.”

A contribuição humana também é altamente valiosa em áreas onde a GenAI pode apresentar lacunas de conhecimento, como a validação de produtos.

A base de conhecimento em que algumas ferramentas são construídas “pode não incluir os eventos mais recentes ou as últimas mudanças regulatórias”, diz Wang. “[A GenAI] também não sabe o que os concorrentes têm feito recentemente. Os humanos precisam entrar e usar o conhecimento do domínio para validar as saídas da IA.”

“Validar os resultados exige que os designers de produtos humanos aprendam o conhecimento do usuário final e trabalhem com eles para verificar se o conteúdo gerado é valioso, consistente, previsível e livre de viés”, concorda Xiong.

Em essência, de acordo com Ali, existem três níveis de maturidade ou colaboração com a IA: a IA informando as decisões de produto, a IA aumentando as decisões de produto e a IA automatizando as decisões de produto.

“Você precisa analisar o fluxo de valor do desenvolvimento de seu produto, dividi-lo em partes onde você toma decisões importantes e, em seguida, se perguntar: devemos estar informando essa decisão de produto com IA? Devemos estar aumentando? Ou devemos automatizar?”, diz ele. “As respostas serão diferentes para cada empresa.”

Modelo de Maturidade de Colaboração com IA

Fonte: Thoughtworks

A capacidade da IA de revelar e recomendar insights para auxiliar o processo de decisão humana pode ser útil em situações como testes A/B, mas as organizações devem parar e considerar as compensações antes de tomar decisões baseadas exclusivamente em resultados gerados por IA.

"É importante preservar o julgamento e a criatividade humanos em áreas como testes, pois é um dos seus diferenciais, e a IA não é um substituto para isso", diz Ali. "Um exemplo muito bom disso é falar com os clientes. A IA eventualmente poderá falar com os clientes e coletar mais dados em escala. Mas você realmente quer fazer isso? Ou você quer construir um relacionamento com os clientes e envolvê-los no processo? Nem sempre é uma boa ideia automatizar algo com IA só porque você pode."

Apesar dessas considerações, não há como negar que a IA está alterando a forma como os humanos se encaixam na equação do desenvolvimento de produtos.

“O custo marginal de criar um primeiro rascunho está se aproximando de zero, e nossos papéis estão evoluindo de criadores para diretores criativos”, explica Ali. “Vamos passar muito mais tempo dirigindo a IA, curando sua produção e, na verdade, iterando e colaborando com a IA. Embora a direção criativa final fique com os humanos, a velocidade e o volume dessas ideias e implementações naturalmente exigirão um melhor trabalho de curadoria.”

Isso significa que a capacidade de trabalhar com IA se tornará essencialmente parte da descrição do trabalho de todos no futuro.

“Embora existam organizações contratando especificamente para engenheiros de prompt, todos os membros da equipe de desenvolvimento de produto devem explorar como colaborar com a IA e aprender engenharia de prompt para obter o melhor resultado”, diz Wang. “Com uma combinação de bom pensamento crítico, resolução de problemas e habilidades linguísticas, o gerente de produto, o designer e o líder técnico podem ser engenheiros de prompt.”

Nesse novo esquema de coisas, o envolvimento de especialistas em domínio se tornará ainda mais consequente.

“Sempre defendemos que o negócio esteja profundamente integrado às nossas equipes multidisciplinares, porque reduz o custo de comunicação e garante que estamos construindo a coisa certa”, diz Wang. “Uma compreensão do domínio de negócios é importante para melhorar a qualidade dos problemas que estamos pedindo à IA para nos ajudar a resolver e, portanto, a inclusão da expertise do domínio de negócios é mais crítica do que nunca.”

Além de fornecer a validação comercial necessária, os especialistas em domínio agora podem aumentar seu envolvimento no processo criativo. “Há uma democratização do design acontecendo em que a barra está sendo rebaixada para as habilidades que você precisa para realmente participar”, diz Ali.

De acordo com Wang, “uma equipe multidisciplinar de pessoas que entendem de humanos, de tecnologia e dados, e de negócios permitirá que as organizações obtenham o máximo da IA. Em sua essência, trata-se de entender esses diferentes contextos”.

“Dependendo da indústria, o acesso a especialistas jurídicos e regulatórios fora da equipe de desenvolvimento de produtos também é importante para garantir a conformidade com as leis e regulamentos relevantes, como o GDPR ou regras que regem a prestação de consultoria financeira”, acrescenta.

“As novas gerações de designers de produto devem ser abertas, corajosas e visionárias para inventar novos princípios de design, experimentar novas ferramentas e usar as ferramentas para moldar novos comportamentos de design”, diz Xiong. “O design, eventualmente, é uma atividade social que evolui junto com a evolução da sociedade humana.”

iii. Evitando consequências negativas

À medida que as organizações exploram novos horizontes criativos com a GenAI, torna-se cada vez mais importante conscientizar sobre os novos riscos que ela apresenta e encontrar maneiras de mitigá-los.

Xiong observa que, à medida que a GenAI ganha capacidades multimodais, sua velocidade e eficiência podem ser confundidas com autoridade, tornando mais difícil discernir a realidade das alucinações geradas por IA.

“Existe o potencial de um enorme efeito dominó quando, em um futuro próximo, entre centenas de agentes de IA em rede, um agente comete um erro, e o erro é encoberto por outro, o que criará uma série de consequências a jusante”, explica.

“Se você está usando IA para tomar decisões, deve ser capaz de explicar por que a IA recomendou uma determinada decisão”, destaca Ali. “E a realidade dos modelos atuais é que eles são muito opacos. Sabemos como construí-los, mas não sabemos como raciocinam.”

A dificuldade da IA com a explicabilidade pode ser comparada à forma como os humanos chegam a uma resposta, observa Wang.

“Talvez tenha sido baseado em experiência, talvez tenha sido baseado em nossa intuição”, diz ela. “Usando a GenAI no processo de desenvolvimento de produtos, enfrentaremos desafios muito semelhantes, onde chegaremos a uma conclusão que não sabemos realmente como explicar. Nesse caso, a consideração-chave é se podemos contestar as conclusões da GenAI.”

As considerações de propriedade intelectual e direitos autorais também estão contribuindo para a hesitação das organizações em adotar e implementar IA no desenvolvimento de produtos.

“Embora seja tentador usar produtos e modelos de IA prontos para uso, não temos permissão, da perspectiva dos clientes, de pegar um monte de material de entrevista, dados de clientes e colocá-los em uma ferramenta externa até que ela passe por uma verificação adequada – e a essa altura o projeto já está terminado”, observa Ali. “Mesmo que uma ferramenta de IA forneça algum recurso, você deve levar em consideração algum tempo para entender para onde os dados estão indo e como estão sendo usados.”

Precisamente porque a GenAI é treinada com dados externos facilmente disponíveis para todos – inclusive concorrentes – faz com que as organizações incorporem dados proprietários aos modelos de IA sempre que possível. Os dados também precisam ser examinados quanto a vieses – o que não se limita a dados públicos, mas pode se estender aos próprios recursos das organizações.

“Os dados de seus clientes podem estar inclinados para um grupo demográfico em detrimento de outro”, ressalta Ali. “Quando você está nessa situação, pode ser necessário tomar decisões deliberadas para aumentar seus dados, seja com dados sintéticos ou saindo e realizando entrevistas deliberadas com clientes de outros grupos demográficos.”

“Pesquisa e testes com usuários reais continuam sendo as partes mais importantes do processo de desenvolvimento de produtos”, diz Wang. “Isso inclui testes com grupos diversos para identificar possíveis vieses introduzidos pelo uso de GenAI.”

Na grande maioria dos casos de uso do consumidor, afirma Xiong, as questões de governança representarão um desafio muito maior do que os lapsos éticos.

“O desafio da governança não é governar a IA; trata-se de governar o conteúdo gerado por IA”, diz ele. “O sistema operacional existente para fazer revisões de conteúdo, o processo editorial – pense em conformidade, privacidade, segurança, escanear tudo – assim que a adoção de GenAI aumentar, essa carga de trabalho também aumentará.”

A boa notícia é que a IA também tem o potencial de resolver alguns dos problemas de governança que cria. “Por exemplo, você poderia usar sua política de conformidade ou conteúdo como entrada para um grande modelo de linguagem que, em seguida, pode conduzir revisões de conteúdo”, explica Xiong.

Os monitoramentos mais eficazes para a governança de IA são incorporar princípios éticos e responsáveis de IA na cultura da empresa, incluindo como ela constrói experiências para os clientes, observa Wang. Alguns deles estão descritos em uma coleção de ferramentas, métodos e frameworks que a Thoughtworks criou para ajudar as organizações a navegar na esfera complexa, mas essencial, de construir tecnologia responsável.

Também podem ser introduzidas etapas deliberadas no processo de desenvolvimento de produtos para garantir maior adesão às práticas responsáveis de IA.

“A IA Generativa está expandindo as possibilidades e acelerando o processo de desenvolvimento de produtos”, diz Wang. “Mas ao introduzir intencionalmente atrito, por exemplo, tornando uma prática padrão para humanos e IA explorarem as possíveis consequências negativas de uma solução ou por que a solução não funcionaria, podemos tomar decisões mais ponderadas e deliberadas.”

Como acontece com qualquer forma de inovação, “pegar emprestado ideias de outras pessoas é uma parte natural do processo criativo humano, embora se torne mais pronunciado com a IA Generativa”, ela acrescenta. “A chave é construir em cima das ideias da IA Generativa em vez de aceitá-las pelo valor de face ou usá-las como estão. É por isso que os humanos ainda serão incrivelmente importantes em todo o processo de desenvolvimento de produtos.”

iv. Como o uso da IA generativa vai evoluir

A evolução e a crescente presença da IA Generativa devem transformar não apenas o desenvolvimento de produtos, mas a própria natureza dos aplicativos e os papéis das pessoas que os criam.

"Se um grande modelo de linguagem for adotado em todo o ciclo de vida do produto, há um potencial para mesclar funções, de modo que você não diferencie o designer do gerente de produto ou do analista de negócios", diz Xiong. "Você não precisará de funções diferentes para traduzir requisitos de negócios em especificações de produto, ou especificações de produto em uma história de usuário, ou a história de usuário em uma interface. No futuro, você pode usar modelos para traduzir requisitos de diferentes formatos, para navegar no espaço em linguagem ambígua para conectar os domínios de problema (negócio) e solução (design)."

Ao mesmo tempo, podemos esperar usar menos aplicativos no futuro. "A razão de ter tantos é por causa das limitações do próprio software; cada solução de software tem um escopo fechado, e quando você quer um novo escopo, precisa criá-lo", Xiong aponta. "Com os produtos de software tradicionais, o escopo de trabalho está diminuindo, mas existem novas possibilidades com a construção de aplicativos de IA - o que, se você for um gerente de projeto, argumenta a favor de focar nesse espaço."

As organizações que tentam criar uma força de trabalho mais orientada para a IA terão que olhar além do desenvolvimento de software tradicional e começar a dar às equipes de desenvolvimento de produto mais oportunidades para construir e experimentar soluções inovadoras de IA.

"Ser capaz de interagir efetivamente com a IA Generativa em breve será uma habilidade mínima que você espera, assim como quando o Google foi lançado, você eventualmente teve que aprender a pesquisar", diz Ali. "Você verá especialistas em domínio trabalharem mais de perto no desenvolvimento de produtos, projetando prompts que interagem com o sistema para construir um aplicativo alimentado por IA. Ampliando isso, vejo convergência interdisciplinar, o culminar de ciência de dados, economia comportamental, até mesmo filosofia e outros campos se unindo e se envolvendo mais no desenvolvimento de produtos."

A metodologia de design, também, terá que mudar para acompanhar esses avanços.

"No design thinking, você tem três grandes círculos - o viável, o desejável e o factível - mas com a IA, o uso justo e a responsabilidade precisarão ser adicionados a isso", diz Xiong. "Você também precisa atualizar seu design de blueprint de serviço existente como metodologia, porque a IA será um novo usuário. Você terá que projetar a IA enquanto projeta o agente humano, e tentar projetar um relacionamento entre o agente de IA e o agente humano para que eles estejam trabalhando juntos para executar um trabalho e ajudar os clientes. Quando você projeta dessa forma, você não pensa na IA como um sistema; você pensa na IA como um indivíduo inteligente."

Outra área empolgante que está surgindo é a prototipagem simulada. "Isso é velho para a manufatura; porque eles estão lidando com física, é muito mais fácil gerar designs que você pode testar em diferentes critérios", diz Ali. "O problema em construir software é que você está construindo para humanos, e ser capaz de modelar humanos é um problema muito difícil. Além disso, só porque você pode gerar muitas ideias e protótipos, não significa que você também pode avaliá-los rapidamente. Uma vez que as pessoas descobrirem como podem avaliar rapidamente por meio de simulação e testes simulados de ideias, isso abrirá um novo mundo em termos de geração de novos recursos e ideias de produtos."

Wang vê divergência e convergência na forma como a IA Generativa é aplicada em diferentes setores.

"Indústrias mais ricas em dados podem ter mais oportunidades de transformação porque terão modelos mais poderosos, e os modelos de IA Generativa se tornarão mais especializados em setores específicos para poder resolver problemas melhor", diz ela. "Mas, no geral, todos os setores serão afetados de alguma forma. Prefiro ser otimista e dizer que eles serão transformados para melhor. Também é nossa responsabilidade como designers de produto criar esse futuro e não apenas esperar que ele aconteça."

Em um esquema mais amplo, o potencial da IA Generativa de atrair mais pessoas para o processo de desenvolvimento, quebrar os limites em torno de seus papéis e superar as limitações anteriores de escala e velocidade, traz consigo a perspectiva de aprimorar a capacidade coletiva da organização de fazer escolhas eficazes em torno dos produtos que cria.

"Muitas decisões de produto agora estão centralizadas na equipe de produto", observa Ali. "Já estamos começando a ver a descentralização dos dados, mas quando você começar a ver