Cadernos de Mentoria
Caderno de Produto · Edição de Mentoria

Discovery: O que é, o que come, onde vive?

Material de apoio reunindo fundamentos de Product Discovery, boas práticas, armadilhas a evitar, o impacto atual de IA e Google AI Studio, e trilhas de estudo de longo prazo.

Índice do caderno
  1. 01 · O que é
  2. 02 · O que come
  3. 03 · Onde vive
  4. 04 · Métodos
  5. 05 · Técnicas
  6. 06 · IA & AI Studio
  7. 07 · Apresentação & Revisão
  8. 08 · Bibliografia
  9. 09 · Plano de Estudos
  10. 10 · Trilha de IA

O que é?

Além de ser tratado por muitos como a “grande solução para todos os problemas de produtos”, Discovery é um conjunto de atividades com a intenção de responder perguntas e reduzir riscos antes de definirmos hipóteses de solução.

Na visão de Martin Cagan, o trabalho de descoberta serve para endereçar quatro riscos fundamentais:

01
Risco de valor

O cliente vai pagar por isso ou escolher o que estamos propondo?

02
Risco de usabilidade

Vai ser fácil de utilizar e simples de entender no dia a dia?

03
Risco de execução

Temos gente e capacidade técnica suficiente para construir isso?

04
Risco de viabilidade

A solução proposta combina e se sustenta dentro do nosso negócio?

O que come?

Diversas literaturas colocam o Discovery como parte obrigatória do processo de construção de um produto. Embora essa visão esteja correta na teoria, na prática ela costuma transformar o Discovery em uma muleta ou em pura burocracia.

O que aprendi na prática é que Discovery é, essencialmente, uma forma lógica de enxergar um problema. Quando um cliente ou stakeholder traz uma solicitação pouco detalhada, estruturar o raciocínio em blocos ajuda a separar o que já é certeza do que ainda é dúvida.

O fluxo em seis blocos transforma solicitações vagas em hipóteses testáveis
1 Aprofundamento Problema e público 2 Evidências Dados e contatos 3 Hipótese Solução e teste 4 Mitigar riscos Valor, uso e negócio 5 Rollout Entrega e segmento 6 Métricas Alvo e impacto
Quadro visual utilizado nas mentorias para explicitar dúvidas e certezas
Quadro visual com os 6 blocos de Discovery Clique para ampliar
Exemplo próprio de estruturação em blocos para clarificar demandas pouco detalhadas.

1. Aprofundamento do problema

  • Qual problema queremos resolver?
  • Qual o público e qual tamanho?
  • Por que para o produto ou negócio isso é importante?
  • Como os concorrentes resolvem esse problema?

2. Evidências Chitãozinho & Xororó

  • Tenho dados que quantificam o problema?
  • Resolver isso vai ao encontro dos objetivos do quarter ou da companhia?
  • Clientes entram em contato ou reclamam sobre isso?
  • Foi feita análise da concorrência?

3. Com qual solução vamos validar nossa hipótese?

  • Qual ou quais soluções propostas? (Curto, médio e longo prazo)
  • A solução proposta traz diferencial para o produto?
  • Como testar e medir se a solução vai resolver o problema?

4. Mitigar riscos

  • Risco de valor (monetário)
  • Risco de usabilidade
  • Risco de viabilidade técnica
  • Risco de viabilidade de negócio

5. Qual a estratégia de rollout?

  • Como vamos entregar para aprender rápido?
  • Qual será a segmentação?

6. Quais métricas para sucesso?

  • Quais métricas indicam o caminho certo?
  • Qual o alvo dessa solução?
  • O que queremos impactar no negócio, cliente ou tecnologia?
“Acreditamos que [a solução], para [o público], através do experimento [qual experimento será feito]. Sabemos que a hipótese foi validada quando [qual resultado esperado].”

Onde vive — e quando não fazer Discovery

Ao estruturar o problema de forma lógica, já começamos a desmistificar o Discovery: ele deixa de ser uma “técnica divina que fornece todas as respostas” para se tornar uma ferramenta prática de clareza. Antes de escolher qualquer técnica, a pergunta principal é se o Discovery é realmente necessário.

Quando não usar

Tudo aqui são recomendações para evitar transformar o Discovery em burocracia. Qualquer processo que já responda às dúvidas que você possui serve como base suficiente para seguir com as hipóteses de solução.

Refinamentos, plannings, testes de jornada, conversas em pé, discussões de roadmap e todo contato direto com clientes ou com o time de produto já fazem parte da descoberta.

O Hypothesis Prioritization Canvas filtra o que realmente merece ciclos de Discovery
Hypothesis Prioritization Canvas de Jeff Gothelf Clique para ampliar
Quadrante de priorização de hipóteses por valor percebido e risco (Jeff Gothelf).

Sinais de alerta antes de seguir

Mesmo quando você já tem hipóteses em mãos, observe os quatro alertas levantados por Ivonika no artigo do Product Oversee. Se algum item abaixo for verdadeiro, acenda o alerta:

  • Acreditar que a ideia é a melhor do mundo;
  • Não ouvir os clientes;
  • Não mergulhar na dor;
  • Não começar validando o mais difícil.

Qual a melhor receita para um Discovery?

Esse é o grande benefício do Discovery: não existe bala de prata. Tudo depende do objetivo e de onde você quer chegar. Abaixo estão os métodos exploratórios que já utilizei.

Método Quando ajuda Ponto de atenção Referência
Desk Research Levantar dados existentes antes de ir a campo Evitar perguntas enviesadas e quantificar padrões UX Design Blog
Cadeia de Valor Mapear onde o produto toca áreas internas Equilibrar valor criado menos custo (Porter) Euax
Benchmark Comparar hipóteses já testadas no mercado Separar commodities de diferenciais e comparar pares reais Resultados Digitais
Segmentação Definir nicho, tamanho de mercado e substitutos Não tentar atacar todos os segmentos ao mesmo tempo Guia Sebrae (PDF)
Personas Refinar hipóteses alinhadas ao perfil do usuário Criar proto-personas quando não houver pesquisa pronta RD · Alura
Usuários & Leads Comparar percepções de clientes atuais e potenciais Escolher a técnica de pesquisa adequada ao momento UX Collective BR

Desk Research

  • Não enviese o objetivo (ex.: perguntar “o que você gosta no app” força respostas positivas).
  • Mapeie as fontes de dados antes de definir o formato.
  • Execute mesmo sem estar perfeito — pesquisar também é aprendizado.
  • Transforme entradas qualitativas em dados quantitativos sempre que possível.

Cadeia de Valor & Benchmark

  • Cadeia de Valor (Michael Porter): Valor Criado − Custo para gerar valor = Margem. Mapeie áreas como desenvolvimento e QA.
  • Benchmark: avalie hipóteses já testadas (como patinetes em cidades pouco densas), reconheça commodities (Android/iOS, não Windows Phone) e compare pares reais.

Segmentação de Mercado

  • A Amazon começou focada, e produtos como a AWS têm segmentos claros (de pequenas empresas a PicPay e Netflix).
  • Defina o tamanho de mercado alcançável, concorrentes e possíveis substitutos.

Personas & Clientes Internos

  • Na falta de personas completas do time de UX, comece com Proto-Personas.
  • Entrevista com clientes internos: quando atendemos operações ou times internos, eles são fonte direta de hipóteses e soluções.

Quais técnicas eu recomendo?

Discovery é aplicar raciocínio lógico à resolução de problemas — como pegar uma única cartinha para ler no meio de centenas jogadas para cima. Abaixo estão as técnicas ordenadas da mais rápida à mais elaborada.

Não precisa de canvas elaborado: basta separar em Certezas, Suposições e Dúvidas:

  • Certeza: O buraco desmoronou.
  • Suposição: Talvez um super cano da Sabesp tenha sido a causa.
  • Dúvida: Tem jacaré na água? Vai dar para usar o Tatuzão depois para terminar o túnel?

Lightning Decision Jam (LDJ)

AJ&Smart · ONOVOLAB · Phoebe’s Game

Evolução do Dot Voting, o LDJ permite sair de uma sessão com hipóteses e soluções priorizadas e já validadas com o cliente. O segredo é respeitar o tempo de cada etapa para manter o foco no que realmente incomoda no dia a dia.

Design Sprint & Design Thinking

Tera · Modelo Miro · Sebrae · Rock Content

Ambos compartilham o ciclo de Imersão, Ideação, Prototipação e Realização. Na Design Sprint de 5 dias:

  1. 1º dia: Entender o problema e reunir todas as informações.
  2. 2º dia: Rascunhar soluções, levantar hipóteses e trocar ideias.
  3. 3º dia: Filtrar e decidir qual hipótese será levada adiante.
  4. 4º dia: Prototipar no papel ou em telas para tangibilizar a ideia.
  5. 5º dia: Testar o protótipo com clientes internos ou externos.

O que a IA e o Google AI Studio mudaram no Discovery

Mesmo com ferramentas como o Google AI Studio, a essência do Discovery continua a mesma: aplicar raciocínio lógico para reduzir riscos antes de construir. O que muda é a velocidade entre levantar uma dúvida e colocar um protótipo funcional na frente de quem usa.

Etapa do Discovery O que a IA / AI Studio incrementou O que continua humano
4 Riscos (Cagan) Acelera Usabilidade e Execução com protótipos funcionais por prompt (Creator Economy). Valor e Viabilidade de negócio exigem validação real (DataConsultant).
Problema & Evidências Grounding com Google Search e execução de Python analisam concorrentes e CSVs em minutos (EmasterLabs). Definir o recorte certo e evitar perguntas enviesadas.
Hipótese & Solução Modo Build / Vibe Coding cria ou faz fork de apps funcionais para teste rápido (Creator Economy). Formular hipótese clara (público, experimento e critério de sucesso).
Design Sprint & CSD Comprime Dias 2 a 4 em horas e gera rascunhos de Proto-Personas e Matriz CSD (HelloPM). Ouvir clientes reais (Dia 1 e Dia 5) e não se apaixonar pelo protótipo.
Rollout & Produção Facilita publicar POCs controladas rapidamente (AI Studio Wiki). Segurança, compliance, monitoramento e sustentação (ShipAi).

Do rabisco ao protótipo antes do PRD

Antes, testar uma hipótese exigia desenhar telas ou depender de engenharia. Hoje, times no Google AI Studio constroem protótipos funcionais com APIs reais antes de fechar o PRD.

Os alertas de Ivonika ficam mais críticos

Como a IA gera interfaces convincentes em segundos, ficou mais fácil achar que a ideia é a melhor do mundo sem ouvir clientes. Protótipo rápido não é sinônimo de hipótese validada.

Hora de apresentar e revisar

Muitas vezes o Discovery é mal visto porque seus resultados não são comunicados. Quantificar e apresentar o que foi descoberto faz parte do processo:

  • Simplifique: foque no resultado, sem apresentações cheias de efeitos especiais.
  • Crie conexão: envolva o time e os clientes nos processos e testes.
  • Conte a jornada: explique o método usado e o raciocínio por trás dele.
  • Mostre evidências: leve dados e fatos levantados, não apenas opiniões.
  • Traga uma análise pronta: mostre se as dúvidas diminuíram ou se surgiram novas perguntas importantes.
  • Decida em conjunto: saia da reunião com próximas etapas definidas com o cliente e o time.

“Cultura é muito importante: não dá para viver só de Job to be Done. E PO ou PM não decidem negócios — estamos ligados a eles, mas nosso trabalho é com o produto.”

Bibliografia e referências

A estrutura deste material foi inspirada pelo artigo de Ivonika no Product Oversee, junto a referências práticas de escolas e blogs de produto (como a Tera, por focar na realidade de produto).

  1. Product Discovery: O Que É, Quando não fazer e Como Fazer — Product Oversee
  2. The Hypothesis Prioritization Canvas — Jeff Gothelf
  3. Product Discovery: o que é, importância e como fazer — PM3
  4. Double Diamond — Tera
  5. Matriz CSD (+ template) — weme
  6. Dot Voting — NN/g
  7. Design Thinking — Alura
  8. Etapas do Product Discovery — UDS
  9. Guia Completo de Product Discovery — Awari
  10. Importância do Product Discovery — Cubos
  11. Discovery e oportunidades — Ateliware
  12. Product Discovery — Venturus
  13. Google AI Studio for Prototyping — Creator Economy
  14. AI as a Product Manager — HelloPM
  15. Google AI Studio Guide — EmasterLabs
  16. Google AI Studio: Idea to Prototype — ShipAi
  17. AI Studio Decision Guide — DataConsultant

Curadoria em andamento (créditos a Thiago Aragão e BBI Chicago): Plano de Estudos (Notion).

Plano de Estudos — Visão de Longo Prazo & Produto

Acervo completo de referências organizado por tema (9 trilhas temáticas, 273 materiais entre livros, artigos, podcasts, vídeos e cursos). Clique em cada trilha para expandir.

Visão De Longo Prazo14 itens
Lean Startup24 itens
Product Development47 itens

Introdução

Metodologias

Agile

Métricas

Prazos em Desenvolvimento

QA

Handover

Product Management & Design98 itens

Intro

Cursos de Product Management

Roadmap

Gestão de Projetos

Product Discovery

Design Sprint & UX

Métricas

Movimento UX

UX/UI Guidelines

Arquitetura

Arquétipos

Gamification

Pessoas50 itens

Geral

Liderança e Cultura

Design Organizacional

Recrutamento

People Analytics

Desenvolvimento

Compensation

Remote Work

Operação10 itens
Marketing6 itens
Ferramentas17 itens
Trends7 itens

Fintech

AI

  • Wait But Buy: The AI Revolution: The Road to Superintelligence (Parte 1) e (Parte 2)

Trilha de Estudos — IA para Produtos (Atualizada)

Os cinco pilares originais com links reais e as atualizações essenciais de 2026: Vibe Coding, MCP, AI Evals e Guardrails.

Pilar 1 — Fundamentos

Nivelar o conhecimento em IA e dados para toda a empresa.

Pilar 2 — Automações & Vibe Coding

Validar hipóteses e POCs rapidamente.

Pilar 3 — Agentic AI & MCP

Agentes autônomos que executam tarefas e usam ferramentas.

Pilar 4 — Python & Dados

Programação e análise de dados.

Pilar 5 — Machine Learning

Modelos clássicos com foco em impacto.

Pilar 6 (Novo) — AI Evals & Guardrails

Qualidade, custo e segurança em produção.