IA para Produto e Gestão de Projetos
Engenheiros de IA trabalham com produto e gestão, e esses fluxos também se beneficiam de IA, desde que o julgamento continue humano. Este módulo é prático: atas em que cada tarefa prova de onde veio, priorização que mostra quais estimativas realmente mudam a decisão, e prazos comunicados como probabilidade, não como promessa.
cd o-arco/curso-ia/codigo/modulo-13/python
pip install -r requirements.txt
python 02_priorizacao_rice.py && python 03_previsao_monte_carlo.py # sem API13.1 Requisitos e histórias de usuário com IA
- Do pedido vago à história: a IA transforma "o cliente não consegue parear" em histórias com critérios de aceite. Peça critérios testáveis e casos de borda (Módulo 7.3).
- A IA faz as perguntas que faltam: peça uma lista de ambiguidades e decisões em aberto antes das histórias. É o uso mais valioso, porque expõe o que ninguém decidiu.
- Evidência, não intuição: agrupar centenas de chamados de suporte por tema (Módulo 2.7, batch) dá o "alcance" real de um problema. Os 340 chamados de pareamento da reunião do lab vieram daí.
- Cuidado: histórias geradas parecem completas e não são. Revise com quem entende o usuário.
13.2 Priorização: o que realmente decide a ordem
LAB 13.2 — RICE com análise de sensibilidade
# item RICE
1 Corrigir travamento ao abrir programações 10000
2 Aviso de rede 5 GHz no pareamento 7200
3 Modo escuro no app 1800
...
Se alcance e esforço puderem errar ±50% (5000 simulações):
item chance de ser o 1º posição típica
Corrigir travamento ao abrir programações 70% 1–2
Aviso de rede 5 GHz no pareamento 30% 1–2
Modo escuro no app 0% 3–4
Assistente de IA no suporte do app 0% 3–5A discussão "o travamento ou o aviso de 5 GHz primeiro?" é quase um empate dentro da incerteza. Já o "assistente de IA no suporte", que costuma gerar entusiasmo, não chega ao topo em nenhuma das 5 mil simulações. O lab mostra onde vale gastar tempo: melhorar as estimativas que mudam a decisão, não debater as que não mudam.
O mesmo raciocínio vale para WSJF (custo do atraso ÷ tamanho) ou MoSCoW. A IA ajuda a estimar e a explicar; a ordem final é decisão de produto.
Quiz rápido
Na análise de sensibilidade do RICE, dois itens dividem o 1º lugar em 70% e 30% das simulações. O que isso indica?
Quando a ordem muda com erros plausíveis nas estimativas, debater a ordem rende menos que medir melhor o alcance ou o esforço.
13.3 Reuniões: decisões e tarefas verificáveis
Resumir uma reunião é fácil; o risco é a ata inventar uma tarefa, um responsável ou um prazo que ninguém disse. O lab exige que cada item cite o trecho exato da transcrição, e o código confere se o trecho existe. Item sem citação real não vai para o board.
python 01_reuniao_para_tarefas.py # gera tarefas_board.csvNa transcrição de exemplo, uma boa extração separa:
- Tarefas com dono e prazo: aviso de 5 GHz (Elisa, versão de 15/11); código da etapa nos logs (Diego, sexta); falar com o jurídico (Carla, esta semana).
- Decisão: adiar o plano anual para dezembro.
- Risco: plano anual junto com a Black Friday sobrecarregar o checkout.
- Pendência sem dono: revisar as notas da loja de aplicativos. Não vira tarefa de ninguém por conta própria.
13.4 Previsão de prazos com Monte Carlo
Vazão histórica: [4, 6, 3, 5, 7, 2, 5, 4, 6, 5, 3, 8, 4, 5, 6, 4] (média 4.8 itens/semana)
Itens restantes: 42 · início: 02/11/2026
confiança semanas data
50% 9 04/01/2027
70% 10 11/01/2027
85% 10 11/01/2027
95% 11 18/01/2027Em vez de estimar cada tarefa em horas, o lab usa quantos itens o time realmente conclui por semana e simula 10 mil futuros possíveis. Comunique a data de 85% para compromissos externos e a de 50% como meta interna. A IA entra antes disso: quebrar épicos em itens de tamanho parecido e detectar dependências que a simulação não vê.
Quiz rápido
Para um compromisso com cliente, qual data da previsão Monte Carlo comunicar?
A de 50% falha metade das vezes. Compromissos externos usam um percentil alto.
13.5 Relatórios de status e automação de ferramentas
- Um relatório, vários públicos: o mesmo dado de sprint vira um parágrafo para a diretoria (risco e data), uma lista para o time (bloqueios) e um e-mail para o cliente. Gere a partir dos dados do board, não da memória de alguém.
- Automação de ferramentas: Jira, Linear, Trello, Notion e Slack têm APIs e, cada vez mais, servidores MCP (Módulo 5). Um agente pode criar e atualizar cards, com as mesmas regras do Módulo 6: escrita registrada e ações em massa só com aprovação.
- Rastreabilidade: cada card criado por IA guarda a origem (a citação da reunião, o chamado, o documento).
- Métricas que importam: tempo de ciclo, vazão, itens bloqueados. A IA ajuda a explicar variações ("por que a vazão caiu?"), não a substituir a conversa com o time.
Projeto do módulo: da reunião ao board
- Use o lab 13.3 com transcrições reais (com consentimento) de 3 reuniões. Meça quantas tarefas foram descartadas por citação inválida e quantas estavam corretas.
- Envie as tarefas válidas para uma ferramenta real (API ou servidor MCP), com confirmação antes de criar.
- Gere um relatório semanal para dois públicos a partir dos dados do board.
- Rode a previsão Monte Carlo com o histórico real do seu time e compare com a estimativa que vocês dariam.
Critérios de avaliação
| Critério | Peso |
|---|---|
| Extração verificável, com medição de acerto | 35% |
| Integração com ferramenta real, com confirmação | 25% |
| Relatórios para públicos diferentes | 20% |
| Previsão com dados reais | 20% |
Recursos para aprofundar
- RICE: simple prioritization for product managers · o artigo original do método
- ActionableAgile · previsão por fluxo e Monte Carlo
- MCP · para conectar agentes a Jira, Linear, Notion e Slack