Quando qualquer empresa pode gerar cem ideias de produto em segundos, o que ainda diferencia quem inova de verdade? A resposta está em uma habilidade anterior à solução: saber identificar o problema certo
A inteligência artificial transformou ideias em um recurso consideravelmente barato. Um assinante de qualquer ferramenta de IA consegue, em minutos, o mesmo volume de conceitos que antes exigia horas de brainstorming entre profissionais especializados. Nesse cenário, onde as empresas podem encontrar seu edge competitivo? Se meu concorrente tem acesso a tantas ideias quanto eu, como me diferencio?
Para David Schonthal, professor da Kellogg School of Management e ex-designer da IDEO, a resposta está em outro lugar. Em um artigo publicado na MIT Sloan Management Review, ele explica que a vantagem competitiva migrou das soluções para a formulação dos problemas.
Quando todos têm acesso ao mesmo motor de geração de ideias, a diferença não está em quem produz mais, mas em quem aponta esse motor na direção certa. Schonthal chama esse passo anterior de “Questão Zero” — a pergunta antes da pergunta: não “como resolvemos isso?”, mas “estamos olhando para o problema certo?”.
Dando um passo para trás
O obstáculo central para formular bem um problema é que os usuários raramente conseguem descrever com precisão o que os incomoda. Schonthal cita a pesquisa que desenvolveu com o colega Loran Nordgren no livro The Human Element, onde concluiu que por mais que as pessoas saibam como se sentem — e seus sentimentos afetem suas decisões e seu comportamento —, na maior parte do tempo, elas não sabem por que se sentem de determinada forma.
De acordo com o pesquisador, ao perguntar a um usuário por que abandonou um aplicativo, a resposta provável é “fiquei ocupado”. Mas a resposta real, que ele não verbaliza porque não tem consciência disso, pode ser simplesmente pois a interface do aplicativo era complicada demais
Pesquisas de satisfação, grupos focais e NPSs capturam apenas o que as pessoas conseguem e querem articular. E o que conseguem articular é, na melhor das hipóteses, a superfície do problema — o que leva a soluções incrementais, concorrência por funcionalidades, depois por preço. Mas o problema mais fundo — e o que realmente importa — fica na lacuna entre o que as pessoas dizem e o que fazem.
Reformulando a pergunta
Schonthal lista alguns casos recentes para ilustrar o que acontece quando uma empresa acerta na formulação antes de gerar soluções.
O Cursor, editor de código com IA que atingiu US$ 1 bilhão (aproximadamente R$ 5 bilhões) em receita e valuation de US$ 29 bilhões (R$ 146 bilhões) em 2025, entrou num mercado dominado por ferramentas já consolidadas, como o GitHub Copilot, que focavam em responder à pergunta “como ajudar desenvolvedores a escrever código mais rápido?”.
Mas os fundadores do Cursor observaram que desenvolvedores não passam a maior parte do tempo escrevendo código, mas lendo: navegando em bases de código desconhecidas, tentando entender o que outras pessoas construíram anos atrás. O gargalo, nesse caso, não era a criação: era a compreensão. A mesma tecnologia, no mesmo mercado, com um diagnóstico diferente: do “escrever mais rápido” para o “entender melhor”. Foi isso levou ao surgimento de uma empresa diferente — e com mais valor — do que as demais.
Já o Speak, aplicativo de aprendizado de idiomas avaliado em US$ 1 bilhão em 2024, chegou a um mercado dominado pelo Duolingo. A pergunta mais comum que as empresas do nicho buscavam responder era: “como ensinar gramática e vocabulário com mais eficiência?”. Mas a Speak olhou para outro problema: por que pessoas que estudam um idioma por anos ainda têm medo de abrir a boca?
A resposta, ao contrário de uma lacuna de conhecimento, é uma lacuna de confiança: o medo de soar ridículo na frente dos outros. Para isso, a empresa construiu um parceiro de conversação com IA que deixa o aluno errar sem medo de julgamentos e, assim, encontrou seu lugar num ramo extremamente competitivo.
Identificando os padrões
Para startups, a reformulação aconteceu por intuição e proximidade com o problema. Para organizações maiores, Schonthal descreve um padrão diferente: usar IA para observar comportamento em escala e deixar que os dados sinalizem onde está a reformulação possível. Em todos os casos que ele apresenta, a IA não gera o insight, mas torna visível o padrão comportamental que permite ao humano ter o insight.
A Netflix passou anos tratando seu desafio central como um problema de gênero: qual categoria este assinante prefere? Mas ao observar comportamento em escala, a empresa descobriu que as pessoas não navegam por gênero, mas por humor.
A diferença entre um programa com os amigos e uma tarde sozinho é uma “vibe emocional”, não de categoria. Os dados comportamentais sugeriram algo que o usuário não pediu, mas queria. Foi por isso que, em 2025, a Netflix começou a testar uma busca por IA que permite descrever o estado de espírito em vez de escolher um gênero de filme ou série.
O próprio Duolingo analisou bilhões de pontos de dados entre dezenas de pares de idiomas e encontrou um padrão curioso: falantes de espanhol aprendendo português abandonavam o app com mais frequência nas lições em que os dois idiomas eram quase idênticos, não nas mais difíceis.
A similaridade entre as línguas gerava excesso de confiança, o que fazia com que os alunos sentissem que dominavam o idioma. Como as pessoas não tendem a reportar confiança como problema, mas como virtude, dificilmente uma pesquisa observaria esse gargalo. O novo problema observado levou a soluções diferentes, como testes de proficiência mais sutis para pares de idiomas mais semelhantes.
A Procter & Gamble (P&G), por sua vez, usou IA para rastrear fóruns de pais e redes sociais e identificou um sinal alarmante: pais estavam usando produtos de skincare adulta em bebês. O movimento não tinha a ver com a afinidade dos pais por determinada marca. Eles apenas consideravam a categoria de produtos voltada para os filhos ineficaz ou cheia de substâncias que não confiavam.
A velha pergunta era “como fazemos uma loção para bebês melhor?”. A reformulação foi “por que os pais pararam de acreditar em nós?”. Ao perceber que o problema era a confiança, a marca reformulou todas as etapas do seu processo: o produto, a comunicação, mesmo a estratégia de mercado.
Mas para Schonthal, o caso mais autoexplicativo é o da Anthropic, empresa criadora do modelo de IA Claude. A companhia desenvolveu uma ferramenta chamada Clio (Claude Insights and Observations), que usa IA para observar como milhões de pessoas usam IA. O Clio agrupa conversas em escala e identifica padrões invisíveis no nível individual. Ela descobriu, por exemplo, que usuários japoneses discutem cuidados com idosos muito mais do que usuários de outras nacionalidades, e que usuários em crise têm caminhos conversacionais diferentes dos que os filtros de segurança de mensagem única conseguem capturar.
Por onde começar?
Schonthal organiza um caminho prático para quem quer iniciar esse processo:
3 . Mapear a lacuna entre o que as pessoas dizem e o que fazem, apontando ferramentas de IA para logs de suporte, fóruns, menções em redes sociais e avaliações com o fim de entender se (e como) os usuários adaptam ou desviam do uso pretendido do produto.
2. Auditar o enquadramento do problema antes de gerar qualquer solução, descrevendo explicitamente qual problema a equipe está resolvendo e perguntando: quando foi a última vez que testamos se este é realmente o problema certo? O que um concorrente poderia enxergar que ainda não vimos? Para Schonthal, se o enquadramento não foi questionado nos últimos 12 meses, a empresa está redecorando, não inovando.
3. Usar IA para reformular, não apenas para idear. Em vez de pedir à IA “me dê 10 ideias para X”, a orientação do pesquisador é alimentar as ferramentas com os dados comportamentais dos usuários e os sinais identificados, e pedir que ela gere formulações alternativas do problema.
O autor destaca, no entanto, que a IA não vai reformular o problema sozinha. Mas com os insumos certos, ela ajuda a chegar a formulações que um brainstorming convencional poderia demorar para enxergar — ou nunca alcançaria.
voltar
