Dicionário de Inteligência Artificial PM3

Build vs. Buy vs. Integrate

É a decisão sobre como obter uma capacidade de IA. Construir: treinar ou ajustar um modelo próprio, controlando tudo. Comprar: adquirir um produto pronto com IA embutida. Integrar: usar um modelo de fornecedor via API e construir o produto em volta, com prompts, RAG, ferramentas e evals. Em 2026, a maioria das capacidades é “integrar”. Construir se justifica por diferenciação, custo em escala ou restrição de dados. A opção “integrar” não existia no dilema clássico e hoje é a dominante.

Customer Satisfaction Score / Net Promoter Score

CSAT (satisfação do cliente) mede a satisfação com uma interação específica, geralmente em escala de 1 a 5: “como foi este atendimento?”. NPS (Net Promoter Score) mede a lealdade geral pela pergunta “de 0 a 10, quanto você recomendaria?”, com promotores (9 e 10), neutros (7 e 8) e detratores (0 a 6). Para IA, o CSAT pós-interação é o sinal mais direto de qualidade percebida; o NPS mede o efeito acumulado no relacionamento. São métricas clássicas de experiência que continuam relevantes para produtos com IA.

Decision Memo / Decision Record

É um documento curto, de uma a duas páginas, que registra uma decisão: o contexto, as opções consideradas, os critérios, a escolha, os riscos aceitos, o que faria reverter e quem decidiu. Para IA, é o artefato que fecha um piloto (escalar, ajustar ou parar), registra a escolha de modelo ou fornecedor, ou define o nível de autonomia, sempre com os números que sustentam. Tem raízes nas narrativas de decisão da Amazon e nos registros de decisão de arquitetura.

Product Discovery for AI / AI Opportunity Assessment

É o processo de identificar e validar oportunidades antes de construir, adaptado ao que a IA exige. Além de desejabilidade, viabilidade e valor, avalia se há dados suficientes e acessíveis, se o problema tolera erro probabilístico, se o custo por transação cabe, se o risco (privacidade, viés, segurança) é aceitável e se existe capacidade humana para supervisionar. Também inclui verificar o que já é possível fazer com ferramentas existentes antes de construir algo próprio. É o discovery tradicional com perguntas adicionais que a natureza probabilística da IA impõe.

Spec-driven Development / Executable Specification

É a prática de escrever a especificação de forma precisa o bastante para que ela vire teste, eval ou instrução direta para o modelo, em vez de um documento que alguém interpreta. Para IA, isso significa que o PRD gera o conjunto de avaliação (cada requisito vira casos com resposta esperada), o system prompt e os critérios do juiz. Com agentes de codificação, a especificação é o input principal e o código é derivado dela. Tem raízes em práticas de engenharia dos anos 2000 e ressurgiu com força em 2025.

Explicit / Implicit Feedback

Feedback explícito é quando o usuário avalia diretamente: polegar para cima ou para baixo, nota, correção, “isso não ajudou”. Feedback implícito é inferido do comportamento: copiou a resposta, reformulou a pergunta, abandonou, pediu humano, reabriu o chamado. O explícito é raro e enviesado (quem responde não é representativo). O implícito é abundante e ambíguo. Juntos, alimentam evals, priorização e, com cuidado, retreinamento.

Human Review Queue / Escalation Design

É o mecanismo operacional que recebe os casos que o sistema de IA não deve resolver sozinho (baixa confiança, alto valor, regra de negócio, pedido do usuário) e os entrega a pessoas com contexto suficiente para decidir rápido: a resposta sugerida, as fontes, a confiança, o motivo do encaminhamento e as ações disponíveis. Inclui priorização, prazo de resposta e devolução do resultado como aprendizado para o sistema. É a interface operacional do Human-in-the-Loop.

Perceived Latency

É o tempo que o usuário sente esperar, que é diferente do tempo técnico. Uma resposta que começa a aparecer em 0,5 segundo e termina em 8 parece mais rápida do que uma que aparece inteira em 4. As técnicas para melhorar a percepção incluem streaming, indicador de progresso com etapas (“buscando no contrato...”), resposta parcial imediata e processamento assíncrono com notificação. A pesquisa de Jakob Nielsen dos anos 1990 estabeleceu limites que continuam válidos: 0,1 segundo parece instantâneo; 1 segundo mantém o fluxo; 10 segundos é o limite da atenção.

Usage-based Pricing / Consumption Pricing

É o modelo de cobrar proporcionalmente ao consumo (mensagens, tarefas, documentos, tokens, “créditos”) em vez de uma assinatura fixa por usuário. Alinha a receita ao custo (que em IA é variável) e ao valor (o cliente paga pelo que usa), mas dificulta a previsibilidade para o comprador e exige medição precisa. Modelos híbridos, com assinatura mais franquia e excedente, são comuns. É o modelo dominante em produtos de IA por causa do custo por token.

North Star Metric / Metrics Tree

A North Star Metric é a métrica única que melhor representa o valor entregue ao cliente e que puxa o crescimento do negócio: tarefas resolvidas sem atrito, documentos processados corretamente. A árvore de métricas é a decomposição da North Star em fatores mensuráveis e acionáveis (volume, taxa de sucesso, qualidade, custo), até chegar às métricas técnicas (fidelidade, latência, contenção) que o time controla. Juntas, ligam o que o time de IA mede ao que o negócio sente.

Synthetic Persona / Synthetic User

É um perfil de usuário simulado por um modelo de linguagem, construído a partir de dados reais de pesquisa (entrevistas, tickets, segmentos), usado para testar hipóteses, roteiros e mensagens antes de ir a campo, gerar variações de perguntas para evals e explorar cenários. Não substitui pesquisa com pessoas: reproduz o que o corpus já contém, com viés de média e tendência a concordar. Surgiu na pesquisa acadêmica em 2023 e chegou ao discovery de produto em 2024.

Proof of Concept / Minimum Viable Product / Pilot

São três etapas de validação com propósitos diferentes. A PoC (prova de conceito) é a prova técnica de que a abordagem funciona em condições controladas: dias de trabalho, dados de amostra, sem usuários. O MVP é a menor versão que entrega valor a usuários reais e gera aprendizado: semanas, com evals, fallback e monitoramento mínimos. O piloto é o MVP em escopo limitado de produção (uma unidade, um segmento), com critérios de sucesso definidos para decidir escalar, ajustar ou parar. Em IA, cada transição exige uma avaliação que confirme que a etapa anterior sustenta a seguinte.

AI Product Requirements Document

É o documento de requisitos que, além de problema, usuário, valor e escopo, especifica o que um sistema probabilístico exige: critérios de sucesso mensuráveis com limiar, o conjunto de avaliação e como será construído, o comportamento em caso de erro (fallback, recusa, escalonamento), o nível de autonomia e as ações permitidas, os dados e suas bases legais, o custo por transação alvo, os riscos e mitigações, as métricas de monitoramento e o critério de desligamento. Cada requisito precisa ser verificável por eval ou por métrica. É a evolução do PRD tradicional para produtos em que o comportamento não é exato.

AI Product / AI-powered Product

É um produto cujo valor central depende de um modelo que aprende com dados e cujo comportamento é probabilístico: a mesma entrada pode gerar saídas diferentes, o desempenho varia por segmento de usuários e degrada com o tempo se não for mantido. Difere de software determinístico em um ponto essencial: não se especifica o comportamento exato, e sim o resultado esperado, a tolerância a erro e o que acontece quando ele erra. A distinção entre “produto de IA” (o modelo é o núcleo) e “produto com IA” (o modelo é uma funcionalidade) ajuda a entender quanto a operação do modelo define o roadmap.

User-facing Transparency / Uncertainty Disclosure

São os padrões de interface que comunicam ao usuário o que a IA é e quanto confiar nela: identificar que é IA, explicar o que pode e não pode fazer, mostrar fontes, sinalizar incerteza (“não tenho certeza, confirme com...”), indicar quando uma resposta foi gerada ou recuperada, e dar saída fácil para um humano. O objetivo é calibrar a confiança do usuário para o nível real de confiabilidade do sistema. Guias do Google e da Microsoft consolidaram essas práticas a partir de 2019.

AI Unit Economics / Total Cost of Ownership

É a análise de custo e valor por unidade de uso (conversa, tarefa, documento): custo de modelo, ferramentas, infraestrutura, revisão humana e operação, contra o valor gerado (economia, receita, retenção). O custo total de propriedade (TCO) inclui o que a fatura do fornecedor não mostra: evals, base de conhecimento, monitoramento, time, retreinos, incidentes. Diferente de software tradicional, o custo marginal de IA não tende a zero: cada uso custa.

Vibe Check / Vibe Coding

Vibe check é a avaliação informal e rápida de um modelo ou prompt: testar algumas entradas e ver se “parece bom”. Útil para explorar; perigoso como critério de decisão. Vibe coding é construir software descrevendo a intenção a um agente de código e aceitando o resultado sem ler o código, iterando pela conversa. Acelera protótipos; sem revisão e testes, gera dívida invisível. Ambos os termos vêm da cultura de engenharia de IA de 2023 a 2025.