Do problema ao MVP funcional assistido por IA, com validação real
Documentei o processo de descoberta, decisão e construção de um produto de IA educacional, partindo do insight até uma demo pública testável. Este é meu registro de estudo, focado em por que cada decisão foi tomada e o que aprendi ao longo do caminho.
Como este case está organizado
Cada aba conta uma parte do processo de produto:
Problema
A dor que motivou o projeto e por que ela importa.
Solução
O que o produto faz na prática, do ponto de vista de quem usa.
Decisões
As escolhas de produto e o raciocínio por trás de cada uma.
Impacto
Números e evidências do que foi entregue.
Aprendizados
O que ficou como padrão pessoal depois desse ciclo.
Autor
Quem sou e como me encontrar.
O problema
O professor termina a aula sem saber o aluno realmente aprendeu. A avaliação só acontece semanas depois, quando já é tarde para ajustar a próxima aula.
A dor real
Modelos tradicionais de acompanhamento (presença + prova) medem resultado, não compreensão em progresso. O professor investe uma hora de aula sem sinal claro de onde intervir logo depois. Do outro lado, o aluno também fica sem essa referência e só descobre que não entendeu determinado conteúdo quando erra na prova.
Esse gap entre "conteúdo dado" e "conteúdo absorvido" é onde grande parte da desistência escolar acontece silenciosamente. E é onde ferramentas atuais (quiz, LMS, correção manual) não chegam com fluidez.
Quem sente
Professor de curso técnico / preparatório
Tem 30+ alunos por turma, dá 3-5 aulas por semana. Não consegue acompanhar cada um individualmente. Muitas vezes, só identifica uma dificuldade na correção da prova, semanas depois da aula.
Aluno adulto (trabalha e estuda)
Passa a semana absorvendo conteúdo, mas sem retorno. Não sabe onde tá travando até a próxima aula. Quando percebe, outras dúvidas já se acumularam.
Alternativas atuais
Quiz tradicional
Ríspido, sem contexto, sem adaptação. Alunos evadem porque parece prova.
Fórum ou chat
Depende de iniciativa do aluno. Quem mais precisa de ajuda é quem menos pergunta.
Correção manual
Não escala. Professor cansado erra ao classificar 30 respostas semelhantes.
Um agente socrático que conversa depois da aula
Depois de cada aula, o sistema puxa o aluno pelo Telegram e conduz uma conversa curta e provocativa, não uma prova. Cada resposta é analisada por sinais de compreensão. No fim, o professor recebe um relatório acionável.
Como o aluno vê
Recebe convite no Telegram
Canal que já usa. Sem app novo, sem senha, sem cadastro.
Bot faz uma pergunta reflexiva
Ancorada no material da aula específica. Não é quiz genérico.
Aluno responde livremente
Sem alternativas fechadas. O agente escuta e adapta a próxima pergunta com base na resposta.
Conversa curta encerra sozinha
5-7 turnos, ~10 minutos. Muito menor fricção que fazer uma lista de exercícios.
Como o professor vê
Sobe o material da aula
Colando o conteúdo em uma tela simples. Sistema extrai objetivos automaticamente.
Convites são disparados
Para todos os alunos matriculados na turma, no Telegram.
Dashboard mostra as conversas
Nível de compreensão por aluno (0-100), objetivos dominados vs travados, dúvidas recorrentes da turma.
Recomendação pra próxima aula
Sistema aponta quais tópicos merecem reforço, baseado no que a maioria travou.
O que faz ser diferente
Conversa socrática, não quiz
Agente provoca reflexão em vez de pedir resposta certa. Aluno se sente escutado, não avaliado.
Métricas auditáveis
O número que vai pro professor tem base determinística. Não é "achismo da IA".
Confiança sinalizada
Se conversou pouco, sistema admite dado insuficiente. Nada de score inflado.
Ancorado no material específico
Não é bot genérico. Cada pergunta usa o material daquela aula, daquela turma.
Decisões de produto e o raciocínio por trás
Cada escolha aqui tinha um trade-off. Documento as que mais impactaram a experiência e a viabilidade do produto.
Telegram em vez de app próprio
Alunos não precisam instalar nada novo, aprender nova UI ou lembrar mais uma senha. Canal que a maioria já usa. Contra: perdemos algum controle de branding e ficamos dependentes de política de bot do Telegram.
Por que valeu: friccion mínima é o que garante a taxa de resposta. Sem isso, o produto todo colapsa.
Socrático em vez de quiz
Bot pergunta pra provocar reflexão em vez de pedir resposta certa. Contra: exige um prompt design cuidadoso, porque o LLM tende a virar didático se não for restringido.
Por que valeu: a conversa fica mais próxima de uma boa tutoria humana. Aluno se sente escutado, não avaliado. E os sinais coletados (compreensão, articulação) são mais ricos que "acertou/errou".
Cálculo determinístico + prose de IA
O número que vai pro professor (nível 0-100, cobertura de objetivos, confiança) sai de código. IA só escreve o texto qualitativo em cima desses números. Contra: mais camadas pra manter.
Por que valeu: se um professor questionar a nota, eu consigo mostrar exatamente como chegou. IA sozinha me deixaria sem defesa. Isso vira diferencial de confiança pro cliente institucional.
Confiança da síntese explícita
Se a conversa foi curta, o sistema marca "baixa confiança" no relatório. Contra: parece admitir fraqueza do produto.
Por que valeu: honestidade constrói adoção. Professor que age em dado frágil se decepciona rápido e abandona. Sinalizar limite é ganhar credibilidade a longo prazo.
Guardrails como código, não como prompt
Filtros de segurança (dado sensível, off-topic, sofrimento) rodam antes da IA, em regras determinísticas. Contra: menos flexível que instrução textual.
Por que valeu: auditabilidade. Instituição de ensino exige comprovação de que dado do aluno é protegido. Regra em código posso mostrar, prompt eu não consigo garantir.
Stack apropriada para a fase de validação
Escolhi orquestração no-code/low-code em nuvem gerenciada em vez de infraestrutura própria. A prioridade era testar a hipótese com usuário real antes de investir em arquitetura de escala.
Por que valeu: ciclo de descoberta rápido sem comprometer decisões futuras. A construção do MVP tomou cerca de 28h de trabalho técnico, tempo curto para acomodar múltiplas iterações do agente e dos guardrails. Se o produto validar, migrar para stack customizada passa a ser uma decisão de escala baseada em dados, não uma aposta prévia.
Onboarding simplificado para a fase de validação
Para o momento da apresentação, desenhei um caminho paralelo de acesso onde o bot registra o participante ao primeiro contato. A rota formal de convite com token continua funcionando em produção, o auto-cadastro é uma camada adicional só ativa no ambiente de demonstração.
Por que valeu: a janela de validação com a banca é curta. Se o teste exige onboarding, ele não acontece. Manter dois caminhos coexistentes (formal em produção, simplificado em demo) permite validar a experiência real sem abrir mão do modelo definitivo. Depois da apresentação, o ambiente de demo é desligado com um toggle, sem impacto no fluxo principal.
Impacto
Números e evidências do que foi entregue no ciclo de MVP.
Onde foi cada dólar
O modelo LLM em si custou menos de 1 centavo por conversa completa (5-7 turnos + síntese individual + síntese da turma). O gargalo de custo em MVP é o plano fixo do orquestrador, não a IA.
O que foi entregue
Viabilidade financeira
Custo operacional por conversa completa (conversa do aluno + síntese individual + síntese da turma) é uma fração de centavo. Isso torna o modelo mensal por professor viável mesmo em plano baixo, com margem confortável desde o primeiro cliente.
Projeção de escala inicial (10 professores, 5 turmas, 30 alunos, 4 materiais/mês): custo mensal de infraestrutura na casa de dezenas de dólares. Zero preocupação com viabilidade de unit economics.
O que ficou como padrão
Regras que passei a defender depois desse ciclo. Cada uma nasceu de um erro específico.
Sobre construir com IA
Determinístico pra estrutura, IA pra linguagem
Todo campo estruturado onde o LLM tende a alucinar deve ser computado por código. IA fica com prose ancorada nesse dado.
Sempre tenha um plano B para respostas da IA
Quando a IA não responde como esperado, o produto precisa ter uma reação segura pronta. O usuário nunca deve ver uma tela quebrada só porque o modelo se atrapalhou.
Prompt tem limite prático
Depois de ~30 linhas de regras, retornos diminuem. Refactor + few-shot examples supera empilhar restrições.
Honestidade sobre confiança
Sistema deve sinalizar quando não tem base pra afirmar. Confiança inflada corrói adoção mais rápido que ausência dela.
Sobre produto
Ir onde o usuário já está
Telegram em vez de app próprio quebrou barreira de adoção. Fricção mínima = experiência real.
Auditabilidade é feature
Cliente institucional exige comprovação. Regra em código > regra em prompt.
Demo tem que ser 1 clique
Banca tem 5 min pra decidir. Onboarding = teste não acontece.
Trade-off de escala é decisão futura
MVP não precisa da stack de produção. No-code até dar tração é o certo.
Sobre processo
Documentar durante, não depois
Cada bug catalogado na hora vira material de estudo. Depois vira memória perdida.
Cada camada nova traz classe nova de erros
MVP feliz não é produção. Só o edge case revela onde o design furou.
Documentar em tempo real transforma processo em aprendizado
Anotar decisões, dúvidas e escolhas no momento em que acontecem cria um material de estudo permanente. Serve para revisitar o raciocínio depois, aplicar em novos projetos e não repetir os mesmos erros.
Sobre o autor
Meu nome é César Astorga. Sou PM/PO e há mais de 10 anos atuando na área de tecnologia e produto. Minha trajetória envolve conexão entre tecnologia, pessoas e negócios, buscando transformar desafios em soluções. E por fim, este é meu case study público sobre o processo de tirar um produto de IA do papel.
Etapas em que atuei neste projeto
Discovery
Recorte do problema, definição de personas, formulação de hipótese, priorização do escopo de MVP.
Design de solução
Arquitetura conceitual, escolha de trade-offs (canal, formato de conversa, métrica, escopo de dados).
Construção
Prototipagem end-to-end usando stack no-code + IA + banco, com múltiplos ciclos de iteração e correção.
Documentação
Registro do processo (bugs, decisões, custos, aprendizados) em formato navegável para estudo próprio e apresentação externa.
Vamos conversar?
Se você está construindo algo parecido, é PM/PO pensando em como usar IA em produto de verdade, ou é professor/educador querendo experimentar isso com sua turma, vamos conversar. Seria muito bom ouvir experiências e feedbacks de pessoas que estão descobrindo ou trilhando este caminho.
Glossário
Termos que aparecem ao longo deste documento, explicados de forma simples. Sem pré-requisito técnico.
A menor versão possível do produto que já resolve o problema do usuário. Serve para testar a ideia antes de investir muito tempo em detalhes.
A fase inicial onde a gente entende o problema em profundidade antes de decidir o que construir. Envolve entrevistar usuários, mapear alternativas, testar hipóteses.
Documento que define o que o produto vai fazer, para quem, com quais objetivos e critérios de sucesso. Serve como contrato interno da equipe.
Um perfil fictício que representa um tipo real de usuário. Ajuda a equipe a lembrar para quem estão construindo.
Uma escolha entre duas opções onde ganhar uma coisa significa abrir mão de outra. Toda decisão de produto tem trade-offs.
O caminho que um usuário novo percorre para começar a usar o produto. Quanto mais curto e claro, melhor a adoção.
A conta de quanto custa e quanto rende cada unidade do produto. Ajuda a saber se o negócio é viável em escala.
Uma percepção clara e útil sobre o comportamento do usuário. É o que transforma dado em decisão de produto.
Modelo de linguagem grande. É o tipo de IA que conversa, escreve e entende texto. GPT, Claude e Gemini são exemplos.
A instrução escrita que você dá para a IA. Um bom prompt é claro, específico e delimita o que a IA deve fazer.
Uma IA configurada para fazer perguntas em vez de dar respostas prontas. Provoca o aluno a pensar por conta própria.
Técnica onde a IA busca informação relevante em um material antes de responder. Assim a resposta fica ancorada em fonte confiável, não inventada.
Uma regra de segurança que protege o produto de respostas ruins da IA. Filtra conteúdo perigoso, mantém o assunto no escopo, evita expor dados sensíveis.
A menor unidade de texto que a IA processa. Uma palavra costuma ter 1 ou 2 tokens. O custo da IA é calculado por token consumido.
Quando a IA inventa uma informação que parece real mas não é. Um dos maiores desafios de trabalhar com modelos de linguagem.
Uma resposta segura preparada para o caso da IA falhar. O usuário vê algo útil em vez de tela quebrada.
Quando o resultado sai sempre igual para a mesma entrada. Se a nota é calculada por código, é determinística. Se sai da IA, pode variar.
A ferramenta que conecta as outras peças (banco, IA, Telegram) e coordena a ordem em que cada uma acontece.
Ferramenta visual de automação onde a gente desenha fluxos arrastando blocos. Usei como o "cérebro" que coordena o produto.
Serviço em nuvem que oferece banco de dados pronto pra usar, com autenticação e busca inteligente inclusos.
Serviço em nuvem que hospeda sites estáticos de graça. Usei para publicar as telas do dashboard e do upload.
Uma conta automática no Telegram que responde mensagens. O aluno conversa com ela como se fosse uma pessoa.
Ferramentas que permitem construir aplicações com pouca ou nenhuma programação manual. Aceleram a validação da ideia.
Colocar o produto em um ambiente onde outras pessoas podem usar. "Deploy público" significa acessível pela internet.
Um endereço na internet onde o produto responde. Como uma "campainha" que outras aplicações apertam para pedir ou enviar dado.
Uma habilidade específica que o aluno precisa dominar naquele material. Cada aula gera de 3 a 6 objetivos automaticamente.
Uma nota de 0 a 100 que resume o quanto o aluno pareceu entender o material. Calculada de forma auditável, não pela IA.
Um selo (baixa, média, alta) que diz o quanto o relatório do aluno merece ser levado a sério. Se a conversa foi curta, a confiança é baixa.
Quatro dimensões que a IA classifica em cada resposta do aluno: compreensão do conceito, articulação, iniciativa e nível de dúvida.
Relatório por aluno com pontos fortes, pontos fracos e recomendação para o professor sobre o que reforçar.
Visão coletiva. Quando um número mínimo de alunos termina, o sistema agrega os relatórios individuais em uma leitura da turma inteira.
A tela onde o professor vê tudo em um lugar só: notas por aluno, cobertura por objetivo, dúvidas mais comuns e recomendações para a próxima aula.