A disciplina de produto já tem um padrão validado, ensinado hoje, para descobrir o que o cliente precisa antes de construir. O que ela nunca resolveu — e não é acidente — é a metade de dentro: o que a própria empresa sabe sobre a própria operação, e nunca perguntou a si mesma.
O framework que existe, tem nome e tem dona
Em 2021, a pesquisadora de produto Teresa Torres publicou Continuous Discovery Habits, e o livro se tornou, nos anos seguintes, a referência mais citada da disciplina — não porque é recente, mas porque é o primeiro framework de descoberta de produto construído para rodar toda semana, indefinidamente, em vez de uma vez por trimestre.
O mecanismo central: um trio de produto — gerente de produto, designer, engenheiro — conduz entrevista estruturada com cliente toda semana, sem exceção, e organiza o que aprende numa Árvore de Oportunidade e Solução, um mapa visual que liga o resultado desejado às oportunidades reais encontradas na conversa, e dessas oportunidades às soluções possíveis. Torres resume o ganho central numa frase que resume também o argumento deste texto: o que importa não é a velocidade de construir. É o Tempo para Aprender — quanto tempo leva entre uma ideia e a validação real dela.
Ela mesma, em entrevista pública, criticou o uso mais comum e mais raso de OKRs — a ferramenta de definição de meta criada por Andy Grove na Intel nos anos 1970 e hoje padrão em quase toda empresa de tecnologia: “vemos muita gente adotando OKR, e o objetivo é ‘lançar o aplicativo Android’. Isso é resultado de trabalho, não resultado de negócio.” Contar entrega não é medir impacto — e Torres aponta isso como o erro mais comum entre equipes que acham que estão medindo outcome e estão, na prática, só contando output.
O que a IA já mudou nesse framework, este ano
Em 2026, a própria comunidade que segue Torres já está atualizando o framework para a era da IA — e o texto mais recente sobre isso, publicado em abril pela Perspective AI, expõe um número que ninguém tinha calculado antes com clareza: uma única entrevista de trinta minutos, no modelo clássico de descoberta contínua, custa entre quatro e seis horas de trabalho humano — identificar amostra, extrair lista do banco de dados, redigir convite, agendar, lidar com reagendamento e falta (taxa de não comparecimento de 20% a 35% em pesquisa B2B não incentivada, segundo o mesmo levantamento), conduzir a ligação, transcrever, marcar trechos, sintetizar.
Um trio de três pessoas dedicando seis horas por semana a uma única entrevista consome cerca de 5% da capacidade da equipe — e esse orçamento desmorona no primeiro prazo apertado, na primeira instabilidade, no primeiro pedido urgente de um executivo. Não é falha do framework. É o custo estrutural de fazer isso com gente conduzindo cada etapa manual.
A solução que o próprio mercado de produto está adotando agora, segundo o levantamento da Perspective AI de abril de 2026: conversa moderada por IA reduz o custo de uma entrevista de seis horas humanas para cerca de trinta minutos de revisão do trio — sem eliminar o trio, sem eliminar o julgamento humano, só eliminando o trabalho mecânico de recrutar, agendar e transcrever.
Onde isso encontra a Zthex — e onde não encontra
Continuous Discovery, mesmo atualizado com IA, continua olhando para fora da empresa — para o cliente, para o mercado, para o que ele quer que ainda não existe. É a metade externa da descoberta, e agora tem framework validado, dona reconhecida e solução de custo comprovada.
A metade interna nunca ganhou o mesmo tratamento. Ninguém publicou um Continuous Discovery Habits para a pergunta “o que a nossa própria operação sabe, e nunca foi perguntado à própria equipe”. Não é porque o problema é menor — o MIT já mediu, no mesmo ano, que 95% dos pilotos de IA corporativa falham exatamente pela ausência desse conhecimento interno, não do externo. É porque a disciplina de produto nasceu olhando para o cliente, e o hábito de olhar para dentro nunca virou framework com nome.
É esse o espaço, tecnicamente vazio, em que a Zthex opera. Mesma lógica de Torres — conversa estruturada, recorrente, com trio definido, medindo tempo até o aprendizado ficar validado — aplicada ao lado que a disciplina inteira esqueceu de nomear: o que o técnico de manutenção, o atendente, a consultora de vendas sabem sobre a própria operação, e que nunca chegou a nenhuma Árvore de Oportunidade porque a árvore de Torres foi desenhada para escutar cliente, não colega.
// não competimos com Continuous Discovery. Ocupamos a outra metade do mesmo problema, com o mesmo rigor de método — só virado para dentro.
OKRs, no rigor que a própria criadora exige
A crítica de Torres a OKR raso também se aplica, ponto por ponto, ao que a Zthex entrega — e vale usar como régua de honestidade, não só de crítica alheia.
Um objetivo mal desenhado seria: “reduzir divergência operacional”. Isso é output disfarçado — não diz o que muda na vida de quem trabalha. Um objetivo bem desenhado, no padrão que a própria Torres defende, precisa nomear o comportamento ou resultado que o número representa: quantos achados saíram do ciclo com destino definido, e quantos desses destinos foram, de fato, implementados — não “quantas conversas aconteceram”, que é output puro, do mesmo jeito que “lançar o app Android” é.
É por isso que o Índice de Divergência da Zthex é medido como linha de base no primeiro ciclo, com a queda avaliada entre ciclos, nunca dentro do mesmo — porque prometer queda no mesmo ciclo seria exatamente o erro que Torres nomeia: contar o output como se fosse o outcome.
O buraco continua lá, esperando por nome
Continuous Discovery resolveu, com rigor e nome reconhecido, a pergunta “o que o cliente quer que ainda não construímos”. Ninguém, ainda, resolveu com o mesmo rigor a pergunta irmã: “o que a nossa própria operação já sabe, e nenhum framework perguntou a ela ainda”.
O que isso ensina sobre método
Três lições, extraídas direto da fonte primária, aplicáveis a qualquer disciplina de descoberta — de cliente ou de operação interna.
Torres provou isso para descoberta de produto. Vale o mesmo para descoberta operacional: o que importa não é quantas conversas aconteceram, é quanto tempo levou entre a operação ter um problema e alguém, com autoridade de decidir, saber sobre ele.
Seis horas viram trinta minutos porque a IA assume o trabalho mecânico — recrutar, agendar, transcrever — não o julgamento. O trio de Torres continua decidindo. Na Zthex, a régua é a mesma: AILA conduz a conversa; a validação do achado continua sempre humana.
É a lição mais simples e a mais ignorada — em produto, em operação, em qualquer disciplina que meça a si mesma.
A metade de fora já tem framework. A de dentro ainda espera por um.
Conteúdo editorial produzido pela Zthex. Fatos sobre terceiros provêm de fontes públicas citadas no texto.
A Zthex estrutura a camada de conhecimento que nenhum sistema mostra. Conversa com quem executa o trabalho, anonimiza antes de gravar e confronta o que foi dito com o que a política determina e o que o registro dos sistemas mostra. Cada divergência vira um achado com origem rastreável.
Republicação assinada e apuração adicional:
zthex.com/imprensa
info@zthex.com
