Durante a maior parte da era empresarial moderna, a vantagem competitiva pertencia a quem tivesse as melhores ideias. Ideias melhores significavam produtos melhores, o que significava mais clientes, o que significava mais receita e lucro. Toda a indústria da inovação – consultorias, empresas de design, retiros de brainstorming movidos a post-its e litros de La Croix – foi construída sobre essa premissa: se você conseguisse gerar mais e melhores ideias do que seus concorrentes, você venceria.
A IA fez essa vantagem evaporar.
A IA generativa transformou a ideação em uma commodity. Hoje, qualquer um com uma assinatura de US$ 20 para uma ferramenta de IA generativa pode gerar instantaneamente 100 conceitos de produtos. Isso tornou a matéria-prima da inovação – as ideias – tão abundante, acessível e barata quanto a eletricidade. E aqui está o ponto sobre a eletricidade: ninguém compete por ela. Você compete pelo que constrói com ela. O que significa que a vantagem competitiva mudou pda solução para o problema – especificamente, para como você identifica e “emoldura” o problema em primeiro lugar.
Isso é algo que ensino há anos – para executivos, alunos de MBA e outros – desde a minha época como designer na Ideo. Chama-se “pergunta zero”, a pergunta antes da pergunta. Antes de perguntar: “Como resolvemos isso?”, você precisa perguntar: “Estamos ao menos olhando para o problema certo?”. A qualidade da inovação sempre foi determinada pela qualidade do framing do problema. Mas, até recentemente, a maioria das organizações conseguia se safar com uma definição de problema medíocre. Por quê? Porque as ideias eram escassas o suficiente para serem valiosas por si só.
Isso não é mais verdade. Quando todos têm acesso ao mesmo mecanismo de geração de ideias, a vantagem que resta é a percepção que indica o rumo certo para o seu negócio. A IA gen não lhe dará essa percepção, embora possa revelar dados e padrões que ajudem “a enxergá-la”. Vamos examinar por que as empresas continuam a definir o problema errado, exemplos de startups e empresas consolidadas que reformularam seus problemas com sucesso e como começar.
Por que a maioria define mal o problema
Se a definição do problema é tão importante, por que todo mundo é tão ruim nisso?
Isso acontece porque os “melhores” problemas – aqueles que levam às soluções mais valiosas e verdadeiramente diferenciadas – quase sempre estão ocultos. E estão ocultos por um motivo específico e irritante: as pessoas que os vivenciam não podem falar sobre eles.
Este é um assunto que meu colega Loran Nordgren e eu abordamos amplamente em nosso livro, The Human Element. Os usuários experimentam atrito com seu produto, seu serviço, toda a sua categoria – mas não conseguem explicá-lo. Eles sabem como se sentem, mas não “por que” se sentem assim. O atrito é real. A autoconsciência é inexistente.
Pergunte a um cliente por que ele abandonou seu aplicativo e provavelmente ele dirá: “Estava ocupado demais”. A verdadeira resposta – aquela escondida nos recônditos emocionais do cérebro dele – pode ser que o processo de integração o fez sentir como se tivesse entrado acidentalmente em uma aula de cálculo avançado. Ele não vai te dizer isso, porque nem sequer sabe que foi isso que aconteceu. Ele só sabe que parou de abrir o aplicativo.
Isso significa que o conjunto-padrão de ferramentas para identificação de problemas – pesquisas, grupos focais, indicador NPS, relatórios trimestrais de opinião do cliente – captura apenas o que as pessoas conseguem e querem articular. A má notícia é que o que as pessoas conseguem e querem articular é, na melhor das hipóteses, o problema superficial. Compreender o problema superficial leva a soluções incrementais que, por definição, não são diferenciadas. Você acaba competindo por funcionalidades, depois por preço e, por fim, por “impacto”. Isso não é uma estratégia; é uma lenta descida rumo ao esquecimento comoditizado.
O problema mais profundo – o problema reformulado, aquele que vale a pena resolver – reside na lacuna entre o que as pessoas “dizem” e o que “fazem”. Encontrar essa lacuna sempre exigiu o tipo de observação profunda e paciente e entrevistas investigativas que a maioria das organizações não pode se dar ao luxo de fazer ou sente que não tem tempo para fazer; é algo que não se presta facilmente a uma estrutura simplista de 2×2 em uma apresentação de PowerPoint. Então, a maioria das empresas simplesmente pula essa etapa e vai direto para o brainstorming, que consideram a parte divertida.
A IA muda essa equação. Não porque substitua a intuição humana – a IA não tem intuição; ela tem reconhecimento de padrões e um tom de incentivo implacável à la Stuart Smalley –, mas porque ela consegue revelar os padrões comportamentais que “levam à” intuição humana em uma escala e velocidade que nenhuma equipe humana consegue igualar.
Em última análise, portanto, a IA não é a percepção em si, mas o telescópio de alta potência que torna a percepção visível.
Startups que venceram reformulando problemas
A prova mais clara de que reformular problemas gera diferenciação vem de startups que se destacaram de forma significativa nos últimos dois anos – não por terem tecnologia melhor, mas por fazerem a “Pergunta Zero” sobre problemas que todos os outros haviam formulado de maneiras menos originais.
Considere o Cursor, um editor de código com inteligência artificial que atingiu US$ 1 bilhão em receita anualizada e valuation de US$ 29 bilhões em 2025. Todas as outras empresas do setor abordaram o problema da mesma forma: “Como podemos ajudar os desenvolvedores a escrever código mais rápido?”. O GitHub Copilot já estava resolvendo isso, e resolvendo bem. Mas os fundadores do Cursor – quatro graduados do MIT que mal tinham idade para alugar um carro sem taxas extras – enxergaram algo diferente. Os desenvolvedores não estavam, na verdade, gastando a maior parte do tempo escrevendo código. Eles estavam gastando tempo “lendo” código: navegando por bases de código desconhecidas e tentando entender o que alguém havia construído três anos antes, às 2h da manhã. O gargalo não era a composição. Era a compreensão.
Essa reformulação – de “escrever mais rápido” para “compreender melhor” – gerou um produto completamente diferente, uma empresa completamente diferente e um resultado completamente diferente, de valor muito superior. Mesmo mercado. Mesma tecnologia subjacente. Problema resolvido de maneira muito diferente.
Enquanto isso, o Speak, um aplicativo de aprendizado de idiomas que arrecadou US$ 78 milhões e atingiu valuation de US$ 1 bilhão no final de 2024, conta a mesma história em um domínio diferente. A pergunta óbvia no setor era: “Como podemos ensinar gramática e vocabulário de maneira mais eficaz?”. Todos os concorrentes estavam nessa corrida, e o Duolingo estava ganhando com folga.
Os fundadores do Speak reformularam o desafio: “Por que pessoas que estudam um idioma por anos ainda têm medo de abrir a boca e falar?”. A resposta não é que haja um gap de conhecimento. É um gap de confiança – o medo de parecer tolo na frente dos outros. Mas ninguém descreve seu problema dessa forma. Nenhum estudante de idiomas entra em uma aula e diz: “Estou aqui por vergonha”. Eles dizem que precisam de mais prática.
A Speak criou um parceiro de conversação com IA que permite aos alunos usar o subjuntivo de forma incorreta sem que ninguém os repreenda, oferecendo em seguida uma correção suave. A tecnologia é impressionante. Mas o que realmente fez a diferença foi a reformulação. O verdadeiro problema nunca foi o aprendizado em si, mas sim o atrito emocional em torno dele.
No setor de produtividade, a Fireflies.ai reformulou um problema comum em reuniões. Enquanto todos perguntavam: “Como podemos encurtar as reuniões?”, a Fireflies questionou: “E se o verdadeiro desperdício não for a reunião em si, mas tudo o que acontece ‘depois’ dela?”. Isso inclui as horas gastas escrevendo resumos que ninguém lê, correndo atrás de tarefas que ninguém recorda e lembrando gentilmente o Kevin de que ele, de fato, concordou com o prazo na terça-feira passada. A reunião não era o problema; era a evaporação do resultado da reunião. Essa reformulação gerou um produto com o qual o pessoal do “reuniões mais curtas” não conseguiu competir, porque, mesmo que estivessem criando uma solução realmente melhor, estavam no lugar errado desde o início.
Em todos os casos, essas startups não superaram a concorrência em ideias. Elas “superaram” a concorrência em sua abordagem. Elas enxergaram o mesmo mercado e encontraram um problema diferente dentro dele – um problema que levou a uma solução que ninguém mais estava criando porque ninguém mais havia visto o problema da mesma forma que elas. As ideias nunca foram o gargalo; a originalidade na definição do problema, sim.
Empresas incumbentes podem usar IA para reformular
As startups mencionadas acima alcançaram reformulações inovadoras por meio da intuição e da proximidade. Organizações consolidadas podem fazer o mesmo por meio da observação comportamental em larga escala, impulsionada por IA. Há diversos exemplos disso entre algumas das empresas mais conhecidas. O padrão é notavelmente consistente: o agente de IA não gera a reformulação; ele revela os dados e padrões comportamentais que a tornam possível. O ser humano ainda precisa ter a percepção, mas a IA garante que haja algo a ser observado.
Por exemplo, a Netflix passou anos definindo seu principal desafio como um problema de gênero de produções audiovisuais: “Quais gêneros este assinante prefere?”. O trabalho da IA era associar os usuários a categorias – perfeitamente razoável, mas também, como se viu, uma abordagem simplista do problema. Ao usar IA para observar o comportamento em larga escala, a Netflix descobriu algo que nenhuma sessão de grupo focal teria revelado: as pessoas não navegavam por gênero. Elas navegavam por “humor”.
A diferença entre uma sexta-feira à noite com amigos e um domingo sozinho depois de uma semana ruim não é uma distinção entre ação e comédia; é uma questão de estado emocional. Ninguém jamais enviou um pedido de recurso dizendo: “Deixe-me pesquisar com base em como me sinto”. Mas os dados comportamentais eram inconfundíveis.
Para capitalizar essa observação, em 2025 a Netflix começou a testar uma busca com inteligência artificial que permite aos usuários descrever o que desejam assistir, em vez da categoria que procuram. A mudança de perspectiva – da preferência por gênero para a necessidade emocional – não surgiu de um planejamento de produto. Surgiu da atenção ao que as pessoas realmente faziam, em larga escala.
Outro exemplo é o sistema de IA do Duolingo, o Birdbrain, que revelou uma mudança de paradigma que nenhum criador de currículo havia considerado. Ao analisar bilhões de pontos de dados em dezenas de pares de idiomas (a língua materna do aluno e o idioma que está sendo aprendido), o Birdbrain descobriu que certas combinações apresentavam taxas de abandono dramaticamente mais altas, mas em padrões inesperados. Falantes de espanhol aprendendo português, por exemplo, eram mais propensos a parar de usar o aplicativo quando trabalhavam em lições onde os dois idiomas eram quase idênticos do que quando diferiam: a similaridade gera excesso de confiança.
Especificamente, os alunos avançavam pelas lições sentindo-se ótimos, gabaritando os testes, colecionando pequenos troféus digitais – até que, silenciosamente, pararam de abrir o aplicativo por completo. Todo esse reforço os fazia sentir que dominavam o novo idioma, quando, na verdade, teriam dificuldades para usá-lo no mundo real. Nenhuma pesquisa teria detectado isso. As pessoas não relatam a confiança como um problema – elas a relatam como uma virtude.
A antiga abordagem: “Como tornar as aulas mais envolventes?”. A nova abordagem: “Onde a falsa confiança está silenciosamente destruindo a retenção?”. Esse segundo problema pode levar a uma solução fundamentalmente diferente – e melhor –, como testes de domínio mais sutis para pares de idiomas mais semelhantes.
Em um domínio diferente, focado no consumidor, a IA da Procter & Gamble vasculhou fóruns de pais e mídias sociais e revelou um sinal comportamental que nenhuma equipe de produto teria pensado em procurar: pais estavam usando produtos de cuidados com a pele “para adultos” em seus bebês. Não era porque eles eram fãs da marca minimalista da CeraVe, mas porque haviam desistido completamente de produtos específicos para bebês: eles haviam decidido que toda a categoria era ineficaz ou repleta de substâncias químicas em que não confiavam.
A antiga abordagem: “Como podemos criar uma loção para bebês melhor?”. A nova abordagem: “Por que os pais pararam de acreditar em nós?”. Isso não é um problema de produto. É um problema de confiança. E essa nova abordagem muda tudo: o produto, a mensagem, toda a estratégia de entrada no mercado. Não se resolve uma crise de credibilidade apenas com “novo e melhorado”. A P&G aproveitou essa nova abordagem para se conectar e educar melhor os pais por meio de táticas como personalização do produto e feedback em tempo real sobre qualidade e inovação.
E então temos o exemplo mais metalinguístico de todos. A Anthropic, empresa por trás do modelo de IA Claude, criou uma ferramenta chamada Clio (Claude Insights and Observations) que usa IA para observar como milhões de pessoas usam IA. (Sim, ela criou uma IA para observar pessoas conversando com suas IAs.)
A Clio agrupa milhões de conversas e revela padrões de comportamento invisíveis no nível individual. Descobriu, por exemplo, que os usuários japoneses discutem desproporcionalmente sobre cuidados com idosos – uma tendência cultural e um sinal observável apenas em grande escala. Além disso, constatou que usuários em crise chegam por meio de caminhos de conversa específicos que os filtros de segurança de mensagem única ignoram completamente.
Posteriormente, em uma descoberta particularmente reveladora, constatou que os próprios sistemas de segurança do Claude estavam, simultaneamente, recusando solicitações inofensivas (“encerrar um processo” em um computador) enquanto ignoravam algumas solicitações genuinamente preocupantes que poderiam ter colocado pessoas em risco no mundo real.
A pergunta original da Anthropic era: “Como podemos tornar nossos filtros de segurança mais precisos?”. A nova abordagem: “Estamos medindo a segurança com a unidade de análise completamente errada”. Essa percepção e a reformulação não apenas aprimoraram o produto, como também mudaram a compreensão da empresa sobre qual era o problema.
Três passos para começar
Como os exemplos sugerem, a cadeia de reformulação funciona assim: melhores dados comportamentais levam a uma melhor reformulação do problema; uma melhor reformulação leva a soluções mais inovadoras; e soluções mais inovadoras levam a produtos, serviços e negócios mais diferenciados. E isso é tudo o que importa quando a IA transforma a geração de ideias em algo que qualquer pessoa pode fazer de pijama. Aqui estão três maneiras de iniciar o ciclo na sua organização.
- Revele a discrepância entre o que as pessoas dizem e o que fazem. Direcione suas ferramentas de IA para registros de suporte ao cliente, postagens em fóruns, menções em mídias sociais e dados de avaliações. Procure especificamente por soluções alternativas – gambiarras, correções improvisadas, maneiras pelas quais as pessoas usam seu produto que você nunca imaginou e que provavelmente consideraria até mesmo levemente ofensivas. Desenvolvedores que passam 70% do tempo lendo o código de outras pessoas são uma solução alternativa. Pais que usam CeraVe em seus bebês são uma solução alternativa. Estudantes de idiomas que tiram notas máximas em todos os testes, mas se recusam a pedir um café no idioma que estudam há três anos, são uma solução alternativa. Cada solução alternativa é uma reformulação em potencial.
- Analise a definição dos seus problemas antes de gerar soluções. Reúna sua equipe e escreva o problema que vocês estão resolvendo no momento – aquele que norteia o planejamento estratégico, o próximo sprint, a grande iniciativa do segundo trimestre. Em seguida, pergunte: “Quando foi a última vez que testamos se este é realmente o problema certo? O que um concorrente poderia ver que nós não conseguimos? E se o oposto da nossa principal hipótese for verdadeiro?” Se a definição do problema não foi questionada nos últimos 12 meses, vocês não estão inovando; estão apenas redecorando.
- Use IA para reformular, não apenas para gerar ideias. A maioria das pessoas pede à IA: “Me dê 10 ideias para X”. Isso funciona se você quiser 10 ideias medianas entregues com confiança. Em vez disso, alimente sua IA com dados comportamentais, soluções alternativas e sinais surpreendentes, e peça a ela para gerar reformulações alternativas do próprio problema. E se o problema não for a retenção, mas o excesso de confiança? E se o problema não for a qualidade do produto, mas a confiança na categoria? E se o problema não for a reunião, mas o que acontece depois? Lembre-se: a IA não vai reformular o problema para você. Mas, se você fornecer as informações corretas, ela ajudará “você” a gerar novas perspectivas que você não teria alcançado sozinho.
Antigamente, ideias eram o recurso escasso. Agora, o recurso escasso – o que realmente impulsiona a diferenciação – é a percepção que reformula um problema. Trabalhar dessa maneira exige uma mudança proativa, passando de resolver o óbvio para resolver o problema “certo”. A IA, apesar de todo o seu poder generativo, revela-se mais valiosa não quando produz respostas, mas quando ajuda a enxergar um problema que você nem sabia que tinha. As empresas que descobrirem isso não vão apenas criar produtos melhores. Elas vão criar produtos que ninguém mais pensou em criar.
David Schonthal é professor de estratégia, inovação e empreendedorismo na Kellogg School of Management da Northwestern University e coautor de “The Human Element: Overcoming the resistance that awaits new ideas”.
