Construindo um produto do zero com IA.
Com o avanço das ferramentas de inteligência artificial, surgiu uma pergunta prática: até onde e como podemos usar IA em um processo completo de design e criação de produto?
Para responder, criei o LinhaDeChegada.run — uma plataforma voltada ao universo da corrida amadora, desenvolvida com o apoio de IA em todas as etapas, da pesquisa à implementação. O projeto teve um objetivo claro:
Experimentar como a IA pode acelerar, complementar ou até atrapalhar o fluxo real de trabalho em design.
Neste artigo, compartilho o processo, os aprendizados e os limites que encontrei ao testar esse modelo na prática.
Contexto
O projeto partiu da curiosidade de experimentar o uso da IA no processo de design e construção de produto digital, conectado com uma ideia de negócio a partir de experiências do meu círculo pessoal.
O tema que escolhi foi o universo da corrida amadora. Minha namorada é corredora e acompanhei um pouco do processo dela em começar nessa caminhada sozinha, até a mudança quando começou a ter apoio de pessoas profissionais da área.
Usei isso como ponto de partida para testar ferramentas, validar hipóteses e construir um MVP funcional. Fiz um planejamento inicial de qual ferramenta eu usaria em cada etapa do processo.
Discovery e Ideação
A primeira etapa foi mapear o mercado e levantar hipóteses. Para isso, usei o ChatGPT como parceiro estratégico. Pedi que organizasse quais os:
- Principais perfis de corredores amadores no Brasil.Tipos de serviços ou profissionais eles costumam buscar.Canais utilizam para se informar e tomar decisões.Dores ou lacunas ainda não são bem atendidas por soluções atuais.
Com base nesse material, defini algumas teses iniciais de produto — como a dificuldade de encontrar bons profissionais, a pulverização de informações sobre provas e a falta de critérios claros na escolha de serviços.
Transformando hipóteses em pesquisa
A seguir, pedi à IA que me ajudasse a estruturar um formulário para validar essas hipóteses com usuários reais. As perguntas abordavam temas como:
- Como os corredores descobrem profissionais ou assessoriasQuais critérios consideram mais importantes na escolhaComo identificam provas e desafios interessantesO que sentem falta em plataformas atuais
O formulário foi distribuído entre corredores amadores e alcançamos 44 respostas válidas. Isso permitiu levantar evidências concretas que sustentassem (ou não) as direções do produto com base em dados reais — não apenas suposições.
Do dado ao direcionamento
Com os dados coletados, retornei ao ChatGPT para consolidar os padrões e me ajudar a transformar as respostas em decisões de produto. Os aprendizados mais relevantes foram:
- Centralização: corredores usam muitos canais paralelos para encontrar o que precisam, o que gera ruído.Prova social: avaliações e recomendações são critérios de decisão importantes.Objetivos diversos: os corredores têm motivações diferentes — performance, saúde, companhia, retorno de lesão — e precisam de filtros personalizados.
Com base nisso, criamos um business model canvas e definimos as primeiras funcionalidades do MVP:
- Listagem de profissionais com avaliação e contato diretoAgenda de provas com filtro por nível e localizaçãoBusca guiada por objetivos pessoais
Nessa etapa a IA foi importante para agilizar a estruturação e validação de hipóteses, funcionando como uma ferramenta de síntese e apoio à análise crítica — sem deixar de revisar e decidir com base no meu julgamento.
Implementação
Com as decisões de produto definidas, passei para a construção da interface.
Ao invés de usar ferramentas de design tradicionais, optei por construir o MVP com o Lovable.dev — uma plataforma que gera interfaces e sistemas completos a partir de instruções textuais.
Escrevendo a interface
A construção foi feita sem eu ter que desenhar uma única tela. Eu escrevia o que queria e o Lovable traduzia isso em telas navegáveis e back-end funcional, a partir dai eu ia pedindo ajustes específicos de interação e visuals. Em alguns casos, usava o ChatGPT como ponte — transformando minha intenção em comandos mais objetivos, que o Lovable pudesse interpretar melhor.
Descobri existirem dois caminhos:
- Para instruções diretas, o GPT funcionava bem como intermediário.Para explorar possibilidades criativas, escrever direto no Lovable gerava mais variações úteis / pontos de partida.
O desafio de comunicação
Um ponto de atenção foi que o Lovable, em alguns momentos, ia além do que tinha sido pedido — adicionando comportamentos ou interações que eu não queria.
Um dos aprendizados que tive sobre a interação com essas ferramentas foi que é preciso ser específico sobre o que deve ser feito e, principalmente, o que não deve.
A partir desses aprendizados, passei a incluir também o que não deveria ser feito ao final de cada instrução.
Ainda assim passei por momentos frustrantes, onde a comunicação não funcionava, mas esse direcional ajudou bastante a diminuir esses casos — exemplo de direcional que era escrito junto com a instrução do que deveria ser feito:
…Importante: não alterar interface visual nem lógicas que já funcionam
em outras áreas do site. Todas as mudanças devem ser isoladas ao
fluxo de autenticação e dashboard.
Em alguns momentos, também, a ferramenta gerava uma expectativa de resolução que não se concretizava na prática.
Por exemplo, ao identificar um erro em um fluxo e montar um plano de solução, ela criava um botão com o rótulo “Implementar solução definitiva” para dar o comando de executar o plano.
A ação dava a entender que o problema seria resolvido com um clique — mas, na prática, muitas vezes o erro continuava.
A criatividade
Em vários momentos, optei por usar instruções mais abertas no Lovable, como: “Implemente uma solução mais lúdica” ou “Deixe esse fluxo mais agradável visualmente”.
A ferramenta conseguia responder com sugestões criativas que, muitas vezes, traziam direções interessantes para serem exploradas. Ainda que quase sempre fosse necessário refinar os resultados, os caminhos propostos serviam como bons pontos de partida.
Primeira versão
Em aproximadamente uma semana (dedicando grande parte do tempo a ajustes visuais e refinamentos nas interações) finalizei a primeira versão do site que considerei pronta para ser lançada, com:
- Página inicial com seleção de nível, listagem de profissionais e eventos de corrida com filtros por cidade;Cadastro de profissionais e sistema de avaliação;Dashboard administrativo com aprovação de cadastros e controle de avaliações;Plano de eventos integrado ao Google Analytics para acompanhar o comportamento do usuário (o mapeamento de eventos que a ferramenta planejou e implementou foi muito bom).
Tudo isso foi construído sem escrever código ou abrir ferramentas de design visual.
Principais aprendizados
O experimento serviu como um laboratório prático para entender até onde a IA pode ajudar — e onde ela precisa de mais direcionamento humano.
Meus principais aprendizados:
🧠 IA complementa, mas não substitui
Ferramentas de IA podem acelerar etapas como discovery e implementação, mas o olhar crítico e o envolvimento humano continuam indispensáveis. Ao longo do processo, precisei revisar, ajustar e complementar desde as perguntas de pesquisa até as soluções geradas.
✨ Pode ir além de seguir instruções
A IA não serve apenas para executar direções claras. Em vários momentos, ela me ajudou a explorar caminhos que eu não havia considerado, inclusive em contextos mais abertos e criativos. Essa capacidade de gerar alternativas pode ser útil não só para validar ideias, mas para expandi-las.
🗣️ É um aprendizado constante de comunicação
Construir com base em texto exige um novo tipo de precisão. É preciso mais intenção, mais contexto e mais cuidado na forma como as instruções são escritas. Aprender a se comunicar com clareza e objetividade é parte do processo.
🚀 Use e pratique sem medo!
Trabalhar com IA pode gerar frustrações, especialmente quando a comunicação falha ou os resultados não saem como esperado. Mas, com prática e direcionamento, esses ruídos diminuem e as entregas melhoram. No fim, ferramentas de IA se mostram parceiras eficientes para tirar ideias do papel com agilidade.
E o uso de IA continua! Atualmente, estou utilizando o GPT para criar planos de anúncios e estratégias de divulgação nas redes sociais do Linha de Chegada.
O LinhaDeChegada.run está no ar, e o projeto segue evoluindo. Mais do que o produto final, o valor maior desse experimento foi entender um pouco mais e aprender, na prática, como combinar IA com pensamento de produto, com velocidade, mas sem abrir mão da direção.
Conhece algum profissional de corrida ou marca que possa se interessar em divulgar no site e apoiar o projeto? Indique ou compartilhe agora:
🏃 https://linhadechegada.run — @linhadechegada.run
Esse texto foi escrito pelo ChatGPT a partir de áudios que gravei como se estivesse contando como foi o projeto para outra pessoa.
Do discovery à implementação (e além) was originally published in UX Collective 🇧🇷 on Medium, where people are continuing the conversation by highlighting and responding to this story.
