# Contexto no discovery

> Leitura complementar ao **M1**.  
> Como montar o pacote de contexto antes de pedir ajuda à IA no levantamento.  
> Fontes externas de discovery e de engenharia de contexto.

## Ideia central
No discovery, a IA é boa para **expandir hipóteses e perguntas** — péssima para **declarar fatos que você não coletou**.

Teresa Torres (Product Talk) trata discovery contínuo e Opportunity Solution Trees como disciplina de evidência: oportunidades emergem de pesquisa gerativa, não de chute ([Opportunity Solution Trees](https://www.producttalk.org/opportunity-solution-trees/)). Quando ela descreve IA gerando rascunhos de OST, o ponto é explícito: **é rascunho — você revisa com julgamento** ([AI Opportunity Solution Trees](https://www.producttalk.org/ai-opportunity-solution-trees/)).

Por isso o pacote mínimo antes de qualquer prompt de stakeholders/jornada é:

1. Brief curto (problema + quem sofre + restrições conhecidas)  
2. Lista do que já é **fato**  
3. Lista explícita do que é **hipótese**  
4. Pedido: “marque tudo que for hipótese; não invente empresas/pessoas reais”

## Por que isso é engenharia de contexto
Você está escolhendo o que o modelo pode usar como âncora. Sem brief, ele completa com padrões genéricos de mercado (invenção útil na aparência, perigosa no refining).

Isso alinha com a Anthropic: curar tokens de alto sinal, não despejar tudo ([Anthropic](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)). E com Neo4j: excesso mal estruturado dilui atenção — *context rot* ([Neo4j](https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/)).

Falhas típicas no discovery com IA:

- **Espalhado:** esquecer restrição legal ou quote forte do cliente  
- **Velho:** colar persona desatualizado  
- **Excessivo:** 20 páginas sem dizer o que importa agora  

## Protocolo sugerido (30–40 min)
1. Escreva o brief em 8–12 linhas (humano)  
2. Peça à IA um mapa de stakeholders **como hipóteses**  
3. Você prioriza 3 papéis e valida com 1 conversa real  
4. Só então peça perguntas de entrevista para esses papéis  
5. Classifique respostas da entrevista em fato / hipótese / opinião  

## Fontes
1. Teresa Torres. *Opportunity Solution Trees*. https://www.producttalk.org/opportunity-solution-trees/  
2. Teresa Torres. *From Customer Interviews to an Opportunity Solution Tree—In Minutes*. https://www.producttalk.org/ai-opportunity-solution-trees/  
3. Anthropic. *Effective context engineering for AI agents*. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents  
4. Redis. *Context engineering vs prompt engineering*. https://redis.io/en/blog/context-engineering-vs-prompt-engineering/  
5. Neo4j. *Context engineering vs prompt engineering*. https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/  
6. Marty Cagan. *AI Product Management 2 Years In*. https://www.svpg.com/ai-product-management-2-years-in/