# Engenharia de contexto em todo o ciclo de Product Management

> Leitura complementar ao **M7** (mapa) e reforço do **M0**.  
> O curso aprofunda discovery → stories → handoff. Este texto mostra que o **mesmo ofício** vale do vision ao pós-produção.

## 1. A tese
A maior transformação em Product Management não é “usar IA para escrever User Stories ou resumir reuniões”. O diferencial é **engenharia de contexto**: fornecer à IA o conhecimento necessário para raciocinar como um PM experiente — e o PM validar a saída.

| | Engenharia de Prompt | Engenharia de Contexto |
|--|----------------------|-------------------------|
| Foco | *O que perguntar* (objetivo, formato, exemplos) | *Como montar o ambiente de conhecimento* para decisão de qualidade |
| Erro típico | Pedido vago bem formatado | Pedido claro sem evidência do produto |
| Resultado | Texto fluente | Texto **útil e auditável** (se o pacote for bom) |

Prompt continua essencial. Sozinho, tem teto.

## 2. O maior erro
```text
Crie uma User Story.
```

O correto é um **pacote estruturado**: empresa, produto, objetivo, mercado, persona, jornada, fluxo, arquitetura (alto nível), eventos, KPIs, roadmap, sprint, backlog, dependências, regras, design system, restrições, histórico, incidentes, APIs, feedback — **o mínimo de alto sinal para aquela tarefa**, não um dump de tudo.

Quanto melhor o contexto (fresco, rotulado, priorizado), maior a qualidade da resposta.

## 3. Contexto vivo (repositório do PM)
Em vez de só documentos estáticos, o PM moderno mantém um **repositório vivo** que alimenta a IA:

| Camada | Exemplos |
|--------|----------|
| **Estratégico** | Visão, missão, OKRs, roadmap, posicionamento, personas, JTBD, proposta de valor |
| **Funcional** | PRDs, épicos, features, stories, AC, regras, fluxos, protótipos, Design System |
| **Técnico** (compreender, não implementar) | Arquitetura alto nível, APIs, eventos, integrações, NFRs, feature flags, releases |
| **Operacional** | Sprint atual, backlog priorizado, bugs, débitos relevantes, incidentes, dependências, riscos |
| **Analítico** | North Star, KPIs, funis, retenção, churn, NPS, feedback, dashboards |

As **4 camadas SpecContext** (produto / referência / tarefa / sessão) são o modo de *empacotar* isso em cada pedido.

## 4. Mapa: onde a IA ajuda (e qual contexto carregar)

O curso pratica em profundidade as etapas 2→11 do mapa abaixo. As demais ficam no playbook: mesma regra (pacote + restrição + validação).

| # | Etapa | IA pode (exemplos) | Contexto mínimo típico |
|---|-------|--------------------|-------------------------|
| 1 | Product Vision | Visões alternativas, SWOT, Lean Canvas, value prop, nichos | Empresa, mercado, clientes, objetivos, concorrentes |
| 2 | Discovery | Hipóteses, padrões, JTBD, personas, OST, journey | Entrevistas, pesquisas, reviews, suporte, analytics |
| 3 | Mercado | Benchmark, pricing, matriz competitiva, regulatório | Segmento, produtos, região, objetivos |
| 4 | Problema | Árvore de problemas, raiz, impacto, hipóteses | Feedback, logs, analytics, entrevistas, métricas |
| 5 | Solução | Alternativas, MVP, experimentos, trade-offs | Problema, usuário, restrições, tech, negócio |
| 6 | Personas | Personas, anti-personas, empatia, JTBD | CRM, analytics, entrevistas, NPS, suporte |
| 7 | Journey | Atritos, momentos críticos, touchpoints | Jornada + evidências (marcar SEM EVIDÊNCIA) |
| 8 | Strategy | Cenários, OKRs/KPIs, prioridades | Mercado, receita, equipe, tecnologia |
| 9 | Priorização | RICE, ICE, WSJF, MoSCoW, ROI, risco | Backlog, esforço, receita, KPIs, roadmap |
| 10 | Roadmap | Releases, conflitos, dependências, gargalos | Capacidade, dependências, prioridades |
| 11 | Requisitos | BRD/PRD, stories, AC, regras, fluxos, exceções | Negócio, UX, APIs, integrações, restrições |
| 12 | Refinamento | Ambiguidades, stories grandes, AC faltando, bordas | Story + DoR + pacote do galho |
| 13 | UX | Inconsistências, a11y, Design System, wires | Fluxos, DS, evidências de usabilidade |
| 14 | Desenvolvimento | Explicar requisitos, regras, exemplos, decisões | Pacote de handoff + abertos |
| 15 | Comunicação | Release notes, FAQs, status, apresentações | Decisões, escopo, público |
| 16 | Planejamento | Estimativas, riscos, milestones | Capacidade, dependências, roadmap |
| 17 | Stakeholders | Resumos, decisões, ações, conflitos | Ata + contexto do tema |
| 18 | Testes | Casos, BDD/Gherkin, edge/negativos | AC + regras + fluxos |
| 19 | Go-live | Checklist, rollback, flags, observabilidade | Release plan + dependências |
| 20 | Pós-produção | KPIs, erros, feedback, conversão | Eventos, logs, NPS, analytics |
| 21 | Analytics | Por que churn subiu? Qual tela perde usuários? | Eventos, GA4/Mixpanel/Amplitude, SQL |
| 22 | Feedback | Agrupar tickets, reviews, redes, NPS | Fontes de voz do cliente |
| 23 | Incidentes | Resume, causa, deploy, post-mortem | Timeline, métricas, mudanças |
| 24 | Evolução | Oportunidades, ROI, comparação de releases | Histórico + KPIs + feedback |

Em todas: **humano decide**; IA acelera; invenção vira pergunta — não backlog.

## 5. Quatro competências do PM na era da IA
1. **Product Management** — estratégia, discovery, delivery, métricas, priorização, liderança  
2. **IA generativa** — capacidades/limites de LLMs, prompting, validação de respostas  
3. **Engenharia de contexto** — organizar conhecimento do produto para respostas consistentes e reutilizáveis  
4. **Decisão baseada em evidência** — contexto + dados + feedback qualitativo + julgamento humano  

O diferencial maduro não é “saber usar ChatGPT”. É **construir e manter o ecossistema de contexto** para a IA atuar como copiloto — da descoberta à evolução contínua.

## 6. O que este curso aprofunda vs o que fica no mapa
| Aprofunda (M1–M6) | Mapa / playbook (M0 + M7 + esta leitura) |
|-------------------|------------------------------------------|
| Discovery, jornada, árvore, stories, protótipo, handoff | Vision → analytics → incidentes (mesmo método) |
| Exercícios no caso FluxoFácil | Checklist de contexto vivo + cadência semanal |

## Fontes
1. Anthropic. *Effective context engineering for AI agents*. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents  
2. Redis. *Context engineering vs prompt engineering*. https://redis.io/en/blog/context-engineering-vs-prompt-engineering/  
3. Marty Cagan. *AI Product Management 2 Years In*. https://www.svpg.com/ai-product-management-2-years-in/  
4. Teresa Torres. *Opportunity Solution Trees*. https://www.producttalk.org/opportunity-solution-trees/  
5. Aakash Gupta. *Context Engineering for PMs*. https://www.news.aakashg.com/p/context-engineering