M0 · Objetivo

Além do prompt: montar o que a IA precisa saber

• Por que o PM precisa dominar IA de verdade
• O que é engenharia de contexto (≠ só prompt)
• Como isso atravessa discovery → stories → handoff — e o ciclo todo

Ao final: “Engenharia de contexto para PM significa ___.”

Leituras: Por que IA para PM · Engenharia de contexto · LLM essencial

Agenda da palestra

O arco em 7 movimentos

• LLM + por que contexto > prompt
• Discovery com evidência
• Jornada → árvore → stories
• Protótipo + handoff + contexto vivo

Cada módulo fecha com uma frase de stage.

Tese

Não é “IA para escrever stories”

• O diferencial é engenharia de contexto
• Prompt = o que perguntar · Contexto = ambiente de conhecimento
• PM moderno: de operacional a orquestrador de inteligência

Fontes: Anthropic · Marty Cagan / SVPG

Nome do método

O que significa SpecContext

SpecContext = montar specs e contexto para produto + IA.

Leitura: O que é SpecContext

SpecContext em uma frase

Não é framework de código

• Não substitui Scrum, Dual Track ou SDD de engenharia
• É o método deste curso: contexto deliberado em cada passo da produtização
• O contexto é montado por humanos; a IA amplifica se o pacote for bom

Por que IA importa para o PM

A IA amplifica o seu método

Fontes: Anthropic · Marty Cagan / SVPG

O diagnóstico

O gargalo costuma ser o contexto — não o modelo

• Demos brilham; produção falha com contexto incompleto ou velho
• Prompt sozinho tem teto; contexto compõe
• Falhas: staleness, scatter, compression

Fontes: Anthropic · Neo4j (context rot) · Redis

Definição

O que é engenharia de contexto

Preencher a janela de contexto com a informação certa para o próximo passo — nem de menos, nem de mais, nem desatualizada.

Formulação amplamente citada (Karpathy), usada em guias para PMs.

Fontes: Anthropic Engineering · Aakash Gupta (cita Karpathy)

Distinção

Prompt ≠ contexto

Fontes: Anthropic · Redis · Neo4j · OpenAI

Fundamentos

O que o PM precisa saber sobre LLMs

• Janela / tokens — só existe o que está no pacote agora
• Probabilidade — fluência ≠ certeza; alucinação preenche lacuna
• Geração ≠ recuperação — sem evidência, a IA inventa com estilo

Não precisa treinar modelos. Precisa saber usá-los.

Leitura: LLM essencial para o PM · OpenAI · Anthropic

Prompt engineering (peça)

Estrutura mínima de um bom pedido

1. Objetivo — o que você quer obter
2. Contexto — o que o modelo precisa saber
3. Restrições — o que não pode inventar / limites
4. Formato — como devolver
5. Critérios + exemplos — padrão de qualidade

Prompt bem feito sem pacote de produto ainda gera ficção bem formatada.

OpenAI — Prompt engineering

Demo

Pedido frágil vs pacote de contexto

Crie uma User Story.

Papel: PM sênior
Contexto: [empresa, produto, persona,
jornada, restrições, KPIs…]
Objetivo: stories do galho X
Considere: LGPD, auditoria, APIs existentes
Retorne: Epic → Features → Stories → AC
Restrição: não inventar; marcar hipótese

Mensagem de stage

O modelo não lê a sua cabeça

• Se não está no pacote, a IA inventa
• Brief + restrições + formato = pacote mínimo
• Playbook reutilizável > chat improvisado

Competências

Quatro disciplinas do PM com IA

1. Product Management — estratégia, discovery, delivery, métricas
2. IA generativa — limites, prompting, validação
3. Engenharia de contexto — conhecimento do produto reutilizável
4. Decisão com evidência — IA acelera; humano decide

Stack do PM

Quatro camadas de contexto

1. Produto — quem somos, quem é o usuário
2. Referência — templates, DoR, princípios
3. Tarefa — o artefato de agora
4. Sessão — o que já foi dito neste chat

Fontes: Anthropic (componentes de contexto) · 4 camadas = síntese pedagógica SpecContext

Alerta técnico (traduzido para PM)

Context rot

Janela grande ≠ contexto bom. Informação demais ou mal estruturada dilui a atenção do modelo.

• Não despeje 20 páginas sem priorizar
• Diga o que é fato vs hipótese
• Peça formato de saída e restrição “não inventar”

Fonte: Neo4j — Why AI teams move to context engineering

Regra de ouro do curso

Fato · Hipótese · Invenção

• Bom: criticar lacunas + perguntas
• Ruim: “escreve a story completa” sem brief

Jornada do curso

Contexto em cada passo

Em cada passo: artefato + pacote de contexto + prompt + exercício + leitura.

Método prático

Como gerar qualquer artefato com IA

1. 1
   Monte o pacote de contexto — brief, evidências, restrições, o que já é fato.
2. 2
   Uma tarefa só — peça um artefato por vez (mapa, jornada, árvore…).
3. 3
   Restrinja — “não inventar”; marcar hipótese; listar abertos.
4. 4
   Peça formato — tabela, YAML, checklist, G/W/T.
5. 5
   Classifique a saída — fato · hipótese · invenção; só então refine.

Ordem sugerida

Pipeline FluxoFácil com IA

Cada seta = novo pacote de contexto (o artefato anterior entra no próximo prompt).

Produto Referência Tarefa Sessão

Metáfora

Árvore do produto = arquitetura de contexto

Além da apresentação

Leituras obrigatórias (M0)

Aqui fica a síntese. As leituras trazem o argumento completo e as URLs das fontes.

Exercício M0

Suas 3 dores + 1 frase

Aprofundamento

Staleness · scatter · compression

• Staleness — contexto velho (doc de 2023 no chat de 2026)
• Scatter — verdade espalhada em 12 abas e nenhum pacote
• Compression — resumo que apaga restrições críticas

Vocabulário alinhado a discussões de context engineering (Anthropic / indústria)

Aprofundamento

O menor conjunto de alto sinal

• Anthropic: maximize resultado com o menor set de tokens de alto sinal
• PM: corte anedota; mantenha restrição, dado e critério de aceite
• Exercício mental: o que sobra se sobrar só 1 tela de contexto?

Anthropic

Checklist

Antes de abrir o chat

1. Brief de 5–10 linhas atualizado
2. O que é fato vs o que é hipótese
3. Uma tarefa só + formato de saída
4. Frase: “Não invente. Liste abertos.”

Anti-padrão

Cinco pedidos que destroem contexto

• “Escreve o PRD completo” sem brief
• Colar 40 páginas sem prioridade
• Misturar 3 tarefas no mesmo prompt
• Aceitar nomes de persona inventados
• Transformar chute da IA em story committed

Exercício

Audite um chat recente

Prompt

P-M0 · classificar saída

Papel: coach de contexto para PM.
Contexto: [cole brief].
Tarefa: classifique cada afirmação da resposta anterior em FATO / HIPÓTESE / INVENÇÃO.
Restrição: não acrescente fatos novos.
Formato: tabela Afirmação | Rótulo | Por quê.

Caso FluxoFácil

Brief mínimo do caso

• Produto: conciliação e fluxo de caixa para PMEs
• Dor: lacunas detectadas tarde → retrabalho
• Usuário: analista financeiro / dono
• Restrição: não inventar integrações bancárias inexistentes

Leitura

Mapa das leituras M0

• Por que IA para PM
• O que é engenharia de contexto
• LLM essencial para o PM
• O que é SpecContext
• Anote 1 citação externa para usar na segunda-feira

Índice de leituras

Brief · FluxoFácil

O que já sabemos (fato)

• POs gastam tempo reescrevendo stories após o refinamento
• Times pedem “mais contexto” com frequência
• IA genérica quando o brief é pobre

Tudo além disso, por enquanto, é hipótese.

Fontes: Teresa Torres — OST · Contexto no discovery

Ferramenta

Mapa de stakeholders

Conceito

JTBD ≠ pedido de feature

A feature pode ser caminho — o job é o norte.

Passo a passo · IA

Gerar mapa + hipóteses

1. 1
   Contexto: brief FluxoFácil + o que já é fato (sem inventar clientes).
2. 2
   Peça: tabela de stakeholders (papel, interesse, influência, risco).
3. 3
   Peça: 5 hipóteses falsificáveis ligadas a dores — cada uma marcada HIPÓTESE.
4. 4
   Peça: 8 perguntas de entrevista abertas (não enviesadas).
5. 5
   Você decide: o que validar com gente real antes de virar épico.

Stage

Discovery contínuo, não evento

• Stakeholder ≠ usuário final — mapeie os dois
• Hipótese sem evidência não vira épico
• IA gera perguntas; humano valida com gente

Teresa Torres

Stage

O que a IA não pode inventar no discovery

• Dor do cliente sem entrevista
• Prioridade política sem critério
• Métrica de sucesso sem baseline

Entrevista

O que perguntar · como perguntar

• Comece aberto: “Conte a última vez que uma story voltou do time…”
• Evite enviesar: não pergunte “você gostaria de IA?”
• Busque evidência: frequência, impacto, workaround atual
• Feche com: “O que teria que ser verdade para isso ser útil?”

Use a IA

Prompt · stakeholders

Você é um coach de product discovery.
Contexto: FluxoFácil — app B2B para registrar discovery e rascunhar stories.
Tarefa: mapa de stakeholders (papel, interesse, influência, risco se ignorado).
Restrições: marque cada item como HIPÓTESE. Não invente empresas reais.
Formato: tabela.

Use a IA

Prompt · perguntas de entrevista

Persona: PO de time ágil
Objetivo: entender fricção ao escrever stories sob pressão de sprint
Tarefa: 8 perguntas abertas (não enviesadas), do geral ao específico.
Inclua 3 follow-ups se a resposta for vaga.

Exercício M1

Mapa + 5 hipóteses

Aprofundamento

Fato vs pedido disfarçado

• “O cliente quer dashboard” pode ser pedido, não fato
• Fato: citação, métrica, observação datada
• Pedido: solução implícita — transforme em hipótese de oportunidade

Teresa Torres — OST

Aprofundamento

Poder × interesse × contexto

• Quem decide orçamento ≠ quem sofre a dor
• Quem usa no dia a dia carrega restrições operacionais
• IA ajuda a listar perguntas; não a ranquear política

Checklist

Pacote mínimo de discovery

1. Mapa de stakeholders (papel + interesse)
2. 5 hipóteses falsificáveis
3. Roteiro de 7–10 perguntas
4. O que já é fato (com fonte)

Anti-padrão

Discovery de corredor

• Só ouvir o sponsor
• Confirmar a solução preferida
• Pular usuários extremos / silenciosos
• Transformar entrevista em demo de feature

Exercício

Reescreva 3 “fatos”

Prompt

P-M1b · falsificar hipótese

Papel: coach de discovery.
Contexto: [hipótese].
Tarefa: proponha 5 evidências que falsificariam a hipótese.
Restrição: não sugerir features.
Formato: lista numerada.

Fontes

Leitura guiada · discovery

• Continuous Discovery Habits
• IA + Opportunity Solution Trees
• Cagan — AI PM
• Contexto no discovery

Cenário

PO escreve story sob pressão de sprint

Faltam 2 horas para o planning. O pedido do negócio chegou por e-mail. O time já pergunta: “tem critério de aceite?”

Journey map

Etapas (exemplo FluxoFácil)

• Fricções: contexto incompleto, medo de “inventar”, tempo curto
• Oportunidades: capturar brief, detectar lacunas, gerar perguntas ao cliente

Qualidade da jornada

Momentos de verdade vs. ruído

Passo a passo · IA

Gerar a jornada com contexto

1. 1
   Contexto: mapa + hipóteses priorizadas + persona/job.
2. 2
   Peça: etapas nomeadas (verbo + objeto), dor e evidência/hipótese por etapa.
3. 3
   Peça: classificar momento de verdade vs ruído.
4. 4
   Peça: 3–5 pré-épicos (capabilities) ligados aos momentos de verdade.
5. 5
   Corte: remova etapas genéricas (“usar o sistema”).

Stage

Jornada = mapa de contexto

• Cada etapa pede evidência e restrição
• Momento de verdade = onde o valor quebra
• Ruído = telas e campos sem outcome

Caso

FluxoFácil: onde dói

• Detectar lacuna tarde = retrabalho
• Capacidade ≠ tela — capacidade resolve etapa
• Pré-épicos nascem dos momentos de verdade

Ponte

Jornada → capacidades (pré-épicos)

Use a IA

Prompt · journey

Cenário: PO recebe pedido por e-mail 2h antes do planning e precisa de story com AC.
Tarefa: journey map com etapas, fricções, emoção (alta/média/baixa), oportunidade.
Restrições: se faltar evidência, escreva "SEM EVIDÊNCIA".

Exercício M2

Desenhe a jornada

Aprofundamento

Etapa vs tela vs capability

• Etapa = progresso do usuário no job
• Tela = representação UI (pode mudar)
• Capability = capacidade do produto que serve a etapa

Aprofundamento

Momentos de verdade no FluxoFácil

• Importar extrato sem quebrar conciliação
• Detectar lacuna antes do fechamento
• Explicar ao dono “o que falta” em linguagem humana

Checklist

Jornada pronta para árvore

1. Etapas nomeadas (verbo + objeto)
2. Dor/emoção por etapa
3. Evidência ou hipótese marcada
4. Pré-épicos candidatos ligados a momentos de verdade

Anti-padrão

Jornada-wallpaper

• Bonita no Miro, inútil no refining
• Sem vínculo com métrica
• Sem raízes (dados/risco)
• Etapas genéricas (“usar o sistema”)

Exercício

Marque 3 momentos de verdade

Prompt

P-M2b · ruído vs sinal

Papel: coach de jornada.
Contexto: [etapas].
Tarefa: classifique cada etapa como momento de verdade ou ruído; justifique.
Restrição: não inventar etapas.
Formato: tabela.

Fontes

Leitura · jornada e jobs

• JTBD como lente — não como dogma
• Jornada alimenta OST / árvore
• Contexto no discovery · Índice de leituras

Fonte · produção → produto digital

O que a árvore resolve

• Clareza: decompõe o complexo em partes e dependências visíveis
• Alinhamento: mesmo mapa para PM, engenharia, compras/ops e IA
• Planejamento: base para BOM / backlog — o que entra, em que ordem
• No SpecContext: cada nó vira pacote de contexto (não só peça física)

Victor A. Tavares — Árvore do Produto: fundação da gestão de produção

Passo a passo · IA

Gerar a árvore com contexto

1. 1
   Contexto: cole jornada + outcomes + hipóteses (não peça “invente o produto”).
2. 2
   Tronco: “Escreva 1 outcome mensurável que justifica o FluxoFácil.”
3. 3
   Galhos: “Proponha 5–7 capacidades com outcome cada; critique galho que for só UI.”
4. 4
   Raízes: “Liste dados, risco, integração, compliance — e o risco se ignorar.”
5. 5
   Ordem: “Sugira ordem por valor/aprendizado; eu corto 30%.”
6. 6
   Valide: humano confirma tronco e corta wishlist antes de stories.

Regras

Tronco · Galhos · Raízes

• Tronco responde: qual outcome justifica o produto?
• Todo galho tem outcome — não lista de telas
• Raízes são pré-requisitos conscientes de risco
• Ordem de entrega: aprendizado + valor, não só facilidade

Stage

Árvore é arquitetura de contexto

• Tronco ancora todo pacote
• Galho sem outcome vira wishlist
• Raízes = o que time e IA não podem ignorar

Stage

Outcome → épico → stories

• Sem outcome, épico é pasta de Jira
• Story herda contexto do galho
• Corte o que não serve ao tronco

Gabarito parcial · FluxoFácil

Árvore exemplo

Anti-padrões

O que não fazer

Decomposição

Outcome → épico → stories

• Outcome: reduzir voltas no refinamento por lacuna de story
• Épico (galho): Detector de lacunas com perguntas sugeridas
• Stories: marcar termos vagos · gerar perguntas · exportar para o board

Use a IA

Prompt · árvore

Inputs: [cole jornada + outcomes]
Tarefa: tronco (valor), 5–7 galhos com outcome, 3+ raízes (dados/risco/integração).
Critique qualquer galho que seja só UI ou só técnico.
Sugira ordem de entrega por valor/aprendizado.

Exercício M3

Monte a árvore

Aprofundamento

Tronco que não é métrica de vaidade

• Outcome: mudança observável no usuário/negócio
• Evite: “modernizar a plataforma” sem critério
• Bom: “reduzir tempo até conciliação fechada”

Aprofundamento

Galhos que cabem em um sprint de descoberta

• Galho grande demais = pasta, não épico
• Fatia vertical: evidência → protótipo → stories
• Raízes explícitas evitam surpresa no kickoff

Checklist

Árvore auditável

1. 1 tronco claro
2. 3–7 galhos com outcome
3. Raízes por galho prioritário
4. O que foi cortado (e por quê)

Anti-padrão

Árvore de features

• Nós nomeados como telas
• Sem hipótese por galho
• Tudo P0
• IA gerou a árvore e ninguém validou

Exercício

Corte 30%

Prompt

P-M3b · raízes faltantes

Papel: coach de especificação.
Contexto: [galho].
Tarefa: liste raízes (dados, risco, integração) provavelmente faltantes.
Restrição: marcar cada item como hipótese.
Formato: bullets.

Fontes

OST e árvore de produto

• Victor A. Tavares — Árvore do Produto (PBS / EAP)
• Teresa Torres — Opportunity Solution Trees
• SpecContext: cada nó da árvore vira pacote de contexto (síntese pedagógica)

Formato rico

Além do “Como / Quero / Para”

• Contexto e fora de escopo
• Dependências / raízes
• Sucesso mensurável
• AC testáveis + cenário de erro
• Perguntas em aberto (explícitas)

Detector

Sinais de story ruim

Passo a passo · IA

Gerar stories com contexto

1. 1
   Contexto: galho escolhido + tronco + raízes relevantes + evidência.
2. 2
   Peça: 3 stories finas (Como/Quero/Para) ligadas ao outcome do galho.
3. 3
   Peça: AC em Given/When/Then + 3 bordas + abertos explícitos.
4. 4
   Critique: rode P-M4 — termos vagos, ator fraco, UI sem valor.
5. 5
   DoR: note 0–10; reescreva só os itens vermelhos.

Stage

Story = pacote de contexto

• Como/Quero/Para é o envelope — não o conteúdo
• AC + bordas + dados = o que a IA e o time precisam
• DoR fraco = handoff frágil

Mike Cohn

Stage

DoR em 10 segundos

• Usuário · valor · AC · dados · erros · dependências
• Se falta um, a IA completa com invenção
• Checklist antes de pedir “escreve a story”

DoR

Definition of Ready (especificação)

Fontes: Mike Cohn — User Stories · Anthropic · Redis · Stories como pacotes de contexto

Gabarito · FluxoFácil

Story exemplo (S1)

Use a IA

Prompt · crítica de story

Story: [colar]
Tarefa:
1) Liste lacunas (ator, contexto, restrição, sucesso, erros).
2) Gere perguntas AO CLIENTE para cada lacuna (o quê + por quê).
3) Reescreva SEM inventar fatos; use [HIPÓTESE].
4) Proponha critérios de aceite testáveis.

Exercício M4

3 stories do galho prioritário

Aprofundamento

INVEST revisitado com contexto

• Independent / Negotiable / Valuable / Estimable / Small / Testable
• Valuable e Testable exigem contexto de outcome e AC
• Small demais sem raízes = story oca

Mike Cohn

Aprofundamento

AC que a IA não inventa bem

• Regras de negócio com exceções reais
• Mensagens de erro alinhadas ao tom do produto
• Critérios de performance / auditoria

Checklist

DoR SpecContext (10)

1. Persona / job
2. Valor / outcome
3. Escopo in/out
4. AC Given/When/Then
5. Dados de entrada/saída
6. Erros e bordas
7. Dependências
8. Métrica de sucesso
9. Evidência / link
10. Abertos explícitos

Anti-padrão

Story “como usuário quero poder”

• Sem job concreto
• AC = “funciona”
• Sem dados
• Dependência escondida no comentário do Jira

Exercício

DoR score

Prompt

P-M4b · bordas

Papel: QA paired with PM.
Contexto: [story + AC].
Tarefa: liste 8 casos de borda e 3 ambigüidades.
Restrição: não inventar regras de negócio; marcar dúvidas.
Formato: duas listas.

Leitura

Stories como contexto

• Stories como pacotes de contexto
• Mike Cohn — user stories
• Ligue cada story ao galho e ao tronco

Ciclo

Empatia → Definir → Idear → Prototipar → Testar

• No ciclo do PM, prototipar é antes do handoff de engenharia
• Valide fluxo, linguagem e prioridade — não pixels
• Fidelidade: sketch → wire → clickable (só o necessário)

Fontes: IDEO — Design Thinking · NN/g — Low vs High Fidelity

Passo a passo · IA

Gerar protótipo textual com IA

1. 1
   Contexto: hipótese em 1 frase + story prioritária + restrições de escopo.
2. 2
   Peça: wireframe textual em 6–8 blocos (sem inventar features novas).
3. 3
   Peça: 5 perguntas de teste com stakeholder.
4. 4
   Peça: lacunas de contexto que o protótipo revelou.
5. 5
   Atualize: story/AC com o que o teste mostrou (não o “gostei”).

Stage

Protótipo testa o contexto

• Wireframe textual já revela lacunas
• Feedback cedo > pixel-perfect tarde
• 5 perguntas batem hipótese antes do sprint

NN/g · IDEO

Inspiração

Lição de prototipação

Vídeo: “Lição de Prototipação - McDonald's” · Felipe Rezende

youtube.com/watch?v=sZjW1PfjuYE · nesta cena o autoavanço pausa para você assistir

Exemplo

Wireframe textual · Detector de lacunas

Teste

5 perguntas com o stakeholder

• O que você faria primeiro nesta tela?
• O que está faltando para você confiar no resultado?
• Onde você hesitaria em usar isso no dia a dia?
• Isso substituiria ou complementaria seu fluxo atual?
• Se só uma coisa pudesse existir na v1, qual seria?

Use a IA

Prompt · prototipação

Fluxo a validar: Detector de lacunas em user story
Tarefa: wireframe em texto (telas + elementos + ações) e 5 perguntas de teste.
Foque em fluxo e linguagem, não em estilo visual.

Exercício M5

Protótipo discutível

Aprofundamento

Fidelidade certa na hora certa

• Lo-fi: testar fluxo e vocabulário
• Hi-fi: testar percepção e microcopy
• Texto estruturado já é protótipo de contexto

NN/g

Aprofundamento

5 perguntas que matam hipótese

• O que você esperava ver aqui?
• Onde travaria no seu trabalho real?
• O que está faltando para confiar?
• O que ignoraria?
• Como saberia que deu certo?

Checklist

Antes de prototipar

1. Hipótese escrita em 1 frase
2. Usuário-alvo nomeado
3. Sucesso observável
4. O que NÃO será testado agora

Anti-padrão

Protótipo como teatro

• Demo para impressionar sponsor
• Sem roteiro de teste
• Feedback vago (“gostei”)
• Nenhuma mudança no backlog depois

Exercício

Wireframe textual · 1 fluxo

Prompt

P-M5b · roteiro de teste

Papel: researcher.
Contexto: [hipótese + wireframe textual].
Tarefa: monte roteiro de 20 min com tarefas e perguntas.
Restrição: não sugerir UI nova.
Formato: timed outline.

Pacote mínimo

O “PR de produto”

• Visão do épico (outcome + métrica)
• Stories + AC
• Trecho da jornada relevante
• Protótipo / fluxo
• Decisões abertas (explícitas)

Passo a passo · IA

Gerar o PR de produto

1. 1
   Contexto: tronco + galho + stories Ready + evidências + abertos.
2. 2
   Peça: PR em 1 página (contexto, valor agora, dívidas, donos).
3. 3
   Audite: “liste riscos de mal-entendido e perguntas bloqueantes.”
4. 4
   Separe: o que bloqueia produção vs o que pode ir como spike.
5. 5
   Publique: no board/wiki — não só no Slack.

Stage

Handoff = contexto empacotado

• Spec + evidência + restrições + abertos
• Valor agora vs dívida de descoberta — explícito
• Auditoria: o que falta antes do kickoff

Stage

O time não deveria adivinhar

• Se está só no Slack, não está no pacote
• IA audita lacunas; PM decide o corte
• PR de produto = mesma disciplina do PR de código

Como o time usa

Spec → implementação → validação

O pacote de contexto não é documentação morta: é o que o time (e a IA) usam para implementar e validar sem adivinhar.

Seu trabalho como PM/PO: deixar o mínimo de ambiguidade bloqueante.

Priorização

Valor agora vs. dívida de descoberta

Gabarito · FluxoFácil

Pacote do galho “Detector de lacunas”

Use a IA

Prompt · auditoria de handoff

Pacote: [visão, stories, AC, decisões abertas]
Tarefa: checklist de completude para handoff ao time.
Aponte o que bloqueia implementação e o que pode ser decisão do time.
Liste riscos de implementação que o PM deveria antecipar.

Exercício M6

Monte o PR de produto

Aprofundamento

Conteúdo do PR de produto

1. Contexto (tronco + galho)
2. Evidências e links
3. Stories + DoR
4. Abertos e dívidas de descoberta
5. Critério de pronto do pacote

Aprofundamento

Valor agora vs dívida

• O que entregamos mesmo com abertos
• O que bloqueia produção
• O que fica como spike / discovery

Checklist

Auditoria pré-kickoff

1. Alguém novo entende o galho em 10 min?
2. Dependências nomeadas com dono?
3. Dados de exemplo anexados?
4. Abertos ranqueados (bloqueia / não bloqueia)?

Anti-padrão

Handoff por thread

• Contexto só no Slack
• AC no comentário oral da daily
• “O fulano sabe” como dependência
• IA resumiu errado e ninguém conferiu

Exercício

Escreva o PR do Detector

Prompt

P-M6b · buracos no pacote

Papel: tech lead cético.
Contexto: [pacote].
Tarefa: liste riscos de mal-entendido e perguntas bloqueantes.
Restrição: não redesenhar a solução.
Formato: Riscos | Perguntas.

Contexto vivo

Repositório que alimenta a IA

1. Estratégico — visão, OKRs, roadmap, personas, JTBD
2. Funcional — PRDs, épicos, stories, AC, fluxos, Design System
3. Técnico — arquitetura alto nível, APIs, eventos, NFRs, flags
4. Operacional — sprint, backlog, bugs, incidentes, riscos
5. Analítico — KPIs, funis, NPS, feedback, dashboards

As 4 camadas SpecContext empacotam isso em cada pedido.

Leitura: Contexto no ciclo completo de PM

Ciclo completo

Mesmo método do vision ao pós

No Book: tabela por fase + mapa do ciclo completo.

Mapa do ciclo

Mesmo método, do vision ao pós-produção

M1–M6 aprofundam discovery→handoff. O mapa completo está em Contexto no ciclo de PM.

Lembrete

O erro clássico vs o ofício

• ❌ “Crie uma User Story.”
• ✅ Pacote do contexto vivo + objetivo + restrições + formato
• Quanto melhor o contexto de alto sinal, melhor a resposta

Cadência

Semana sugerida

Contrato de prompt

Sempre inclua

1. Papel — coach de discovery/especificação
2. Contexto — brief + o que já se sabe
3. Tarefa — uma só
4. Restrições — não inventar; listar abertos
5. Formato — tabela, checklist, G/W/T

Stage

Sinais de que o método pegou

• Menos “preciso de mais info” no refining
• Menos retrabalho pós-kickoff
• DoR ≥ 8/10 vira hábito

Stage

Leve embora amanhã

• 1 template de brief + DoR
• 1 prompt com restrição “não inventar”
• 1 métrica de qualidade de contexto

Métricas

Como saber que melhorou

• Menos “preciso de mais info” no refining
• Menos retrabalho de story após kickoff
• Lead time da story (pedido → ready) menor
• % de stories com DoR ≥ 8/10

Cheatsheet

Playbook de 1 página

Fontes (síntese)

3 links para citar na palestra

• Anthropic — context engineering
• Marty Cagan / SVPG — AI Product Management
• Teresa Torres — Opportunity Solution Trees

No Modo Book há a bibliografia completa com artigos externos.

Fontes externas · gabaritadas

Bibliografia para citar

Só sites confiáveis e autores reconhecidos. Clique para abrir.

Lista completa: Bibliografia e fontes

Exercício final

Um item real + inventário de contexto

Aprofundamento

Ritual semanal de contexto

• Segunda: atualizar brief do galho ativo
• Quarta: DoR score nas stories do refining
• Sexta: auditar 1 chat de IA (fato/hipótese/invenção)

Aprofundamento

Kit mínimo do playbook pessoal

1. Template de brief (camadas 1–3) + inventário do contexto vivo
2. DoR 10 pontos
3. 3 prompts com restrição “não inventar”
4. 1 métrica de qualidade
5. 1 link do mapa do ciclo marcado para a próxima fase

Checklist

Primeiros 14 dias

1. Escolher 1 galho real
2. Rodar P-M3 ou P-M4 uma vez
3. Medir DoR antes/depois
4. Compartilhar 1 aprendizado com o time

Anti-padrão

Playbook de gaveta

• Documento lindo que ninguém abre
• Prompts sem dono nem versão
• Métrica de vaidade (“usamos IA”)
• Voltar ao chute quando a sprint aperta

Exercício

Playbook em 1 página

Glossário

Glossário SpecContext (fechamento)

• Pacote de contexto — o que entra na janela / no handoff
• Context rot — sinal diluído por excesso/desordem
• DoR SpecContext — prontidão da story como contexto
• PR de produto — handoff auditável
• Fato / Hipótese / Invenção — rótulos obrigatórios

Fontes

Bibliografia rápida · ação

• Escolha 2 links da bibliografia e leia esta semana
• Traga 1 insight para o playbook
• Bibliografia e fontes