Glaze, Osloq e nxt: os lançamentos de IA que se destacaram

A fornada de 3 de julho do Product Hunt teve um tema claro: IA que executa dentro de um contexto específico, em vez de responder num chat genérico. O produto do dia foi o Glaze, da Raycast, que gera aplicativos de Mac a partir de uma conversa. Logo atrás, um agente que reproduz bugs de verdade antes de qualquer correção e um gerenciador de tarefas que decide por você qual é o próximo passo. Os três valem a leitura de quem constrói produto com IA, cada um por um motivo diferente.

Glaze by Raycast: o app de Mac descartável e pessoal

O Glaze venceu o dia com 456 votos e 80 comentários. A proposta: você descreve o que quer, e ele constrói um aplicativo real de Mac, que vive no dock, abre na hora, funciona offline e acessa os recursos da máquina. Quando algo não está do jeito que você quer, conversa de novo e o app muda. Dá para publicar o resultado numa loja pública ou compartilhar em privado com o time.

O detalhe mais interessante do lançamento não é a tecnologia, é o uso interno: a Raycast afirma rodar seus processos de suporte e vendas inteiramente em apps criados no Glaze, e cita times como Cursor, Linear e Vercel construindo apps próprios para otimizar o trabalho. O CEO Thomas Paul Mann resumiu a tese no post de lançamento: software de massa é feito para a média, e a média não existe; a saída é cada pessoa moldar a própria ferramenta.

Para quem opera tecnologia em empresa, a tese aponta para uma mudança concreta: a ferramenta interna, aquele painel que ninguém prioriza no backlog, começa a migrar do time de engenharia para o usuário final. Isso resolve um gargalo antigo e cria um problema novo de governança: quem audita o app que o estagiário gerou conversando com uma IA e compartilhou com o time?

Osloq: reproduzir o bug antes de corrigir

O Osloq ficou em quarto no dia, e é o mais interessante dos três para times de engenharia. A dor é conhecida: chega um bug report, e antes de pensar em correção alguém precisa largar o que está fazendo, recriar o estado descrito e rodar o sistema até confirmar que o bug existe. Metade das vezes termina em "funciona na minha máquina".

O Osloq entrega essa etapa a um agente: conectado ao GitHub, ele pega a issue, sobe um sandbox real, clona o repositório, roda o código e tenta reproduzir o problema como um desenvolvedor faria. Devolve um relatório com evidência: o que fez, o que aconteceu e se o bug é real. O fundador, solo, conta que a parte mais difícil foi confiança: no começo o agente "reproduzia" bugs inexistentes com toda a segurança do mundo, e o grosso do trabalho foi obrigá-lo a rodar código de verdade e provar o que encontrou, em vez de adivinhar lendo o fonte.

Essa confissão vale mais que o produto. É o mesmo princípio que separa código assistido por IA de "vibração", como Kent Beck argumentou: sem verificação independente, a fluência do modelo é indistinguível de acerto. O Osloq acerta ao vender a evidência, não a resposta.

nxt: a lista de tarefas que pensa por você

O nxt fechou o dia em sexto. A aposta: o problema dos gerenciadores de tarefa é que gerenciar a lista virou trabalho. A solução proposta é um assistente que recebe um despejo de pensamentos em linguagem natural, extrai as tarefas, infere prioridades e arquiva tudo sozinho. Na hora de agir, devolve uma única tarefa, com o motivo, em vez de uma lista infinita.

O nxt aprende contexto pessoal (família, agenda, hábitos) e adapta as recomendações; o exemplo do fundador é avisar que está de férias e ver a lista se reorganizar. É um produto pequeno, mas ilustra bem a fronteira de UX do momento: a diferença entre uma ferramenta que armazena o que você disse e uma que decide o que fazer com aquilo. Toda empresa que está pondo um copiloto em produção enfrenta a mesma escolha de design.

O que os três dizem juntos

Primeiro: a interface de chat está virando meio, não fim. Nos três produtos, a conversa é só a porta de entrada; o valor sai em outro formato, um app, um relatório de bug, uma decisão de prioridade. Segundo: os produtos que se destacam resolvem uma tarefa estreita com contexto profundo, na direção oposta ao assistente genérico. Terceiro: confiança virou feature explícita, com evidência e justificativa no produto, porque os usuários já se queimaram com respostas confiantes e erradas, o padrão de risco que exploramos no post sobre a trifecta letal dos agentes.

Um aviso de método: Product Hunt mede entusiasmo de um dia, não negócio. Trate esta curadoria como radar de direção, não como lista de compras.

Quer ajuda para separar o que é radar do que é ruído na sua estratégia de produto com IA? Chame a AI Boutique no WhatsApp.