Como o Modelo Kano se aplica a um produto de IA na prática?

Você classifica cada funcionalidade candidata em cinco categorias, perguntando ao usuário como ele se sente se a função existe e como se sente se ela não existe. Em IA, o básico obrigatório costuma ser confiabilidade: baixa latência, resposta que não inventa e privacidade do dado. O desempenho é o que melhora de forma proporcional, como precisão. O atrativo é o que surpreende, como uma explicação clara do porquê da resposta. Priorizar sem essa separação é como decorar a casa antes de consertar o encanamento.

Qual a diferença entre uma feature de IA 'atrativa' e uma 'reversa'?

A atrativa encanta quando presente e não faz falta quando ausente: o usuário fica feliz de ganhar, mas não sente falta do que não conhece. A reversa é o oposto perigoso: a equipe adiciona achando que agrada, mas o usuário fica pior. Em IA generativa isso é comum quando a automação tira o controle de quem queria decidir, ou quando o sistema é proativo demais e vira intromissão. Detectar a reversa cedo evita construir algo que empurra o usuário para longe.

Modelo Kano: quais features de IA encantam e quais só irritam

O Modelo Kano separa o básico obrigatório do que encanta de verdade. Aplicado a produtos de IA, ele evita gastar trimestre em feature que o usuário nem percebe.

Todo time de produto de IA já viveu esta cena: alguém passa um trimestre construindo um recurso que a equipe acha brilhante, o lançamento acontece, e o usuário não muda de comportamento. Nem elogia, nem reclama, apenas ignora. Enquanto isso, o sistema ainda erra o básico, inventa uma resposta aqui, demora demais ali. O Modelo Kano existe justamente para evitar esse desperdício, separando o que o usuário exige do que o encanta, e do que ele nem percebe. Criado pelo pesquisador japonês Noriaki Kano nos anos 1980 para qualidade de produto, ele é uma das ferramentas mais úteis, e mais ignoradas, para priorizar IA em produção.

As cinco categorias

O Kano parte de uma ideia simples: nem toda funcionalidade se relaciona com a satisfação do usuário da mesma forma. Ele classifica cada uma em cinco tipos.

A básica obrigatória é o piso. Quando existe, ninguém nota. Quando falta, o usuário abandona. Você não ganha ponto por entregar, só perde por não entregar.

A de desempenho é linear. Quanto mais, melhor, de forma proporcional. O usuário percebe e valoriza cada incremento, e compara fornecedores por ela.

A atrativa é o encanto. Quando presente, surpreende e gera lealdade. Quando ausente, não faz falta, porque o usuário nem sabia que queria.

A indiferente é o esforço perdido. Presente ou ausente, o usuário não liga. É onde muito roadmap morre sem que ninguém perceba.

A reversa é a armadilha. A equipe adiciona achando que agrada, mas o usuário fica pior. Presença gera insatisfação.

O segredo do Kano não são as três primeiras categorias, que todo mundo conhece de nome. São as duas últimas, indiferente e reversa, que explicam por que tanto trabalho de IA não move ponteiro nenhum.

O básico obrigatório da IA é invisível

Em produto de IA, o básico obrigatório quase nunca é uma feature vistosa. É confiabilidade. Latência que não irrita, resposta que não inventa fato, dado do usuário que não vaza. São qualidades que ninguém coloca no material de marketing porque ninguém elogia um sistema por não mentir. Mas basta uma alucinação num momento crítico, ou um vazamento, para o usuário ir embora e não voltar.

Esse é o erro de priorização mais caro que existe. O time se empolga com um recurso atrativo, um assistente que fala de forma simpática, uma automação chamativa, enquanto o encanamento continua furado. É decorar a sala antes de consertar o cano estourado. O Kano força a pergunta na ordem certa: o básico está sólido antes de eu investir no encanto?

Ninguém elogia uma IA por não inventar resposta. Mas todo mundo abandona a que inventa. O básico obrigatório é invisível quando funciona e devastador quando falha, e por isso vem sempre primeiro.

O atrativo de hoje é o obrigatório de amanhã

O Kano tem uma dinâmica temporal que casa perfeitamente com a velocidade da IA. Recursos atrativos envelhecem. O que encanta hoje vira expectativa amanhã e obrigação depois. Quando um chatbot passou a citar as fontes da resposta, isso encantava. Hoje, um assistente que não mostra de onde tirou a informação parece incompleto. O atrativo virou básico em poucos meses.

A consequência prática é que a classificação Kano não é feita uma vez e arquivada. Ela precisa ser revisitada a cada ciclo, porque o mercado move a régua. Um recurso que você adiou por ser "só um encanto" pode ter virado piso obrigatório enquanto você olhava para outro lado. Manter essa leitura atualizada é o que separa quem acompanha o mercado de quem descobre tarde. É a mesma lógica de commodity que discutimos ao usar o Wardley Mapping para ver o que já virou padrão: a fronteira do que impressiona não fica parada.

A categoria reversa é a armadilha da IA generativa

A categoria mais perigosa em IA é a reversa, e ela é traiçoeira porque nasce de boa intenção. O time adiciona uma automação achando que economiza esforço do usuário, mas na verdade tira dele o controle que ele queria ter. Um sistema que age sozinho quando o usuário preferia revisar antes. Um assistente proativo demais que interrompe em vez de ajudar. Um agente que "melhora" o texto de um jeito que descaracteriza a voz de quem escreveu.

IA generativa é fábrica de features reversas justamente porque é fácil fazer o sistema fazer mais. A tentação de automatizar tudo esbarra num usuário que, em muitos contextos, quer assistência e não substituição. Detectar a reversa cedo, antes de gastar o trimestre, é um dos maiores retornos que o Kano oferece. E o método para detectar é velho e barato: perguntar.

Como aplicar sem virar burocracia

O Kano se aplica com duas perguntas por funcionalidade, feitas a usuários reais. A primeira, funcional: como você se sente se o produto tem essa função? A segunda, disfuncional: como você se sente se o produto não tem essa função? As respostas, cruzadas, revelam a categoria. Uma função que o usuário adora ter e sente muita falta quando não tem é obrigatória ou de desempenho. Uma que ele gosta de ter mas não sente falta é atrativa. Uma que ele não liga nos dois casos é indiferente. Uma que ele prefere não ter é reversa.

Na prática de IA, isso vira um filtro antes do roadmap. Antes de comprometer um ciclo, você classifica os candidatos e checa: o básico obrigatório está garantido? Estou prestes a construir algo indiferente? Existe risco de reversa nesta automação? O Kano conversa bem com outras ferramentas que já cobrimos: ele diz em qual categoria a feature cai, enquanto o Jobs to Be Done ajuda a entender que trabalho o usuário quer resolver e os OKRs mantêm o time medindo resultado, não entrega. Um responde "isso importa?", o outro "para quê?", o terceiro "e deu certo?".

A recompensa de usar o Kano em IA não é fazer mais features. É fazer menos e melhores. É parar de gastar trimestre em encanto enquanto o cano vaza, e parar de construir automação que o usuário detesta em silêncio. Num campo onde é trivial fazer o sistema fazer mais, a disciplina de escolher o que não construir vale ouro.

Se o seu roadmap de IA está cheio de features que ninguém pediu e o básico ainda quebra, e você quer um filtro simples para priorizar o que realmente importa, fale com a AI Boutique no WhatsApp. A gente ajuda a separar o obrigatório do encanto e a cortar o que só irrita.