Num produto de IA, a observabilidade é parte do produto

Noventa e seis pessoas usaram um produto meu, esperaram a resposta e nunca receberam. O pior: por um tempo, eu também não sabia disso. Elas enviaram o trabalho, a tela disse "processando", e a correção simplesmente nunca chegou. Sem erro vermelho, sem alerta, sem reclamação imediata.

Uma falha silenciosa — o tipo mais perigoso num produto de IA. E foi ela que me ensinou a lição mais valiosa de tudo o que construí.

A aposta que eu precisava validar

Eu tinha lançado uma plataforma de IA para preparação de uma prova profissional de alto risco, com correção automática de questões e peças discursivas. A aposta arriscada não era "as pessoas querem estudar para essa prova" — isso eu já sabia. Era outra, bem mais perigosa:

A IA consegue corrigir uma resposta discursiva com qualidade boa o bastante pra ser realmente útil ao aluno — e na hora?

Correção humana desse tipo é cara, lenta e não escala. Se a IA entregasse um feedback estruturado (nota + análise por critério) em segundos, isso mudaria a economia inteira do produto. Mas só se a correção fosse confiável.

Como validei sem construir tudo

Não construí a plataforma inteira. Fiz um MVP enxuto, focado no fluxo central: o aluno envia o treino, a IA corrige, ele recebe o feedback na hora. Coloquei na frente de usuários reais o quanto antes e medi só duas coisas:

• Eles voltavam para fazer de novo? (sinal de utilidade real, não novidade)
• A correção era confiável?

Validar a aposta mais arriscada primeiro, com o mínimo de código, é o oposto de gastar três meses construindo tudo para só então descobrir se a premissa se sustenta.

O que funcionou

• Mais de 1.280 treinos corrigidos com feedback automático, e gente voltando para fazer mais.
• A validação mais forte veio do B2B: uma universidade adotou a plataforma e rodou um simulado oficial com 845 alunos. Não era interesse individual — uma instituição confiou no produto.

No papel, validação concluída. A IA corrigia bem, as pessoas voltavam, uma instituição apostou. Foi aí que o problema apareceu.

O erro que me ensinou a lição

No meio da operação, descobri as 96 correções que falharam silenciosamente. As causas eram técnicas e banais: créditos da IA esgotados em um pico e race conditions quando várias correções aconteciam ao mesmo tempo. O usuário enviava, o sistema engasgava, e ninguém era avisado — nem ele, nem eu.

Numa aplicação comum, um erro costuma ser barulhento: a tela trava, aparece um vermelho, a pessoa reclama. Num produto de IA, a falha tende a ser silenciosa: a chamada externa falhou, o saldo acabou, duas requisições colidiram — e o resultado é "nada acontece". O pior estado possível, porque ninguém percebe até ser tarde.

A lição: num produto de IA, robustez e observabilidade SÃO o produto

Quando o seu produto é uma resposta gerada por IA, você não está entregando "uma resposta". Está entregando a confiança de que ela chega, certa, sempre.

Eu tratava a robustez da correção como detalhe técnico — algo pra arrumar depois. Errado. Para o aluno que enviou e não recebeu, a qualidade do modelo é irrelevante: o produto simplesmente não funcionou. A confiabilidade e a capacidade de enxergar o que está acontecendo não são infraestrutura por baixo do produto. Elas são o produto.

A funcionalidade que entrega 95% das vezes não é um produto de IA bom. É um protótipo perigoso. O que separa demo de produto é o que acontece nos 5% que falham.

O que passei a fazer (e o que você deveria)

1. Taxa de sucesso da correção virou métrica de produto, não de infra. Se ela cai, é um problema de negócio.
2. Idempotência e retries nas chamadas de IA — pra sobreviver a timeout, pico e race condition sem duplicar nem perder.
3. Alertas quando saldo, fila ou taxa de erro saem da faixa. Eu quero saber antes do usuário.
4. Reprocessamento: detectei as 96, reprocessei e entreguei o feedback atrasado. Recuperar é parte do trabalho.
5. Observabilidade desde o início — é a camada "saber quando quebra em produção", a mesma lógica de revisar antes de confiar e de auditar o que a IA faz sozinha.

Conclusão

A parte difícil de um produto de IA não é fazer a IA responder bem uma vez, na demo. É garantir que ela responde toda vez — e que, quando não responder, você descobre na hora, não pelo cliente irritado uma semana depois.

Num produto de IA, a resposta certa é metade do trabalho. A outra metade é garantir que ela sempre chega — e saber, na hora, quando não chegou.

É exatamente isso que eu chamo de vibecoding com engenharia: a velocidade de construir com IA, com o rigor de quem trata produção a sério. O método completo está no e-book gratuito IA Sem Medo, e dá pra começar pelos robôs de IA gratuitos.

A decisão é sua.