AI Darwin

O reporte de erros e oportunidades de UX/UI dependia de repasses manuais entre Design, CRO e Engenharia. Cada handoff custava tempo, perdia contexto e criava fila. Pior: o aprendizado de centenas de testes A/B ficava disperso em decks e planilhas — a organização repetia hipóteses que já haviam falhado.

Restrições

• Não podíamos adicionar uma ferramenta nova ao dia a dia dos squads — a captura precisava acontecer onde o trabalho já estava.
• O histórico de CRO existia, mas em decks e planilhas com formatos diferentes. Consolidar exigia limpar antes de estruturar.
• A sugestão de testes não podia tirar decisão do time de CRO: a IA propõe, gente prioriza.

O AI Darwin automatiza a captura, a triagem e o roteamento de demandas de UX/UI entre squads, eliminando a etapa manual de documentação. Em paralelo, consolidou todo o histórico de resultados de CRO em uma base estruturada, transformando aprendizado disperso em ativo consultável. A partir dela, o Darwin sugere novos testes já calibrados pelo que funcionou — e pelo que não funcionou — dentro do contexto de marca.

Decisões que importaram

1. 01

   Capturar na origem, não no fim

   Em vez de um formulário depois do fato, o reporte nasce na própria página do ecommerce, com contexto anexado automaticamente — URL, segmento, dispositivo, screenshot. O trade-off: mais trabalho de engenharia no início, em troca de eliminar a etapa em que o contexto se perdia.

2. 02

   Uma base, não um deck

   Cada teste passou a ter campos obrigatórios — hipótese, segmento, métrica, resultado, aprendizado. Isso custou algumas semanas de migração do histórico, mas foi o que tornou o acervo consultável por máquina e por gente.

3. 03

   Sugerir, não decidir

   O Darwin propõe testes com a evidência ao lado — os experimentos parecidos que funcionaram e os que não. A priorização continua com CRO. Abrimos mão de automação total para manter a confiança do time, e foi isso que fez a adoção acontecer.

Redução de 62% no esforço de reporte de erros e melhorias, com o fluxo cross-teams rodando sem intervenção manual. E um aumento de 14% na taxa de testes vencedores: mais hipóteses chegando ao experimento já com evidência por trás.

1. 01

   Adoção se decide na fricção: a ferramenta certa no lugar errado do fluxo não é usada.

2. 02

   Aprendizado disperso não é aprendizado. Estruturar o histórico valeu mais que qualquer modelo.

3. 03

   IA em time de produto funciona quando amplia o julgamento das pessoas, não quando o substitui.