> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/pt-br/2025/w19-notebooklm-deepwiki-and-ai-products.md).

# W19-NotebookLM, DeepWiki e produtos de IA

Tenho usado ferramentas de organização de informação como NotebookLM e DeepWiki. O NotebookLM foi concebido como uma bancada de trabalho, com algo de IDE. Levando isso ao ambiente profissional, uma bancada que integrasse livremente fontes internas como dx, ones, code e km poderia, a meu ver, multiplicar a eficiência. Já estudei o método OODA. Na prática, a IA acelera o ciclo OODA, principalmente nas etapas Observe (observar) e Orient (orientar o julgamento). Ela ajuda a extrair e entender informações essenciais mais rápido, construir modelos de compreensão e, assim, ajustar estratégias e decidir com maior frequência. Ao escrever um COE, por exemplo, quem analisa o incidente deveria se concentrar na causa e nas lições. Informações como a cronologia seriam preenchidas automaticamente. Qualquer pessoa poderia investigar um incidente a fundo a qualquer momento. Isso, sim, seria um estudo de caso.

Recomendo o episódio do Lenny’s Podcast com o CPO da OpenAI, que traz ótimas observações pela perspectiva de produto. Para economizar tempo, dá para usar o NotebookLM. Três pontos me marcaram.

1. A pilha tecnológica sobre a qual construímos produtos está mudando. Saímos de sistemas de regras com “entrada determinada e saída determinada” para sistemas baseados em modelos, com “saídas probabilísticas”. E os modelos evoluem muito rápido: a cada dois meses, o computador passa a fazer algo antes impossível. O modelo de hoje certamente será o pior que você terá usado daqui para a frente. Precisamos ajustar continuamente a concepção e o ritmo do produto.
2. Evals estão se tornando uma competência central de gestores de produto. Como na ideia de Yao Shunyu sobre a “segunda metade dos LLMs”, não servem apenas para testar modelos, mas para avaliar o desempenho de todo o sistema técnico em problemas específicos. O produto precisa construir uma solução adaptada ao modelo em torno de problemas reais, em vez de esperar que o modelo esteja pronto para tudo.
3. A IA não gera a ideia definitiva com um clique. Ela acelera o processo de transformar ideias em realidade. Pode oferecer várias opções rapidamente, permitindo que quem cria experimente, combine e refine repetidamente. O ganho real de produtividade vem justamente desse ciclo de criação conjunta entre pessoas e IA.