Got Nest é uma plataforma imobiliária que reúne, em um só produto, a descoberta de imóveis pelo comprador e a operação de relacionamento do corretor. Este case mostra como li o problema, usei IA como amplificador do processo e desenhei o produto.
Dois usuários, uma jornada, um produto.
O comprador descobre. O corretor atende. As duas experiências vivem no mesmo app e compartilham o mesmo contexto.
Plataforma imobiliária que atende dois lados no mesmo produto: o comprador que procura casa e o corretor que gerencia carteira, leads e negociações.
Alto volume de transações distribuídas entre muitas cidades e corretores independentes. Decisão de compra depende de informação local: imposto, HOA, risco de alagamento, tempo de listagem.
A descoberta acontece em um lugar e o relacionamento em outro. Entre o interesse do comprador e o fechamento, o contexto se perde, e com ele a conversão.
Responsável pelo desenho de produto ponta a ponta: enquadramento do problema, discovery, arquitetura de informação, fluxos, UI final e handoff com desenvolvimento.
Confiança vem do dado, não da foto.
Imposto, HOA, tempo de listagem e risco climático mudam a decisão mais do que a galeria de imagens.
A conversa é a etapa de decisão.
O comprador escolhe negociando com o corretor. O chat precisava carregar o imóvel, não só o texto.
O corretor precisa de contexto, não de mais telas.
Histórico do lead, imóveis salvos e documentos no mesmo lugar reduzem o trabalho de reconstruir a história.
Um produto com dois modos de uso em vez de dois apps. A carteira do corretor é alimentada pelo comportamento do comprador.
Qual problema resolve? A perda de contexto entre descoberta e atendimento.
Quatro destinos fixos por perfil (Home, Lead, Property List, Chat) e hierarquia de dados do imóvel em Feature / Gallery / Calculator.
Qual problema resolve? Navegação previsível em um produto com muitos dados.
Interesse do comprador gera um lead com histórico. O corretor entra na conversa já sabendo o que foi visto e salvo.
Qual problema resolve? Lead frio e primeira mensagem genérica.
Estrutura testada em baixa fidelidade antes da UI: densidade do dashboard, ordem dos blocos do imóvel, formato do card no chat.
Qual problema resolve? Discussão de layout antes da discussão de estilo.
Sistema de cards, um azul de marca para ação e estado, tipografia em duas escalas e estados vazios tratados como parte do produto.
Qual problema resolve? Leitura rápida de números e status na operação diária.
Conta pendente de aprovação continua sendo um produto útil.
Em vez de bloquear a tela, o dashboard aparece desativado com os próximos passos disponíveis: completar perfil ou falar com suporte. O corretor entende onde está e o que fazer.
Usei IA para acelerar exploração, análise e transição entre design e código. O julgamento sobre o que entrava no produto permaneceu meu.
O assistente sugere; o corretor decide o que enviar.
A mesma lógica do meu processo virou princípio de interface: a IA propõe a resposta e o próximo passo, mas nunca envia nada sozinha.
Meta, pipeline e leads na primeira tela.
O dashboard responde três perguntas em ordem: como estou contra a meta, o que está em aberto e quem precisa de resposta agora.
Descoberta mais simples e personalizada: menos telas para entender um imóvel e um caminho direto para falar com quem vende.
Mais contexto sobre cada lead e menos trabalho operacional para reunir histórico, imóveis e documentos.
Conexão contínua entre descoberta, relacionamento e conversão dentro do mesmo produto.
Em ecossistemas com dois lados, o produto não é a soma de duas interfaces: é o que atravessa as duas. Desenhar a passagem de contexto foi mais determinante que desenhar telas.
IA encurta a distância entre hipótese e artefato, o que aumenta o valor do critério. Quanto mais alternativas ela gera, mais claro precisa estar o motivo do corte.
Estar perto do código mudou as decisões de design. Testar componentes no produto real evitou soluções bonitas no Figma e frágeis na operação diária.