Orquestro — Documentação

PRD Incremento 7 — Inteligência e Aprendizado

Properties1
statusvigente

Leitura de 26 min

Documento de construção

PRD recebido no pacote de 2026-09-18. Ver Análise PRDs × v0.3 antes de implementar: a taxonomia deste pacote ainda está em conflito com as notas do v0.3.

Orquestro

Incremento 07 — Inteligência e Aprendizado

Código: Orquestro-LRN
Versão: 1.0 — Freeze Candidate
Dependências: Incrementos 1–6
Início: dados reais acumulados no ciclo comercial
Fim: informação → padrão → hipótese → teste → aprendizado → possível mudança humana
Novo Human Gate comercial: nenhum

1. Objetivo

O Orquestro não termina quando uma oportunidade vira WON, LOST ou PARKED.

A última pergunta do produto é:

O que podemos aprender com aquilo que aconteceu nas nossas vendas?

O sistema deve aprender com:

  • quem entrou;
  • quem avançou;
  • quem não avançou;
  • necessidades encontradas;
  • soluções sugeridas;
  • sugestões aceitas, ajustadas e rejeitadas;
  • propostas;
  • preços;
  • condições;
  • negociações;
  • ganhos;
  • perdas;
  • negócios estacionados;
  • recorrência;
  • novas propostas;
  • indicações;
  • reativações.

A IA pode pesquisar, organizar, comparar, identificar padrões, levantar hipóteses e sugerir testes.

A validação do aprendizado e qualquer mudança relevante continuam humanas.

2. Regra central

Dado
↓
Padrão observado
↓
Hipótese
↓
Sugestão
↓
Humano decide que vale testar
↓
Teste
↓
Resultado
↓
Learning
↓
Possível mudança

Regras:

Padrão não é verdade.

Hipótese não é aprendizado.

Learning não é regra automática.

O sistema nunca muda sua metodologia silenciosamente.

3. Duas camadas de aprendizado

3.1 Aprendizado comercial do cliente Orquestro

Exemplo:

“As oportunidades vindas de indicação estão chegando à proposta mais rápido.”

Esse aprendizado pertence à empresa que usa o Orquestro.

3.2 Aprendizado do próprio produto Orquestro

Exemplo:

“Usuários estão ajustando frequentemente a primeira sugestão de Solution.”

Esse aprendizado pertence à evolução do produto/metodologia.

As duas camadas não devem ser misturadas.

4. Jornada do Incremento

dados do ciclo
↓
Dashboard
↓
Resumo em uma página
↓
Padrões observados
↓
O que merece atenção?
↓
Possível hipótese
↓
Vale testar?
↓
humano decide
↓
teste
↓
resultado
↓
Learning
↓
manter / descartar / investigar mais
↓
possível mudança proposta
↓
humano aprova ou rejeita

5. Dashboard comercial

Tela:

Como está seu comercial?

O Dashboard deve priorizar poucos indicadores úteis.

Blocos recomendados:

Movimento comercial

Leads → Needs → Opportunities → Propostas → Won/Lost/Parked

Ciclo

Onde demora mais.

Negócios

Ticket, condições e propostas.

Ofertas

O que vende e quanto consome.

Mercado

Quem está avançando e comprando.

Atenções

Gargalos, pendências e capacidade.

Regra:

Não transformar o Dashboard em painel de vaidade.

6. One Page executivo

Alternativa ao Dashboard:

Resumo do período

Estrutura:

O que aconteceu

O que está funcionando

Onde estamos perdendo tempo

O que merece atenção

Oportunidade para investigar

Próximo teste sugerido

Permitir:

  • mês;
  • trimestre;
  • período personalizado.

Não comparar períodos incomparáveis sem aviso.

7. Tempo do ciclo

Acompanhar:

ciclo médio
 
Lead → Need Validated
 
Need Validated → Pré-Proposta
 
Pré-Proposta → Proposta
 
Proposta → Decisão

Pergunta:

Onde suas vendas estão levando mais tempo?

Exemplo adequado:

A maior parte do ciclo está acontecendo depois da proposta.

Não:

Seu processo de proposta está errado.

Tempo maior pode ser sinal, não conclusão automática.

8. Conversão

Acompanhar:

Leads
↓
Needs validados
↓
Opportunities
↓
Pré-Propostas
↓
Propostas
↓
Won
Lost
Parked

Conversão não é sinônimo de qualidade.

Venda fechada também não prova negócio saudável.

9. Ofertas

Analisar:

  • mais vendida;
  • maior faturamento;
  • maior ticket;
  • maior recorrência;
  • maior esforço;
  • mais fácil de fechar;
  • ciclo;
  • capacidade consumida;
  • contrapropostas;
  • perdas.

Exemplo:

Oferta A gera mais faturamento.
Oferta B exige menos esforço e apresenta maior recorrência.

O sistema mostra os fatos.

Não decide automaticamente qual oferta deve ser priorizada.

10. Origem dos negócios

Comparar:

  • indicação;
  • networking;
  • evento;
  • inbound;
  • outbound;
  • cliente atual;
  • ex-cliente;
  • outros.

Não apenas por volume.

Também comparar:

  • conversão;
  • ticket;
  • duração do ciclo;
  • recorrência;
  • qualidade percebida;
  • esforço.

11. Mercado e perfis

O Orquestro pode observar padrões transversais como:

  • porte;
  • empresa familiar;
  • crescimento;
  • sucessão;
  • maturidade;
  • estrutura de liderança;
  • decisor próximo da operação;
  • tamanho da equipe;
  • tipo de necessidade;
  • recorrência;
  • origem;
  • modelo de negócio.

Sempre como:

Isso apareceu nos seus dados. Vale observar?

Nunca como nova verdade automática ou alteração automática de ICP.

12. Bom cliente × realidade observada

Comparar percepção inicial com dados posteriores.

Exemplo:

Percepção inicial:
“Cliente estratégico”
 
↓
 
Histórico real:
recomprou
indicou
bom ticket
baixo retrabalho
boa relação

ou:

Percepção inicial:
“Ótimo cliente”
 
↓
 
Histórico real:
preço apertado
alto esforço
muito retrabalho
sem continuidade

O Orquestro ajuda a confrontar percepção com evidência.

13. Clientes problemáticos

Possíveis sinais recorrentes:

  • escopo muda muito;
  • esforço alto;
  • retrabalho;
  • preço apertado;
  • pagamento problemático;
  • relação difícil;
  • pouca autonomia;
  • pouco potencial de continuidade.

Nunca criar blacklist automática.

Padrão observado continua sendo objeto de interpretação humana.

14. Ganhos

Aprender com os motivos conhecidos de fechamento.

Possíveis sinais:

  • confiança;
  • solução;
  • indicação;
  • relacionamento;
  • expertise;
  • prazo;
  • condição;
  • preço.

Pergunta:

O que apareceu nos negócios que ganhamos?

Não apenas:

Quantos ganhamos?

15. Perdas

Analisar:

  • preço;
  • timing;
  • orçamento;
  • prioridade;
  • concorrência;
  • solução interna;
  • valor percebido insuficiente;
  • escopo;
  • decisão interna;
  • outros;
  • motivo desconhecido.

“Desconhecido” continua sendo dado válido.

Nunca preencher automaticamente motivo ausente.

16. Parked

PARKED deve ser analisado separadamente de LOST.

Pode ensinar:

  • por que não era o momento;
  • o que precisava mudar;
  • tempo médio até retomada;
  • quantos foram reativados;
  • quantos viraram Opportunity novamente;
  • quantos fecharam depois.

17. Relacionamento com a carteira

Considerar:

ACTIVE
INACTIVE_WITH_POTENTIAL
INACTIVE

Analisar:

  • clientes ativos que geram novas Opportunities;
  • clientes ativos que recompram;
  • inativos com potencial que são retomados;
  • inativos que são reativados;
  • clientes que indicam novos leads.

Status de relacionamento não deve ser confundido com resultado de uma única Opportunity.

18. Potencial estratégico previsto × realizado

No Incremento 5 registramos:

  • recorrência potencial;
  • nova proposta;
  • cross-sell;
  • expansão;
  • indicação;
  • novos decisores;
  • entrada estratégica.

Agora podemos observar o que realmente ocorreu.

Exemplo:

Potencial de expansão: Alto
Confiança: Média
↓
8 meses depois
nova Opportunity em outra unidade

Ou:

Potencial de indicação: Alto
↓
nenhuma indicação observada até agora

Importante:

Ainda não aconteceu não significa automaticamente hipótese errada.

Preservar a janela de observação.

19. Preço sugerido × definido × apresentado × aceito

Registrar:

Preço sugerido pela IA
↓
Preço definido pelo humano
↓
Preço apresentado
↓
Preço final aceito

Isso permite observar diferenças recorrentes.

Mas o sistema não conclui automaticamente:

“A IA estava certa.”

ou:

“O vendedor estava errado.”

O padrão pode gerar hipótese para investigar.

20. Condição inicial × contraproposta × condição final

Registrar:

condição inicial
↓
contraproposta
↓
condição final

Analisar:

  • parcelamento;
  • escopo;
  • prazo;
  • fases;
  • forma de entrega;
  • responsabilidades.

Padrão de negociação não vira desconto automático.

21. Solution sugerida × Solution validada

Registrar:

Solution sugerida pela IA
↓
aceita?
ajustada?
rejeitada?

Quando houver ajuste:

por quê?

Preservar diferença entre versão sugerida e versão validada.

22. Qualidade das sugestões da IA

Pode medir:

  • sugestão aceita sem mudança;
  • aceita com ajustes;
  • rejeitada;
  • motivo do ajuste;
  • etapa em que mais ocorrem correções.

Exemplo:

Pesquisa pré-abordagem        útil
Solution sugerida             muito ajustada
Precificação                  frequentemente mantida
Follow-up                     frequentemente editado

Não transformar isso em “nota de inteligência” opaca.

23. Métricas especiais de aprendizado

Registrar:

  • sugestões rejeitadas;
  • sugestões ajustadas;
  • motivo do ajuste;
  • preço sugerido × definido;
  • preço definido × aceito;
  • contrapropostas;
  • condição inicialmente proposta × final;
  • Solution sugerida × aprovada;
  • motivos de perda.

Essas métricas são parte obrigatória do aprendizado.

24. Métricas de uso e eficiência

Uso

  • usuários ativos;
  • Leads processados;
  • Opportunities;
  • propostas geradas;
  • retornos ao sistema.

Eficiência

  • tempo de preparação;
  • tempo de criação de proposta;
  • redução de retrabalho, quando houver base comparável;
  • tempo de consolidação pós-reunião.

Qualidade percebida

  • utilidade da pesquisa;
  • preparação;
  • Solution sugerida;
  • precificação;
  • roteiros.

Comercial

  • Needs validados;
  • propostas;
  • ganhos;
  • perdas;
  • ciclo.

Proteção:

Não atribuir causalidade ao Orquestro sem desenho de validação.

25. Gargalos

Tela:

Onde parece haver um gargalo?

Exemplos:

Muitos Leads entram, mas poucos chegam à necessidade validada.

Muitas Opportunities chegam à proposta, mas ficam aguardando decisão.

A capacidade da especialista principal está limitando novos negócios.

Sempre distinguir:

DADO
↓
INSIGHT
↓
HIPÓTESE

26. Dado, padrão, hipótese e teste

A interface pode traduzir TruthMode assim:

O que aconteceu

Dado.

O que apareceu nos dados

Padrão.

Uma possível explicação

Hipótese.

O que poderíamos testar

Sugestão.

27. De padrão para hipótese

Exemplo:

Padrão observado:
Propostas vindas de indicação apresentam ciclo menor nesta amostra.

Hipótese sugerida:

Talvez a confiança transferida pela indicação esteja reduzindo parte do ciclo.

Padrão e hipótese permanecem separados.

28. De hipótese para teste

Tela:

Vale testar isso?

Exemplo:

Hipótese
Leads indicados parecem avançar mais rápido.

Teste sugerido
Durante as próximas Opportunities indicadas, registrar explicitamente nível de confiança inicial e comparar com outras origens.

Botões:

  • Vale testar
  • Não agora
  • Descartar hipótese

Humano decide.

29. PatternObservation

PatternObservation
 
id
organization_id
 
topic
description
 
period_start
period_end
 
sample_size
 
evidence_refs[]
 
scope
limitations[]
 
status
 
created_at
reviewed_by
reviewed_at

Status:

OBSERVED
REVIEWED
DISMISSED

30. LearningHypothesis

LearningHypothesis
 
id
organization_id
 
pattern_id
 
statement
 
supporting_evidence[]
contradicting_evidence[]
 
limitations[]
 
status
 
created_by_ai
reviewed_by
reviewed_at

Status:

SUGGESTED
APPROVED_FOR_TEST
REJECTED

31. LearningTest

LearningTest
 
id
organization_id
hypothesis_id
 
question
test_description
 
start_at
end_at
 
success_observation
data_to_collect[]
 
status
 
created_by
approved_by

O MVP não exige desenho estatístico sofisticado.

Exige teste rastreável.

32. Resultado do teste

Estados:

SUPPORTS_HYPOTHESIS
DOES_NOT_SUPPORT
INCONCLUSIVE

Na tela:

  • Os dados apoiaram a hipótese
  • Os dados não apoiaram a hipótese
  • Ainda não dá para concluir

Evitar Verdadeiro/Falso.

33. Learning

Learning
 
id
organization_id
 
hypothesis_id
test_id
 
statement
 
evidence_refs[]
limitations[]
 
status
 
validated_by
validated_at

Exemplo adequado:

Nesta amostra, Opportunities indicadas chegaram à proposta em menos tempo que Opportunities outbound.

Evitar:

Indicação sempre vende mais rápido.

Learning exige validação humana.

34. Proposed Change

Um Learning pode sugerir uma mudança.

Exemplo:

Dar mais prioridade comercial a indicações qualificadas.

Mas não altera nenhuma regra automaticamente.

ProposedChange
 
id
organization_id
 
learning_ids[]
 
area
  MARKET
  OFFER
  SALES_PROCESS
  PRICING
  CAPACITY
  COMMUNICATION
  PRODUCT
  METHODOLOGY
 
description
expected_effect
 
status
 
proposed_by
approved_by
approved_at
 
implemented_at

Status:

DRAFT
IN_REVIEW
APPROVED
REJECTED
IMPLEMENTED

35. Mudanças que a IA não pode fazer sozinha

Nenhum Learning pode automaticamente:

  • mudar ICP;
  • alterar preço-base;
  • reclassificar ofertas;
  • mudar regras de Business Fit;
  • alterar metodologia;
  • classificar tipo de cliente;
  • modificar scripts;
  • mudar Human Gates;
  • alterar pesos/heurísticas relevantes.

O sistema propõe.

Humano decide.

36. Amostra e confiança

Sempre mostrar:

Casos analisados: X
Período: ...

Quando necessário:

Amostra pequena. Trate como sinal para observar.

Não congelar número mágico de casos para definir um padrão.

37. Evidência contrária

Um PatternObservation deve poder guardar evidências que sustentam e evidências que contrariam a hipótese.

Não precisamos criar falsa uniformidade.

38. Aprendizados por dimensão

Organizar em seis gavetas:

Mercado

Quem parece aderir melhor?

Oferta

O que vende, gera valor e consome esforço?

Origem

De onde vêm negócios mais interessantes?

Processo comercial

Onde avançamos ou travamos?

Negócio

Preço, condição, capacidade e esforço.

Inteligência Orquestro

Onde as sugestões da IA ajudam ou são corrigidas?

39. Aprendizado de preço

Perguntas possíveis:

  • Estamos frequentemente abaixo da faixa sugerida?
  • Valores acima da faixa também são aceitos?
  • Que condições aparecem junto?
  • Quais ofertas sofrem mais contraproposta?
  • Qual diferença entre preço definido e aceito?

Sem transformar correlação em causalidade.

40. Aprendizado de capacidade

Cruzar:

oferta
+
esforço previsto
+
esforço observado, quando disponível
+
capacidade
+
resultado comercial

Se esforço real não estiver disponível:

não inventar.

41. Aprendizado de recorrência

Cliente ativo
↓
nova Opportunity?
↓
nova Proposal?
↓
novo contrato?

Isso diferencia primeira compra de relacionamento comercial recorrente.

42. Aprendizado de indicação

Preservar quando:

Cliente A
↓
indicou
↓
Lead B

Observar:

  • quem indica;
  • quantas indicações viram Need;
  • quantas viram Opportunity;
  • quantas viram Proposal;
  • quantas viram contrato.

Sem score de influência automático no MVP.

43. Aprendizado de reativação

Para INACTIVE_WITH_POTENTIAL:

data prevista
↓
reativação ocorreu?
↓
Opportunity criada?
↓
WON / LOST / PARKED?

Isso ajuda a testar se o feeling de “pode fechar mais tarde” se sustentou.

44. Dashboard não é BI gigante

O Orquestro não vira ferramenta genérica de BI.

Princípio:

Poucos indicadores + explicação + ação possível.

45. Cliente Zero

A LC Verum funciona como Cliente Zero.

Objetivos:

  • percorrer fluxo inteiro;
  • registrar fricções;
  • medir esforço;
  • identificar gaps;
  • testar saídas;
  • verificar utilidade.

Cliente Zero não equivale a validação externa.

46. Pilotos externos

Depois do fluxo mínimo navegável.

Registrar:

Evidence
↓
Learning
↓
Proposed Change

Não alterar produto por impressão isolada.

47. Aprendizado do produto

As métricas especiais podem ajudar a entender:

Pesquisa

Usuários aproveitam ou descartam?

Solution

Quanto a direção inicial precisa ser ajustada?

Precificação

Quanto preço sugerido difere do definido?

Condições

Quais cenários precisam mais ajuste?

Roteiros

São utilizados e considerados úteis?

Follow-up

A sugestão realmente ajuda?

Esse aprendizado serve para melhorar produto e metodologia, sempre com validação humana.

48. Não atribuir causalidade

Se:

antes do Orquestro
taxa de fechamento = X
 
depois
taxa de fechamento = Y

o sistema não pode concluir:

Orquestro causou o aumento.

Pode dizer:

A taxa observada neste período foi maior que no período anterior.

Causalidade exige desenho de validação específico.

49. O que não entra no Incremento 7

  • Machine Learning preditivo;
  • previsão automática de fechamento;
  • scoring opaco;
  • benchmark avançado;
  • IA alterando a própria metodologia;
  • mudança automática de ICP;
  • otimização autônoma de preço;
  • agentes comerciais autônomos;
  • Customer Success completo;
  • fidelização automatizada.

50. Objetos novos

CommercialMetricSnapshot
 
DashboardView
OnePageReport
 
PatternObservation
LearningHypothesis
LearningTest
LearningTestResult
Learning
 
ProposedChange
 
AIContributionMetric
StrategicPotentialOutcome

Reutilizados:

Lead
Need
Opportunity
Solution
BusinessFit
PricingScenario
Proposal
CommercialDecision
LossReason
ParkedContext
ContractRecord
CustomerRelationship
SalesToDeliveryHandoff
CommercialEvidence
AuditEvent

51. Permissões

Usuário comercial

Pode ver Dashboard, One Page e aprendizados permitidos da própria organização.

Responsável autorizado

Pode aprovar:

  • teste;
  • Learning;
  • Proposed Change;
  • implementação de mudança relevante.

Sem criar burocracia excessiva para simples consulta.

52. Rastreabilidade

Eventos importantes:

METRIC_SNAPSHOT_CREATED
 
PATTERN_OBSERVED
PATTERN_REVIEWED
PATTERN_DISMISSED
 
HYPOTHESIS_SUGGESTED
HYPOTHESIS_APPROVED_FOR_TEST
HYPOTHESIS_REJECTED
 
LEARNING_TEST_STARTED
LEARNING_TEST_COMPLETED
 
LEARNING_RECORDED
LEARNING_VALIDATED
 
PROPOSED_CHANGE_CREATED
PROPOSED_CHANGE_APPROVED
PROPOSED_CHANGE_REJECTED
PROPOSED_CHANGE_IMPLEMENTED

Preservar a cadeia:

Evidence
→ Pattern
→ Hypothesis
→ Test
→ Learning
→ Proposed Change

53. TruthMode do aprendizado

DADO:
7 de 10 Opportunities Won vieram de indicação.
→ EVIDENCE
PADRÃO:
Indicações aparecem com mais frequência entre Won nesta amostra.
→ PATTERN_OBSERVATION
HIPÓTESE:
Confiança transferida pela indicação pode ajudar no avanço.
→ AI_HYPOTHESIS
TESTE:
Observar próximas Opportunities registrando nível de confiança inicial.
→ HUMAN_APPROVED_TEST
RESULTADO:
O padrão voltou a aparecer.
→ TEST_RESULT
APRENDIZADO:
Nesta amostra, indicações apresentam associação com ciclos menores.
→ HUMAN_VALIDATED_LEARNING

Nunca:

Indicação sempre fecha mais.

54. Requisitos Funcionais

A. Fundamentos do aprendizado

IDRequisitoPrioridade
LRN-REQ-001O aprendizado deve utilizar dados produzidos pelos Incrementos 1–6.MUST
LRN-REQ-002O sistema deve preservar a origem das informações utilizadas.MUST
LRN-REQ-003Evidência deve permanecer distinguível de percepção.MUST
LRN-REQ-004Percepção deve permanecer distinguível de hipótese.MUST
LRN-REQ-005Hipótese deve permanecer distinguível de Learning validado.MUST
LRN-REQ-006Padrão observado não pode virar verdade automática.MUST
LRN-REQ-007Learning não pode virar regra automática.MUST
LRN-REQ-008Mudança de metodologia não pode ocorrer silenciosamente.MUST
LRN-REQ-009IA pode identificar padrões.MUST
LRN-REQ-010IA pode levantar hipóteses.MUST
LRN-REQ-011IA pode sugerir testes.MUST
LRN-REQ-012IA pode organizar resultados.MUST
LRN-REQ-013IA não valida Learning sozinha.MUST
LRN-REQ-014IA não aprova Proposed Change sozinha.MUST
LRN-REQ-015O sistema deve preservar limitações da análise.MUST

B. Dashboard comercial

IDRequisitoPrioridade
LRN-REQ-016Disponibilizar Dashboard de visão contínua.MUST
LRN-REQ-017Dashboard deve priorizar poucos indicadores úteis.MUST
LRN-REQ-018Evitar painel de vaidade.MUST
LRN-REQ-019Permitir filtro por período.MUST
LRN-REQ-020Permitir período mensal.MUST
LRN-REQ-021Permitir período trimestral.MUST
LRN-REQ-022Permitir período personalizado.MUST
LRN-REQ-023Mostrar volume de Leads.MUST
LRN-REQ-024Mostrar Needs validados.MUST
LRN-REQ-025Mostrar Opportunities.MUST
LRN-REQ-026Mostrar pré-propostas.MUST
LRN-REQ-027Mostrar propostas.MUST
LRN-REQ-028Mostrar Won.MUST
LRN-REQ-029Mostrar Lost.MUST
LRN-REQ-030Mostrar Parked.MUST
LRN-REQ-031Mostrar Decision Pending quando útil.MUST
LRN-REQ-032Mostrar principais gargalos.MUST
LRN-REQ-033Mostrar propostas aguardando decisão.MUST
LRN-REQ-034Mostrar capacidade quando pertinente.MUST
LRN-REQ-035Cada indicador deve permitir contexto suficiente para interpretação.MUST

C. One Page executivo

IDRequisitoPrioridade
LRN-REQ-036Disponibilizar One Page como alternativa ao Dashboard.MUST
LRN-REQ-037Permitir gerar One Page por período.MUST
LRN-REQ-038Incluir O que aconteceu.MUST
LRN-REQ-039Incluir O que está funcionando.MUST
LRN-REQ-040Incluir Onde estamos perdendo tempo.MUST
LRN-REQ-041Incluir O que merece atenção.MUST
LRN-REQ-042Incluir Oportunidade para investigar.MUST
LRN-REQ-043Incluir Próximo teste sugerido quando houver base.MUST
LRN-REQ-044Não obrigar existência de teste sugerido.MUST
LRN-REQ-045One Page deve usar linguagem simples.MUST
LRN-REQ-046Não expor taxonomia interna desnecessariamente.MUST
LRN-REQ-047Comparações entre períodos devem informar diferenças relevantes de amostra.MUST

D. Tempo do ciclo

IDRequisitoPrioridade
LRN-REQ-048Calcular ciclo comercial médio quando houver dados suficientes.MUST
LRN-REQ-049Calcular Lead → Need Validated.MUST
LRN-REQ-050Calcular Need Validated → Pré-Proposta.MUST
LRN-REQ-051Calcular Pré-Proposta → Proposta.MUST
LRN-REQ-052Calcular Proposta → Decisão.MUST
LRN-REQ-053Identificar etapa com maior tempo médio.MUST
LRN-REQ-054Identificar Opportunities estacionadas.MUST
LRN-REQ-055Diferenciar Opportunity estacionada de Parked deliberado.MUST
LRN-REQ-056Não interpretar tempo maior automaticamente como falha.MUST
LRN-REQ-057Preservar datas usadas nos cálculos.MUST
LRN-REQ-058Indicar quando a amostra é pequena.MUST

E. Conversão

IDRequisitoPrioridade
LRN-REQ-059Calcular Lead → Need Validated.MUST
LRN-REQ-060Calcular Need Validated → Opportunity.MUST
LRN-REQ-061Calcular Opportunity → Pré-Proposta.MUST
LRN-REQ-062Calcular Pré-Proposta → Proposta.MUST
LRN-REQ-063Calcular Proposta → Won.MUST
LRN-REQ-064Separar Lost.MUST
LRN-REQ-065Separar Parked.MUST
LRN-REQ-066Conversão não pode ser tratada automaticamente como qualidade do negócio.MUST
LRN-REQ-067Venda fechada não implica negócio saudável.MUST
LRN-REQ-068Permitir análise por período.MUST
LRN-REQ-069Permitir análise por origem.MUST
LRN-REQ-070Permitir análise por oferta.MUST

F. Aprendizado por oferta

IDRequisitoPrioridade
LRN-REQ-071Identificar oferta mais vendida.MUST
LRN-REQ-072Identificar oferta de maior faturamento.MUST
LRN-REQ-073Identificar maior ticket médio.MUST
LRN-REQ-074Identificar maior recorrência.MUST
LRN-REQ-075Identificar maior esforço estimado.MUST
LRN-REQ-076Identificar maior facilidade de fechamento com base nos dados disponíveis.MUST
LRN-REQ-077Cruzar oferta com ciclo.MUST
LRN-REQ-078Cruzar oferta com conversão.MUST
LRN-REQ-079Cruzar oferta com capacidade consumida.MUST
LRN-REQ-080Cruzar oferta com contrapropostas.MUST
LRN-REQ-081Cruzar oferta com perdas.MUST
LRN-REQ-082Não recomendar automaticamente retirar uma oferta.MUST
LRN-REQ-083Não presumir rentabilidade quando os dados não existirem.MUST

G. Origem dos negócios

IDRequisitoPrioridade
LRN-REQ-084Analisar indicação.MUST
LRN-REQ-085Analisar networking.MUST
LRN-REQ-086Analisar evento.MUST
LRN-REQ-087Analisar inbound.MUST
LRN-REQ-088Analisar outbound.MUST
LRN-REQ-089Analisar cliente atual.MUST
LRN-REQ-090Analisar ex-cliente.MUST
LRN-REQ-091Suportar outras origens.MUST
LRN-REQ-092Comparar volume por origem.MUST
LRN-REQ-093Comparar conversão por origem.MUST
LRN-REQ-094Comparar ticket por origem.MUST
LRN-REQ-095Comparar ciclo por origem.MUST
LRN-REQ-096Comparar recorrência por origem.MUST
LRN-REQ-097Comparar qualidade percebida por origem quando houver dado.MUST
LRN-REQ-098Comparar esforço por origem quando houver dado.MUST
LRN-REQ-099Não declarar causalidade entre origem e fechamento apenas por correlação.MUST

H. Mercado e perfis

IDRequisitoPrioridade
LRN-REQ-100Observar padrões de porte.MUST
LRN-REQ-101Observar contexto de empresa familiar quando conhecido.MUST
LRN-REQ-102Observar momento de crescimento.MUST
LRN-REQ-103Observar sucessão quando legitimamente registrada.MUST
LRN-REQ-104Observar maturidade quando sustentada pelos dados utilizados no produto.MUST
LRN-REQ-105Observar proximidade do decisor com a operação.MUST
LRN-REQ-106Observar modelo de negócio.MUST
LRN-REQ-107Observar necessidade recorrente.MUST
LRN-REQ-108Observar padrões compartilhados pelos melhores clientes.MUST
LRN-REQ-109Padrão transversal deve indicar período e amostra.MUST
LRN-REQ-110IA não altera ICP automaticamente.MUST
LRN-REQ-111IA pode sugerir mercado para investigar.MUST
LRN-REQ-112Humano decide se mercado merece investigação.MUST

I. Bom cliente × realidade observada

IDRequisitoPrioridade
LRN-REQ-113Comparar percepção inicial de bom cliente com dados posteriores.MUST
LRN-REQ-114Observar recompra.MUST
LRN-REQ-115Observar indicação.MUST
LRN-REQ-116Observar recorrência.MUST
LRN-REQ-117Observar ticket.MUST
LRN-REQ-118Observar esforço.MUST
LRN-REQ-119Observar retrabalho quando registrado.MUST
LRN-REQ-120Observar comportamento de pagamento quando existir dado legítimo.MUST
LRN-REQ-121Observar mudanças frequentes de escopo.MUST
LRN-REQ-122Não criar blacklist automática.MUST
LRN-REQ-123Não reclassificar cliente definitivamente sem ação humana.MUST

J. Ganhos

IDRequisitoPrioridade
LRN-REQ-124Analisar motivos de fechamento registrados.MUST
LRN-REQ-125Preservar origem do motivo de ganho.MUST
LRN-REQ-126Permitir motivo desconhecido quando não houver dado.MUST
LRN-REQ-127Observar padrões de Solution entre Won.MUST
LRN-REQ-128Observar padrões de preço entre Won.MUST
LRN-REQ-129Observar padrões de condição entre Won.MUST
LRN-REQ-130Observar padrões de origem entre Won.MUST
LRN-REQ-131Observar padrões de ciclo entre Won.MUST
LRN-REQ-132Não assumir que característica recorrente causou o ganho.MUST

K. Perdas

IDRequisitoPrioridade
LRN-REQ-133Analisar motivos de perda.MUST
LRN-REQ-134Separar investimento.MUST
LRN-REQ-135Separar timing.MUST
LRN-REQ-136Separar prioridade.MUST
LRN-REQ-137Separar orçamento.MUST
LRN-REQ-138Separar concorrente.MUST
LRN-REQ-139Separar solução interna.MUST
LRN-REQ-140Separar escopo.MUST
LRN-REQ-141Separar valor percebido insuficiente.MUST
LRN-REQ-142Separar decisão interna.MUST
LRN-REQ-143Separar outros motivos.MUST
LRN-REQ-144Manter motivo desconhecido como desconhecido.MUST
LRN-REQ-145IA não pode preencher motivo ausente por inferência.MUST
LRN-REQ-146Analisar objeções recorrentes.MUST
LRN-REQ-147Objeção recorrente não significa automaticamente causa da perda.MUST

L. Parked e reativação

IDRequisitoPrioridade
LRN-REQ-148Analisar Parked separadamente de Lost.MUST
LRN-REQ-149Analisar principais razões para não ser o momento.MUST
LRN-REQ-150Analisar condições que precisavam mudar.MUST
LRN-REQ-151Medir tempo até retomada quando houver retomada.MUST
LRN-REQ-152Registrar se Parked voltou a Lead/Opportunity.MUST
LRN-REQ-153Registrar se Parked posteriormente virou Won.MUST
LRN-REQ-154Registrar se permaneceu sem retomada.MUST
LRN-REQ-155Não tratar ausência de retomada imediata como falha da hipótese.MUST
LRN-REQ-156Permitir análise de INACTIVE_WITH_POTENTIAL reativado.MUST

M. Relacionamento e recorrência

IDRequisitoPrioridade
LRN-REQ-157Analisar novas Opportunities originadas de Cliente Ativo.MUST
LRN-REQ-158Analisar novos contratos por cliente.MUST
LRN-REQ-159Analisar recorrência contratual.MUST
LRN-REQ-160Diferenciar recompra de uma Opportunity isolada.MUST
LRN-REQ-161Analisar reativação de cliente inativo.MUST
LRN-REQ-162Analisar reativação de Inativo com potencial.MUST
LRN-REQ-163Não confundir status da Opportunity com relacionamento do cliente.MUST

N. Indicações

IDRequisitoPrioridade
LRN-REQ-164Preservar vínculo entre indicador e Lead indicado quando disponível.MUST
LRN-REQ-165Medir indicações que viram Need validado.MUST
LRN-REQ-166Medir indicações que viram Opportunity.MUST
LRN-REQ-167Medir indicações que viram Proposal.MUST
LRN-REQ-168Medir indicações que viram contrato.MUST
LRN-REQ-169Não criar score de influência automático no MVP.MUST

O. Potencial estratégico previsto × realizado

IDRequisitoPrioridade
LRN-REQ-170Recuperar potencial estratégico registrado no Business Fit.MUST
LRN-REQ-171Recuperar confiança atribuída ao potencial.MUST
LRN-REQ-172Observar se houve recorrência posterior.MUST
LRN-REQ-173Observar se houve nova proposta.MUST
LRN-REQ-174Observar se houve cross-sell.MUST
LRN-REQ-175Observar se houve expansão para outra área.MUST
LRN-REQ-176Observar se houve expansão para outra unidade.MUST
LRN-REQ-177Observar se houve acesso a novo decisor.MUST
LRN-REQ-178Observar se houve indicação.MUST
LRN-REQ-179Observar se o cliente se tornou case/referência quando aplicável.MUST
LRN-REQ-180Distinguir OBSERVED, NOT_OBSERVED_YET e NOT_APPLICABLE.MUST
LRN-REQ-181Não considerar potencial falso apenas porque ainda não se realizou.MUST
LRN-REQ-182Preservar janela de tempo observada.MUST

P. Preço sugerido × definido × aceito

IDRequisitoPrioridade
LRN-REQ-183Registrar faixa/preço sugerido pela IA.MUST
LRN-REQ-184Registrar preço definido pelo humano.MUST
LRN-REQ-185Registrar preço apresentado.MUST
LRN-REQ-186Registrar preço final aceito.MUST
LRN-REQ-187Calcular diferença sugerido × definido.MUST
LRN-REQ-188Calcular diferença definido × aceito.MUST
LRN-REQ-189Separar casos sem preço aceito.MUST
LRN-REQ-190Analisar por oferta.MUST
LRN-REQ-191Analisar por origem.MUST
LRN-REQ-192Analisar por contexto quando houver amostra.MUST
LRN-REQ-193Não concluir automaticamente que IA ou humano estava certo.MUST

Q. Condições e contrapropostas

IDRequisitoPrioridade
LRN-REQ-194Registrar condição inicialmente definida.MUST
LRN-REQ-195Registrar contrapropostas.MUST
LRN-REQ-196Registrar condição final aceita.MUST
LRN-REQ-197Comparar condição inicial × final.MUST
LRN-REQ-198Identificar quais elementos mudaram.MUST
LRN-REQ-199Permitir analisar parcelamento.MUST
LRN-REQ-200Permitir analisar escopo.MUST
LRN-REQ-201Permitir analisar prazo.MUST
LRN-REQ-202Permitir analisar fases.MUST
LRN-REQ-203Permitir analisar forma de entrega.MUST
LRN-REQ-204Não transformar padrão de negociação em desconto automático.MUST

R. Solution sugerida × validada

IDRequisitoPrioridade
LRN-REQ-205Registrar Solution inicialmente sugerida pela IA.MUST
LRN-REQ-206Registrar se foi aceita.MUST
LRN-REQ-207Registrar se foi ajustada.MUST
LRN-REQ-208Registrar se foi rejeitada.MUST
LRN-REQ-209Registrar motivo do ajuste quando disponível.MUST
LRN-REQ-210Preservar diferença entre versão sugerida e validada.MUST
LRN-REQ-211Permitir análise por tipo de Need.MUST
LRN-REQ-212Permitir análise por oferta.MUST
LRN-REQ-213Taxa de aceitação não pode virar score de inteligência opaco.MUST

S. Qualidade das sugestões da IA

IDRequisitoPrioridade
LRN-REQ-214Registrar sugestões aceitas sem alteração.MUST
LRN-REQ-215Registrar sugestões ajustadas.MUST
LRN-REQ-216Registrar sugestões rejeitadas.MUST
LRN-REQ-217Registrar motivo do ajuste quando informado.MUST
LRN-REQ-218Registrar motivo da rejeição quando informado.MUST
LRN-REQ-219Permitir análise por etapa do ciclo.MUST
LRN-REQ-220Permitir análise de pesquisa pré-abordagem.MUST
LRN-REQ-221Permitir análise de Solution.MUST
LRN-REQ-222Permitir análise de precificação.MUST
LRN-REQ-223Permitir análise de condições.MUST
LRN-REQ-224Permitir análise de roteiro.MUST
LRN-REQ-225Permitir análise de follow-up.MUST
LRN-REQ-226Não utilizar taxa de aceitação isoladamente para alterar prompts/metodologia.MUST

T. Métricas de uso e eficiência

IDRequisitoPrioridade
LRN-REQ-227Medir usuários ativos quando pertinente.MUST
LRN-REQ-228Medir Leads processados.MUST
LRN-REQ-229Medir Opportunities trabalhadas.MUST
LRN-REQ-230Medir propostas geradas.MUST
LRN-REQ-231Medir retornos ao sistema.MUST
LRN-REQ-232Medir tempo de preparação quando tecnicamente disponível.MUST
LRN-REQ-233Medir tempo de criação de Proposal.MUST
LRN-REQ-234Medir tempo de consolidação pós-reunião.MUST
LRN-REQ-235Redução de retrabalho só deve ser apresentada quando houver base comparável.MUST
LRN-REQ-236Métricas devem separar medição objetiva de percepção do usuário.MUST

U. Qualidade percebida

IDRequisitoPrioridade
LRN-REQ-237Permitir registrar utilidade percebida da pesquisa.MUST
LRN-REQ-238Permitir registrar utilidade da preparação.MUST
LRN-REQ-239Permitir registrar utilidade da Solution sugerida.MUST
LRN-REQ-240Permitir registrar utilidade da precificação.MUST
LRN-REQ-241Permitir registrar utilidade dos roteiros.MUST
LRN-REQ-242Feedback percebido não pode ser apresentado como desempenho objetivo.MUST

V. PatternObservation

IDRequisitoPrioridade
LRN-REQ-243Pattern deve possuir descrição.MUST
LRN-REQ-244Registrar período observado.MUST
LRN-REQ-245Registrar tamanho da amostra.MUST
LRN-REQ-246Preservar evidências de suporte.MUST
LRN-REQ-247Preservar limitações.MUST
LRN-REQ-248Permitir evidências contraditórias.MUST
LRN-REQ-249IA pode criar PatternObservation sugerido.MUST
LRN-REQ-250Humano pode revisar.MUST
LRN-REQ-251Humano pode descartar.MUST

W. LearningHypothesis

IDRequisitoPrioridade
LRN-REQ-252Hipótese deve derivar de PatternObservation ou investigação explícita.MUST
LRN-REQ-253Registrar evidência de suporte.MUST
LRN-REQ-254Registrar evidência contrária quando existir.MUST
LRN-REQ-255Registrar limitações.MUST
LRN-REQ-256IA pode sugerir hipótese.MUST
LRN-REQ-257Humano decide se vale testar.MUST
LRN-REQ-258Hipótese rejeitada deve permanecer histórica.MUST
LRN-REQ-259Hipótese não testada não vira Learning.MUST

X. LearningTest

IDRequisitoPrioridade
LRN-REQ-260Teste deve estar ligado a uma hipótese.MUST
LRN-REQ-261Registrar pergunta do teste.MUST
LRN-REQ-262Registrar como será observado.MUST
LRN-REQ-263Registrar dados a coletar.MUST
LRN-REQ-264Registrar período quando aplicável.MUST
LRN-REQ-265Humano deve aprovar início do teste.MUST
LRN-REQ-266Não exigir desenho estatístico sofisticado no MVP.MUST
LRN-REQ-267Teste deve ser rastreável.MUST

Y. Resultado do teste

IDRequisitoPrioridade
LRN-REQ-268IA pode organizar o resultado.MUST
LRN-REQ-269Humano deve revisar o resultado.MUST
LRN-REQ-270Suportar resultado que apoia.MUST
LRN-REQ-271Suportar resultado que não apoia.MUST
LRN-REQ-272Suportar inconclusivo.MUST
LRN-REQ-273Inconclusivo é resultado válido.MUST
LRN-REQ-274Resultado não pode ser alterado silenciosamente para gerar Learning.MUST

Z. Learning

IDRequisitoPrioridade
LRN-REQ-275Learning deve possuir evidência.MUST
LRN-REQ-276Learning deve registrar limitações.MUST
LRN-REQ-277Learning deve usar linguagem proporcional aos dados.MUST
LRN-REQ-278Evitar sempre, nunca e causalidade sem base.MUST
LRN-REQ-279Learning exige validação humana.MUST
LRN-REQ-280IA não valida Learning.MUST
LRN-REQ-281Learning pode permanecer específico a uma amostra/período.MUST

AA. Proposed Change

IDRequisitoPrioridade
LRN-REQ-282Proposed Change deve referenciar Learning.MUST
LRN-REQ-283Pode existir mais de um Learning como suporte.MUST
LRN-REQ-284Registrar área impactada.MUST
LRN-REQ-285Registrar mudança proposta.MUST
LRN-REQ-286Registrar efeito esperado.MUST
LRN-REQ-287Humano deve aprovar mudança relevante.MUST
LRN-REQ-288Humano pode rejeitar mudança.MUST
LRN-REQ-289Mudança rejeitada permanece histórica.MUST
LRN-REQ-290Registrar quando foi implementada.MUST
LRN-REQ-291Implementação deve preservar origem da decisão.MUST

AB. Mudanças proibidas automaticamente

IDRequisitoPrioridade
LRN-REQ-292IA não pode mudar ICP automaticamente.MUST
LRN-REQ-293IA não pode mudar preço-base automaticamente.MUST
LRN-REQ-294IA não pode reclassificar ofertas automaticamente.MUST
LRN-REQ-295IA não pode alterar regra de Business Fit automaticamente.MUST
LRN-REQ-296IA não pode alterar Human Gates.MUST
LRN-REQ-297IA não pode alterar metodologia automaticamente.MUST
LRN-REQ-298IA não pode alterar heurísticas relevantes sem aprovação.MUST
LRN-REQ-299IA não pode alterar scripts oficiais silenciosamente.MUST

AC. Cliente Zero

IDRequisitoPrioridade
LRN-REQ-300Permitir registrar execuções de Cliente Zero.MUST
LRN-REQ-301Registrar fricções.MUST
LRN-REQ-302Registrar esforço observado.MUST
LRN-REQ-303Registrar gaps.MUST
LRN-REQ-304Registrar saídas testadas.MUST
LRN-REQ-305Registrar utilidade percebida.MUST
LRN-REQ-306Identificar dados de Cliente Zero separadamente de piloto externo.MUST
LRN-REQ-307Não apresentar Cliente Zero como validação externa.MUST

AD. Pilotos externos

IDRequisitoPrioridade
LRN-REQ-308Piloto externo só deve ocorrer após fluxo mínimo navegável.MUST
LRN-REQ-309Registrar evidências do piloto.MUST
LRN-REQ-310Registrar Learnings do piloto.MUST
LRN-REQ-311Registrar Proposed Changes.MUST
LRN-REQ-312Não alterar produto por impressão isolada sem registro.MUST
LRN-REQ-313Preservar identificação de qual piloto originou a evidência.MUST
LRN-REQ-314Permitir comparar aprendizados entre pilotos sem generalizar automaticamente.MUST

AE. Causalidade

IDRequisitoPrioridade
LRN-REQ-315Comparação temporal não deve ser descrita automaticamente como causalidade.MUST
LRN-REQ-316Não afirmar que Orquestro aumentou vendas apenas por melhora posterior.MUST
LRN-REQ-317Não afirmar que Orquestro reduziu ciclo sem desenho adequado.MUST
LRN-REQ-318Pode mostrar diferença observada entre períodos.MUST
LRN-REQ-319Deve preservar contexto das amostras.MUST
LRN-REQ-320Alegação causal futura exige desenho específico de validação.MUST

AF. Segurança, tenant e permissões

IDRequisitoPrioridade
LRN-REQ-321Todo aprendizado comercial deve respeitar organization_id.MUST
LRN-REQ-322Dados de empresas diferentes não podem ser misturados no aprendizado do cliente.MUST
LRN-REQ-323Benchmark externo não entra no MVP.MUST
LRN-REQ-324Usuário deve ver apenas dados permitidos.MUST
LRN-REQ-325Dados financeiros sensíveis devem respeitar permissões vigentes.MUST
LRN-REQ-326Dashboard pode ocultar dados sensíveis mantendo insight permitido.MUST
LRN-REQ-327Aprovação de Proposed Change deve respeitar papel autorizado.MUST
LRN-REQ-328Alteração de metodologia/produto deve exigir responsável autorizado.MUST

AG. Auditoria

IDRequisitoPrioridade
LRN-REQ-329Registrar snapshot de métricas quando necessário.MUST
LRN-REQ-330Registrar Pattern observado.MUST
LRN-REQ-331Registrar revisão/descarte de Pattern.MUST
LRN-REQ-332Registrar hipótese sugerida.MUST
LRN-REQ-333Registrar hipótese aprovada para teste.MUST
LRN-REQ-334Registrar hipótese rejeitada.MUST
LRN-REQ-335Registrar início de teste.MUST
LRN-REQ-336Registrar conclusão de teste.MUST
LRN-REQ-337Registrar Learning.MUST
LRN-REQ-338Registrar validação humana do Learning.MUST
LRN-REQ-339Registrar Proposed Change.MUST
LRN-REQ-340Registrar aprovação/rejeição.MUST
LRN-REQ-341Registrar implementação.MUST
LRN-REQ-342Preservar cadeia Evidence → Pattern → Hypothesis → Test → Learning → Proposed Change.MUST

55. Casos de Teste

Dashboard e One Page

IDResultado esperado
LRN-TEST-001Dashboard mostra indicadores essenciais.
LRN-TEST-002Dashboard não exige dezenas de métricas.
LRN-TEST-003Usuário gera One Page mensal.
LRN-TEST-004One Page contém seis blocos previstos.
LRN-TEST-005Período personalizado funciona.
LRN-TEST-006Comparação com amostra muito diferente traz alerta.

Ciclo e conversão

IDResultado esperado
LRN-TEST-007Lead → Need é calculado corretamente.
LRN-TEST-008Need → Pré-Proposta é calculado.
LRN-TEST-009Pré-Proposta → Proposta é calculado.
LRN-TEST-010Proposta → Decisão é calculado.
LRN-TEST-011Parked não é contado como Lost.
LRN-TEST-012Gargalo temporal é apresentado como dado/insight, não julgamento.
LRN-TEST-013Amostra pequena é sinalizada.

Ofertas

IDResultado esperado
LRN-TEST-014Oferta mais vendida é identificada.
LRN-TEST-015Maior faturamento é identificado.
LRN-TEST-016Maior recorrência é identificada.
LRN-TEST-017Maior esforço é identificado.
LRN-TEST-018Maior faturamento não vira automaticamente melhor oferta.

Origem

IDResultado esperado
LRN-TEST-019Indicação é comparada por conversão.
LRN-TEST-020Outbound é comparado por ciclo.
LRN-TEST-021Cliente atual é comparado por recorrência.
LRN-TEST-022Sistema não conclui causalidade a partir de origem.

Mercado e bons clientes

IDResultado esperado
LRN-TEST-023Padrão transversal pode ser identificado.
LRN-TEST-024Pattern informa amostra.
LRN-TEST-025Mercado potencial permanece investigação.
LRN-TEST-026ICP não muda sozinho.
LRN-TEST-027Percepção de bom cliente pode ser confrontada com dados.
LRN-TEST-028Cliente problemático não entra automaticamente em blacklist.

Ganhos, perdas e Parked

IDResultado esperado
LRN-TEST-029Motivos de ganho conhecidos são agrupados.
LRN-TEST-030Motivos de perda conhecidos são agrupados.
LRN-TEST-031Motivo desconhecido permanece desconhecido.
LRN-TEST-032IA não inventa motivo.
LRN-TEST-033Parked é analisado separadamente.
LRN-TEST-034Parked reativado é reconhecido.
LRN-TEST-035Parked posteriormente Won pode ser medido.

Relacionamento e indicações

IDResultado esperado
LRN-TEST-036Cliente Ativo com nova Opportunity é contabilizado como continuidade.
LRN-TEST-037Recompra é distinguida da primeira venda.
LRN-TEST-038Inativo com potencial reativado é identificado.
LRN-TEST-039Indicação preserva vínculo com indicador.
LRN-TEST-040Indicação que vira contrato é mensurável.

Potencial estratégico

IDResultado esperado
LRN-TEST-041Potencial alto de expansão é recuperado.
LRN-TEST-042Nova Opportunity em outra unidade registra expansão observada.
LRN-TEST-043Potencial ainda não realizado fica NOT_OBSERVED_YET.
LRN-TEST-044Não realização imediata não converte hipótese em falsa.
LRN-TEST-045Janela de observação permanece visível.

Preço e condições

IDResultado esperado
LRN-TEST-046Preço sugerido é preservado.
LRN-TEST-047Preço definido é preservado separadamente.
LRN-TEST-048Preço aceito é preservado separadamente.
LRN-TEST-049Diferenças são calculadas corretamente.
LRN-TEST-050IA não conclui automaticamente que vendedor errou.
LRN-TEST-051Condição inicial é preservada.
LRN-TEST-052Contraproposta é preservada.
LRN-TEST-053Condição final é preservada.
LRN-TEST-054Padrão de desconto não vira desconto automático.

Solution e IA

IDResultado esperado
LRN-TEST-055Solution sugerida é preservada.
LRN-TEST-056Solution validada é preservada.
LRN-TEST-057Ajuste é mensurável.
LRN-TEST-058Rejeição é mensurável.
LRN-TEST-059Motivo do ajuste pode ser analisado.
LRN-TEST-060Taxa de aceitação não altera metodologia sozinha.

Pattern e hipótese

IDResultado esperado
LRN-TEST-061IA cria PatternObservation sugerido.
LRN-TEST-062Pattern inclui período e amostra.
LRN-TEST-063Evidência contraditória pode ser registrada.
LRN-TEST-064IA sugere hipótese ligada ao Pattern.
LRN-TEST-065Humano aprova hipótese para teste.
LRN-TEST-066Humano rejeita hipótese.
LRN-TEST-067Hipótese rejeitada permanece histórica.

Teste e Learning

IDResultado esperado
LRN-TEST-068Teste exige hipótese relacionada.
LRN-TEST-069Humano aprova início do teste.
LRN-TEST-070Resultado pode apoiar hipótese.
LRN-TEST-071Resultado pode não apoiar.
LRN-TEST-072Resultado pode ser inconclusivo.
LRN-TEST-073Inconclusivo não é forçado para Learning.
LRN-TEST-074Learning exige validação humana.
LRN-TEST-075IA não valida Learning.
LRN-TEST-076Learning preserva limitações.

Proposed Change

IDResultado esperado
LRN-TEST-077Proposed Change referencia Learning.
LRN-TEST-078Mudança pode ser rejeitada.
LRN-TEST-079Mudança rejeitada fica histórica.
LRN-TEST-080Mudança aprovada registra humano.
LRN-TEST-081IA não altera ICP automaticamente.
LRN-TEST-082IA não altera preço-base automaticamente.
LRN-TEST-083IA não altera Human Gate automaticamente.
LRN-TEST-084IA não muda metodologia silenciosamente.

Cliente Zero e pilotos

IDResultado esperado
LRN-TEST-085Cliente Zero registra fricção.
LRN-TEST-086Cliente Zero registra gap.
LRN-TEST-087Cliente Zero permanece identificado como validação interna.
LRN-TEST-088Piloto externo preserva Evidence.
LRN-TEST-089Piloto externo gera Learning rastreável.
LRN-TEST-090Proposed Change referencia piloto.
LRN-TEST-091Uma impressão isolada não altera produto.

Causalidade e segurança

IDResultado esperado
LRN-TEST-092Melhora após adoção não é descrita como causada pelo Orquestro.
LRN-TEST-093Comparação entre períodos usa linguagem observacional.
LRN-TEST-094Tenant A não entra no aprendizado comercial do Tenant B.
LRN-TEST-095Usuário sem permissão não vê dado financeiro restrito.
LRN-TEST-096Cadeia completa de aprendizado aparece na auditoria.

56. E2Es obrigatórios

LRN-E2E-001 — Padrão → hipótese → teste → Learning

  1. Empresa acumula 30 Opportunities.
  2. Dashboard identifica que indicações aparecem com ciclo menor.
  3. Pattern registra período, amostra e evidências.
  4. IA sugere hipótese sobre confiança inicial.
  5. Humano escolhe Vale testar.
  6. LearningTest é criado.
  7. Novas Opportunities são observadas.
  8. Resultado apoia parcialmente a hipótese.
  9. IA organiza resultado.
  10. Humano revisa.
  11. Learning é validado com linguagem limitada à amostra.
  12. Nenhuma regra comercial muda automaticamente.

PASS: ciclo de aprendizado respeita todas as camadas.

LRN-E2E-002 — Amostra pequena não vira regra

  1. Existem apenas 3 negócios de um perfil.
  2. Os 3 fecharam.
  3. Orquestro identifica um sinal.
  4. Mostra amostra pequena.
  5. Não altera ICP.
  6. Não marca o perfil como “cliente ideal”.
  7. Sugere continuar observando.

PASS: correlação inicial não vira verdade.

LRN-E2E-003 — Preço sugerido × definido × aceito

  1. IA sugere R$ 35 mil.
  2. Humano define R$ 32 mil.
  3. Cliente contrapropõe R$ 30 mil.
  4. Negociação termina em R$ 31 mil.
  5. Os quatro momentos permanecem registrados.
  6. Depois de vários casos, Orquestro mostra diferença recorrente.
  7. Não conclui que IA ou vendedor está errado.
  8. Pode sugerir hipótese para investigar.

PASS: aprendizado de preço não vira otimização autônoma.

LRN-E2E-004 — Potencial estratégico previsto × realizado

  1. Business Fit registrou “expansão para outras unidades” como potencial Alto, confiança Média.
  2. Primeiro contrato é fechado.
  3. Seis meses depois surge nova Opportunity de outra unidade.
  4. StrategicPotentialOutcome = EXPANSION_OBSERVED.
  5. O dado passa a enriquecer análises futuras.
  6. Não transforma automaticamente todo cliente semelhante em estratégico.

PASS: hipótese futura pode ganhar evidência sem generalização automática.

LRN-E2E-005 — Parked reativado

  1. Opportunity foi PARKED.
  2. CustomerRelationship ficou INACTIVE_WITH_POTENTIAL.
  3. Data de retomada chega.
  4. Comercial reativa a conversa.
  5. Nova Opportunity é criada.
  6. Posteriormente vira contrato.
  7. Orquestro registra Parked → Retomado → Won.
  8. Esse caso passa a compor aprendizado de reativação.

PASS: “não agora” produz conhecimento próprio, separado de perda.

LRN-E2E-006 — Hipótese rejeitada

  1. IA identifica Pattern.
  2. Sugere hipótese.
  3. Responsável considera a explicação inadequada.
  4. Hipótese é marcada REJECTED.
  5. Motivo pode ser registrado.
  6. Pattern permanece.
  7. Produto não muda.
  8. Rejeição também entra no aprendizado da contribuição da IA.

PASS: humano pode contradizer a inteligência sem perder histórico.

LRN-E2E-007 — Teste inconclusivo

  1. Hipótese é aprovada.
  2. Teste roda por período definido.
  3. Amostra continua pequena e resultados contraditórios.
  4. Resultado = INCONCLUSIVE.
  5. Nenhum Learning conclusivo é forçado.
  6. Humano pode continuar observando ou encerrar.

PASS: o Orquestro aceita não saber.

LRN-E2E-008 — Cliente Zero → piloto → Proposed Change

  1. LC Verum percorre fluxo como Cliente Zero.
  2. Fricção é registrada.
  3. Não é tratada como validação externa.
  4. Fluxo mínimo fica navegável.
  5. Piloto externo encontra evidência semelhante.
  6. Evidence é registrada.
  7. Learning é validado.
  8. Proposed Change é criado.
  9. Responsável humano aprova.
  10. Mudança é implementada e auditada.

PASS: produto evolui por evidência registrada, não por impressão isolada.

57. Gate de saída

O Incremento 7 só está concluído quando:

  • Dashboard enxuto funciona.
  • One Page funciona.
  • Tempo de ciclo é mensurável.
  • Conversão é mensurável.
  • Won, Lost e Parked são separados.
  • Origem é analisada além de volume.
  • Ofertas podem ser analisadas por venda, ticket, recorrência e esforço.
  • Mercado potencial permanece investigação.
  • Bom cliente pode ser confrontado com dados reais.
  • Recorrência e reativação são mensuráveis.
  • Indicações são rastreáveis.
  • Potencial estratégico previsto × realizado funciona.
  • Preço sugerido × definido × aceito funciona.
  • Condição inicial × final funciona.
  • Contrapropostas entram no aprendizado.
  • Solution sugerida × validada funciona.
  • Sugestões aceitas, ajustadas e rejeitadas são mensuráveis.
  • Motivo de ajuste pode ser preservado.
  • Pattern registra amostra e período.
  • Evidência contrária é suportada.
  • Hipótese não vira Learning sem teste/revisão adequada.
  • Humano decide se vale testar.
  • Teste inconclusivo é legítimo.
  • Learning exige humano.
  • Proposed Change exige humano.
  • ICP não muda automaticamente.
  • Metodologia não muda silenciosamente.
  • Cliente Zero permanece validação interna.
  • Piloto usa Evidence → Learning → Proposed Change.
  • O produto não atribui causalidade ao Orquestro sem desenho de validação.
  • Os 8 E2Es passam.

58. Resumo quantitativo

Requisitos: 342
Testes: 96
E2Es obrigatórios: 8
Novo Human Gate comercial: nenhum

59. Freeze do Incremento 7

Consideram-se congelados:

  • Dashboard enxuto
  • One Page executivo
  • Tempo do ciclo
  • Conversão
  • Ofertas
  • Mercados e perfis
  • Origem dos negócios
  • Ganhos / Perdas / Parked
  • Gargalos
  • Bom cliente × dados reais
  • Preço sugerido × definido × aceito
  • Condição inicial × final
  • Contrapropostas
  • Solution sugerida × validada
  • Sugestões aceitas / ajustadas / rejeitadas
  • Motivo do ajuste
  • Potencial estratégico previsto × realizado
  • Recorrência
  • Expansão
  • Indicação
  • Reativação
  • Dado → Padrão → Hipótese
  • Humano decide testar
  • Teste → Resultado → Learning
  • Proposed Change
  • Nenhuma mudança silenciosa
  • Cliente Zero
  • Pilotos externos
  • Sem causalidade artificial
  • Sem ML preditivo no MVP

60. Encerramento dos 7 incrementos

Com este Incremento 7, os sete incrementos do Orquestro ficam fechados em conteúdo:

  1. Fundação
  2. Configuração Comercial
  3. Lead e Necessidade
  4. Solução
  5. Negócio
  6. Proposta e Decisão
  7. Inteligência e Aprendizado

O próximo passo não é um novo incremento funcional.

É a Revisão Transversal Final do MVP, incluindo:

  • patch formal dos Gates 8–13;
  • mapa completo de telas;
  • objetos principais;
  • permissões;
  • dados sensíveis;
  • regras centrais da IA;
  • TruthMode;
  • versionamento;
  • auditoria;
  • dependências entre incrementos;
  • critérios globais de aceite;
  • revisão de duplicidades e inconsistências;
  • consolidação do MVP como Freeze Candidate geral.

Visão de gráfico

Backlinks