IA para UX · Passo 1 · 9 min de leitura
O que é IA (e o que não é)
O ponto de partida para designers que estão começando em IA: o que as ferramentas de IA de hoje fazem de verdade, as poucas ideias que explicam o comportamento delas (tokens, contexto, data de corte do treino, probabilidade), por que elas inventam coisas, e o que isso significa para o trabalho de design.
Você não precisa entender a matemática para trabalhar bem com IA. Precisa de algumas ideias que explicam por que ela se comporta como se comporta: por que é brilhante numa primeira versão e descuidada com uma data, por que "esquece" o começo de uma conversa longa, por que soa segura quando está errada. Esta nota traz essas ideias em palavras simples, com exemplos do trabalho de design.
O que você vai conseguir fazer depois de ler:
- Explicar em um minuto o que uma ferramenta de IA generativa faz, sem hype
- Usar seis palavras do jeito certo: modelo, prompt, token, contexto, data de corte do treino, alucinação
- Prever onde a IA vai ajudar e onde ela vai decepcionar
- Saber o que conferir antes de confiar numa resposta de IA
1. "IA" quer dizer muitas coisas. Este curso fala de uma
"Inteligência artificial" é um termo guarda-chuva antigo. Ele cobre coisas que você já usa sem chamar de IA:
Classifica, ordena ou prevê a partir de dados.
Filtros de spam, "você também pode gostar", alertas de fraudeEntende imagens, som ou fala.
Desbloqueio pelo rosto, ditado, busca de fotosCria texto, imagens, código, áudio ou vídeo novos.
Claude, ChatGPT, Gemini, o agente do Figma: este cursoEste curso fala principalmente de IA generativa, a que escreve, desenha e constrói junto com você. A maior parte dela roda num modelo de linguagem grande (LLM) (para texto e código) ou num modelo de difusão (para imagem e vídeo). Muitas ferramentas hoje combinam os dois e aceitam texto, imagens, áudio e arquivos ao mesmo tempo: são multimodais.
2. O que um modelo de linguagem faz, em uma frase
Ele continua o texto do jeito mais provável, um pedacinho de cada vez.
"Seu pagamento foi recusado porque o cartão …"
- expirou62%
- não21%
- está9%
- outros tokens8%
O app escolhe um token, acrescenta ao texto e pergunta de novo. Uma resposta inteira é esse ciclo, centenas de vezes.
Só isso. Quando você pede "Escreva três mensagens de erro para um upload que falhou", o modelo não procura uma resposta. Ele prevê o próximo pedaço de texto mais provável, acrescenta, prevê o seguinte, e assim por diante, até a resposta ficar completa. Ele aprendeu o que é "provável" lendo uma quantidade enorme de texto durante o treino (veja Como um modelo aprende).
Todo o resto vem daí:
- Ele é excelente no que se parece com o que ele leu muito: e-mails, resumos, código, textos de interface, planos de pesquisa.
- Ele não é confiável no que precisa de um fato exatamente certo, a menos que receba o fato: datas, preços, citações, nomes, números.
- Ele sempre produz alguma coisa, mesmo quando a resposta honesta seria "não sei".
3. Seis ideias que explicam o comportamento da IA
1. O prompt
Um prompt é tudo o que você entrega ao modelo: sua pergunta, suas instruções, os arquivos que você anexa. As ferramentas também acrescentam instruções escondidas próprias, o system prompt. A qualidade da resposta depende muito do prompt, e é por isso que Padrões de prompt para designers é uma aula à parte.
2. Tokens
Os modelos não leem letras nem palavras; leem tokens, pedacinhos de texto. Um token tem poucos caracteres (em inglês, muitas vezes cerca de 3 a 4), e o tamanho exato depende do modelo e da língua: a mesma frase pode custar quantidades diferentes de tokens em ferramentas diferentes (glossário da Anthropic). Tokens importam porque as ferramentas limitam e cobram por tokens, e porque o modelo "enxerga" o texto nesses pedaços (um dos motivos de ele às vezes ser estranhamente ruim em contar letras).
3. A janela de contexto
A janela de contexto é quanto texto o modelo consegue considerar de uma vez: seu prompt, os arquivos e a conversa inteira até ali. Nas ferramentas atuais ela é grande, mas não infinita. Numa conversa muito longa, detalhes do começo podem receber menos atenção ou sair. Se algo importa, repita ou coloque num arquivo que a ferramenta sempre lê (veja Arquivos de contexto).
4. A data de corte do treino
Um modelo aprende com textos reunidos até uma certa data, a sua data de corte do conhecimento. Ele não sabe o que aconteceu depois, a menos que a ferramenta entregue informação nova, por exemplo buscando na web ou lendo seus documentos. Um modelo perguntado sobre "os recursos mais novos do Figma" pode descrever os do ano passado.
5. Probabilidade e temperatura
Como o modelo escolhe texto provável, o mesmo prompt pode dar respostas diferentes a cada vez. Uma configuração chamada temperatura controla o quanto a escolha é ousada: baixa para respostas consistentes, mais alta para variedade. Para um designer, isso é um recurso: pergunte de novo e você ganha outra opção.
6. Alucinação
Quando o modelo não tem a informação certa, ele ainda produz um texto fluente e confiante. Citações, fontes, estatísticas ou recursos inventados se chamam alucinações. Não são um defeito que vai sumir em breve; são um efeito colateral de como o modelo funciona. Ficam mais raras quando o modelo recebe os fatos (ancoragem, RAG) e quando alguém confere o resultado.
4. O que a IA não é
| Ela não é… | Por que importa |
|---|---|
| Um banco de dados | Ela não guarda fatos que consiga recuperar com exatidão. Peça uma citação e ela pode escrever uma plausível |
| Um buscador (sozinha) | Sem uma ferramenta de busca, ela não consegue conferir nada. Com uma, veja quais fontes ela usou |
| Uma pessoa | Ela não tem intenções, memórias de você (a menos que um recurso as guarde) nem noção de consequências. Um tom simpático é um estilo, não empatia |
| Sempre atualizada | O conhecimento dela para na data de corte do treino |
| Neutra | Ela reflete os textos com que aprendeu, incluindo lacunas e vieses. Veja Viés algorítmico (algorithmic bias) |
| Responsável | Você é. Se um resultado de IA vai para produção, quem colocou lá responde por ele |
5. Capacidades mais novas de que você vai ouvir falar
- Modelos de raciocínio "pensam antes de responder": escrevem passos intermediários antes da resposta final. São melhores em problemas de vários passos; mais lentos e mais caros.
- Uso de ferramentas: o modelo consegue chamar ferramentas, como buscar na web, rodar código ou ler um arquivo do Figma via MCP.
- Agentes: um modelo que usa ferramentas em ciclo para concluir uma tarefa de vários passos (ler um ticket, desenhar uma tela, conferir, corrigir). Poderosos, e mais importantes de supervisionar.
Essas capacidades não mudam a ideia básica. Elas dão ao mesmo motor de "continuar o texto" mais informação e mais formas de agir.
6. O que isso significa para o trabalho de design
Onde a IA mais ajuda
- Primeiras versões: variações de texto, planos de pesquisa, roteiros de entrevista, esboços de especificação
- Transformação: resumir, traduzir, reorganizar, mudar o tom
- Exploração: muitas opções rápido, para você reagir e escolher
- Explicação: temas desconhecidos, código, regulamentos (e depois conferir a fonte)
Onde ter cuidado
- Tudo o que precisa estar exatamente certo: dados, citações, afirmações jurídicas ou de acessibilidade
- Tudo sobre os seus usuários que não veio dos seus usuários (veja Usuários sintéticos)
- Material confidencial: dados de clientes, gravações de pesquisa, planos não lançados. Veja Dados pessoais em prompts (personal data in prompts)
7. Experimente (sem código)
Use qualquer assistente de IA que você tenha permissão para usar.
- Veja a probabilidade. Faça a mesma pergunta três vezes, em conversas novas: "Escreva uma mensagem de uma linha para o estado vazio de uma lista de tarefas." Compare as respostas.
- Veja a data de corte. Pergunte "Quais são os recursos de IA mais novos do Figma?". Depois compare com as páginas de ajuda do próprio Figma (a aula IA no Figma tem os links). O que falta ou está desatualizado?
- Veja uma alucinação. Peça "três estudos, com autores e ano, sobre o número ideal de itens num menu de navegação". Confira se cada estudo existe. Repare no quanto a resposta soou confiante.
- Veja a ancoragem funcionar. Cole um texto real curto (um artigo público) e peça um resumo com citações. Confira as citações no texto.
Perguntas para refletir: qual dos quatro resultados mais surpreendeu você? Quais tarefas do seu trabalho precisam de "exatamente certo", e quais precisam de "boas opções rápido"?
8. Se você lidera um time
- Use esta aula como ponto de partida comum: um time que compartilha as mesmas seis ideias decide melhor sobre ferramentas e revisões.
- Combine uma regra para fatos: todo número, citação ou fonte vindo da IA é conferido antes de sair do time.
- Garanta que todo mundo sabe quais ferramentas estão aprovadas para quais dados. Veja Governança de IA e proteção de dados.
Checklist
Para saber mais
- Como um modelo aprende, a próxima aula, mostra como um modelo é treinado, com um experimento real
- NN/g: AI Hallucinations: What Designers Need to Know · Designing AI Products: Study Guide
- Anthropic: Glossário (tokens, janela de contexto, temperatura, RAG, RLHF em palavras simples)
- Google PAIR: People + AI Guidebook
Livros, cursos e vídeos para ir mais fundo (em inglês)
Relacionadas
Como um modelo aprende · Panorama de ferramentas de IA · Padrões de prompt para designers · Modelo de linguagem grande (LLM) · Token · Janela de contexto (context window) · Alucinação (hallucination) · Data de corte do conhecimento (knowledge cutoff)