A Inteligência Artificial ampliou as possibilidades. Em tudo. Hoje, é mais fácil criar ideias, rascunhos ou protótipos. Com um agente de IA, é possível validar pensamentos e até possíveis previsões sobre o resultado de um novo produto ou experiência. A verdade é que o modelo está sempre encorajando o usuário e, o que é mais perigoso, concordando com ele.
O trabalho até avança, as ideias ficam cada vez melhores. Mas pouco se questiona se aquela é, de fato, a ideia certa.
Segundo Noah Levin, VP de Design da Figma, que participou do Nu Design Day – encontro que reuniu as equipes de design e research do Nubank –, esse fenômeno já é conhecido pela Ciência da Computação. É o chamado hill climbing: algoritmo matemático de busca que, primeiro, encontra uma solução aleatória para um problema e, depois, busca melhorar aquela resposta. É como se alguém subisse uma colina, mas, mesmo chegando ao topo, nunca descobrisse se aquele é de fato o pico.
“Você acha que está progredindo porque está subindo cada vez mais. Mas não está, necessariamente, chegando ao ponto mais alto possível”, explica.
Agora, multiplica-se esse fenômeno para todo um time. Cada colaborador trabalha com seu próprio agente de IA, de forma isolada, subindo sua própria colina. O resultado está em profissionais cada vez mais produtivos, mas não necessariamente mais velozes como time.
Novos silos da IA
Foto: Reprodução/LinkedIn.
Segundo Levin, esse é o primeiro de dois problemas que a IA generativa introduziu nas dinâmicas de trabalho criativo e, não por acaso, nos mais diferentes segmentos de negócios e equipes: o surgimento de novos silos.
Em sua visão, esse contexto ajuda a explicar um descompasso aparente no mercado de tecnologia e design. O número de aplicativos lançados na era da IA deu um salto, mas a proporção de produtos que, de fato, ganham uso relevante não acompanhou esse ritmo.
A justificativa para esse cenário está na forma como as equipes passaram a trabalhar com IA. Segundo o executivo, os protótipos ficaram mais rápidos de produzir. Mas, também mais difíceis de compartilhar. Com isso, feedbacks chegam atrasados, informações são fragmentadas, e o processo de trabalho fica cada vez mais isolado.
“Isso torna ainda mais fácil que cada pessoa da equipe siga em uma direção diferente”, destaca. Trabalhar rápido sozinho funciona bem para tarefas pequenas. O problema aparece quando cada pessoa do time está lançando uma funcionalidade diferente, sem nenhuma coordenação entre elas.
O resultado é lentidão disfarçada de velocidade e experiências que não fazem sentido para o consumidor final.
A rendição silenciosa
Outro desafio trazido pela era da IA generativa é o que Levin chama de quiet surrender. Uma vez que os modelos são treinados a partir de praticamente tudo o que já foi produzido, conseguem responder de forma razoável qualquer pedido feito pelo usuário. Mas, por causa disso, os modelos de IA também tendem a gravitar para o centro. Ou seja, para a resposta padrão, mais comum e previsível. É o chamado in-distribution.
“Se você pede um logotipo para uma IA, provavelmente vai receber uma marca geométrica simples, com gradiente. Se pede um pitch deck, vai receber um dos mesmos três layouts que você já viu antes. Nada disso está errado, é até competente. O problema é que, quando a resposta já chega boa o suficiente, é mais fácil aceitá-la do que buscar algo ainda melhor“, descreve.
É uma mudança de comportamento sutil: aos poucos a pergunta deixa de ser “o que isso deveria ser?” e passa a ser “qual dessas opções é a menos errada?”. Times deixam de aspirar pelo melhor possível e passam a se contentar pelo “bom o suficiente”.
“Ninguém sente isso como uma perda dramática de controle. Acontece uma pequena concessão de cada vez. E é exatamente por isso que é fácil não perceber, nem no time, nem em si mesmo.”
Velocidade, direção e diferenciação
Nesse contexto, o papel da liderança muda, já que é ela quem deve oferecer a solução para esse problema. “O trabalho de quem lidera não é pedir para o time se esforçar mais. É resetar o que significa ‘bom’, para que as pessoas enxerguem uma diferença que sozinhas não conseguem ver”, define Noah Levin.
Isso significa ir além da pergunta “isso é bom?”. É preciso questionar se, na verdade, a resposta ou solução proposta é óbvia, se qualquer outra pessoa teria alcançado o mesmo resultado partindo de determinado prompt.
Ainda, ele aponta que a IA ofereceu velocidade. Mas, ela sozinha não garante o sucesso da organização e nem a inovação em produtos, serviços e experiências. É preciso, além disso, direção e diferenciação, tudo junto, ao mesmo tempo.
Isso porque velocidade e diferenciação sem direção criam ruído: o time se move rápido, mas em direções opostas. Já direção e diferenciação sem velocidade geram atraso, e ideias originais acabam enterradas no limbo da irrelevância. E direção e velocidade, sem diferenciação, produzem bons resultados, mas esquecíveis.
O que importa é o resultado
Nesse cenário, o próprio papel do designer também está em transformação. Hoje, esse profissional se vê diante de uma falsa dicotomia. Por um lado, é esperado que ele assuma tarefas tradicionalmente de engenharia. Por outro lado, espera-se que ele migre para um papel mais estratégico, de definição de produto.
No entanto, Levin argumenta que o custo de trabalho de artefatos – ou seja, as entregas visíveis do trabalho de design, como tela, protótipo, fluxo e código – ficou mais barato e mais rápido de produzir com a chegada da IA. “O artefato deixou de ser o ponto. O resultado é o que importa”, resume.
Em sua visão, isso desloca o valor do trabalho de design para atividades que não são automatizáveis com a mesma facilidade. Como manter a coerência de um sistema, negociar entre áreas com interesses distintos e realizar curadorias, e não apenas criações. Algo que se reflete nas mais diversas áreas do mercado de trabalho hoje.
Essa mudança também abriu espaço para uma nova função. É o que Levin chama de “designers de modelo”: profissionais dedicados a atuar na intersecção entre design e comportamento dos modelos de IA.
Esse grupo, ainda pequeno e centralizado, deve desenvolver um repertório técnico que, até então, não fazia parte do design tradicional. Assim, é preciso entender conceitos de avaliação de modelos, janelas de contexto, prompts de sistema e fine-tuning.
Maturidade em IA
Levin apresenta um quadrante usado internamente pela Figma para descrever como diferentes organizações estão adotando IA, cruzando maturidade individual e maturidade organizacional:
- Nascente (baixa maturidade individual e organizacional): segundo ele, esse era o grupo mais comum há dois anos e hoje é o menor.
- Adoção de baixo para cima: profissionais avançados no uso de IA, muitas vezes com ferramentas pessoais, enquanto a organização ainda não formalizou processos, licenças ou políticas claras.
- Adoção de cima para baixo: liderança já definiu estratégia, criou comitês e licenciou ferramentas, mas o time ainda não incorporou essas mudanças no dia a dia.
- Elite alinhada (alta maturidade em ambas as dimensões): o cenário mais raro, mas o que mais cresce proporcionalmente, segundo Levin.
O diagnóstico muda a receita, segundo ele. Em organizações com adoção vinda de baixo para cima, o desafio não é criar mais estratégia, e sim dar legitimidade a quem já está usando IA de forma avançada. Ou seja, identificar essas pessoas e elevá-las, em vez de deixá-las invisíveis.
Já em organizações com adoção de cima para baixo, o obstáculo costuma ser a diferença entre ter um documento de estratégia e efetivamente criar as condições para que os times testem, errem e aprendam.
Se, hoje, o progresso e a produtividade são medidos pela velocidade, ainda resta entender quais critérios devem ser adotados para garantir que as entregas não sejam apenas “boas o suficiente” – tanto nos times de design quanto todos os outros.
