Na era da Inteligência Artificial, a questão central não é se a IA substituirá o humano, mas como o humano irá governá-la.
Com a rápida ascensão da Inteligência Artificial, a conversa sobre o papel do humano na pesquisa e no design UX tem se intensificado. A IA já realiza tarefas de pesquisa, gerando temas a partir de notas de entrevista ou feedback sintético. Isso suscita a questão fundamental: quando todos podem ‘fazer pesquisa’, quem garante a honestidade e o rigor? A resposta reside em um modelo que não visa remover o humano, mas sim elevá-lo a um papel de governança.
Researcher-in-the-Loop: Um Novo Paradigma para a Pesquisa UX
O modelo Researcher-in-the-loop (Pesquisador-na-Loop) propõe uma inversão deliberada do conceito tradicional de ‘human-in-the-loop’, em que o humano apenas verifica o trabalho da máquina. Aqui, o pesquisador se torna o governador do sistema, projetando e supervisionando ferramentas de IA para garantir que a pesquisa seja conduzida de forma segura, rigorosa e ética. Este modelo se apoia em três pilares essenciais:
- Democratização da Pesquisa com Guardrails: Inspirado em Kara Pernice (Nielsen Norman Group), defende que não-pesquisadores podem e devem fazer pesquisa, mas com diretrizes claras, educação e desmistificação do processo.
- ResearchOps como Infraestrutura de IA: A comunidade ResearchOps, que se dedica a otimizar e escalar o trabalho de pesquisa, nos deu a linguagem da pesquisa como infraestrutura. A governança da IA na pesquisa é, na verdade, ResearchOps aplicada à IA, garantindo os ‘mecanismos e estratégias que colocam a pesquisa em movimento’.
- Pesquisa Atômica para Confiança: O modelo de Daniel Pidcock (conhecido pela pesquisa atômica, que segmenta as descobertas de pesquisa em unidades pequenas e reutilizáveis) e Tomer Sharon (nuggets, que são insights acionáveis extraídos desses átomos de pesquisa) é crucial. Não se pode construir um assistente de pesquisa confiável sobre PDFs enterrados; é preciso uma base de evidências atômicas, rastreáveis e linkadas.
A governança incorpora-se ao design, tornando o rigor o padrão, não uma etapa manual de revisão. Para combater a “falácia da persona sintética” (onde ferramentas de caixa preta suavizam a variância humana e ‘alucinam’ confiança), o modelo enfatiza os seguintes pontos:
- Fontes Obrigatórias: Nenhuma percepção sem sua base. Cada resposta deve ser rastreada até os estudos originais.
- Avaliações de Confiabilidade (Scores de Confiança): Toda percepção deve ter um sinal de quanto confiar nela. Respostas de alta confiança avançam rapidamente; as de baixa confiança sinalizam a necessidade de desaceleração.
- Gatilhos de Escalada: O sistema sabe o que não pode lidar e automaticamente alerta um pesquisador humano em áreas de alto risco ou baixa confiança.
A matriz de Envelope de Substituibilidade (Risk-by-confidence matrix) é o coração operacional do modelo, determinando quando a IA pode substituir partes da pesquisa. Perguntas de baixo risco e alta confiança podem ser ‘auto-servidas’, enquanto as de alto risco e baixa confiança exigem a intervenção do pesquisador. Este é um dimensionamento de pesquisa para a era da IA, onde o recurso escasso é a supervisão humana.
O modelo, ademais, constitui um ciclo de aprimoramento contínuo. Pesquisas reais, acionadas por gatilhos de escalada, alimentam os artefatos de IA, atualizando personas e bibliotecários e aumentando os escores de confiança. Isso transforma os artefatos de IA em uma porta de entrada rápida e barata para a pesquisa contínua, conectada ao trabalho humano profundo e mais caro onde é realmente necessário.
A Autonomia da IA em Websites: Delegar, Não Desistir do Controle
Em paralelo à governança da pesquisa, o conceito de ‘website autônomo’ nos força a questionar os limites da delegação à IA. Embora seja tentador entregar todo o controle de um site a agentes de IA para otimização e manutenção contínuas, a realidade mostra que ninguém quer um site que muda completamente por conta própria. Isso ocorre porque um site não tem um único proprietário; diferentes partes pertencem a pessoas diferentes, cada uma com um nível de autonomia desejado.
A plataforma Fimo, por exemplo, demonstra que a autonomia deve ser gradual e baseada na confiança. Os agentes podem operar em três modos distintos:
- Aprovar: O agente faz o trabalho, mas um humano aprova a mudança antes da publicação.
- Sugerir: O agente apresenta sugestões, e o humano decide o que fazer.
- Agir: O agente faz a mudança, e o humano é notificado.
A confiança é construída pela visibilidade: cada ação do agente, seu histórico e as mudanças feitas podem ser inspecionados. A linha de delegação não é fixa; ela se move à medida que a confiança é conquistada. O risco real não é um agente mudar algo sem permissão, mas um site que nunca muda, ficando obsoleto e não representando mais a empresa. A autonomia serve para combater a decadência e permitir que o humano foque no que realmente importa.
Para delegar com segurança, é crucial:
- Nomear o que não será delegado: Decidir quais julgamentos permanecem humanos (ex: chamadas de clientes, a linha que define a marca).
- Definir escopo para cada agente: Dar a cada um o menor alcance necessário, especificando quais sistemas pode tocar e quais ações precisam de confirmação humana.
- Nomear o humano responsável: Cada agente deve ter um proprietário humano responsável por suas ações.
Conectando a Governança: Liderando a Interação Humano-IA
Ambos os exemplos — a pesquisa UX com o ‘Researcher-in-the-loop’ e a manutenção de websites com agentes autônomos — convergem para uma verdade fundamental: a IA avança, mas o papel do humano se torna ainda mais crítico. O pesquisador e o designer deixam de ser um ‘gargalo’ e se tornam o governador de sistemas inteligentes. Isso significa focar em:
- Estudos de alto impacto e prioridade.
- Pesquisa exploratória e gerativa.
- Questões sensíveis que envolvem dados protegidos, populações de risco ou objetivos éticos.
- Auditoria contínua da calibração do sistema, inclusive testando as áreas onde a IA está ‘mais confiante’.
A IA não substitui o pesquisador ou o designer; ela aumenta o valor da pessoa que pode governá-la. Democratização e rigor não são uma troca; são um objetivo alcançável através de governança por design, fontes obrigatórias, confiança honesta, escalada automática e funções bem definidas. É a postura que nosso campo precisa adotar para garantir que a IA sirva aos humanos, e não o contrário.
Fontes e Referências
- Researcher-in-the-loop
- Why Your Website Should Never Stop Changing
