O design de produto precisa parar de produzir informação e começar a desenhar decisões

O problema tem nome: workslop

Uma pesquisa de 2025 da BetterUp Labs com o Stanford Social Media Lab encontrou que 40% dos trabalhadores de escritório nos Estados Unidos receberam workslop no mês anterior: um conteúdo gerado por IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → que parece pronto, mas não resolve nada. Em média, cada episódio consumiu quase duas horas de quem precisou consertar o estrago.

Faça a conta num time de dez pessoas, uma peça de workslop por mês cada uma: são cerca de 20 horas, mais de dois dias úteis, só limpando o atalho de outra pessoa. A designer Patrizia Bertini usa esse dado, num ensaio publicado em 13 de novembro na UX↳UX33 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025UX, IA e Front-End: quando experiência, inteligência e código se encontram para criar o futuro digitalProduto & UX · jul 2025Novidades em UX/UI para 2025: O futuro do design de experiências digitaisProduto & UX · abr 2025Ver tudo em Produto & UX → Collective, para abrir uma pergunta que interessa direto a quem desenha produto: se a IA produz informação mais rápido do que qualquer time consegue ler, o gargalo não é mais gerar conteúdo. É decidir o que fazer com ele.

Essa é a virada que eu acho que a nossa categoria ainda não processou direito. Discovery (a pesquisa que informa o que construir) sempre foi sobre produzir conhecimento a partir de evidência escassa. Quando a evidência fica abundante e barata, o trabalho de quem desenha produto deixa de ser gerar informação e passa a ser desenhar o processo que transforma aquele volume em decisão confiável.

Mais dado não é mais sabedoria

Bertini recorre a um modelo antigo da gestão da informação, a pirâmide DIKW (Data, Information, Knowledge, Wisdom), formalizada por Russell Ackoff no fim dos anos 1980: dado é o sinal bruto, informação é dado organizado, conhecimento é informação interpretada e aplicada, sabedoria é o que permite julgar entre opções. Cada nível depende do de baixo, mas a soma de conhecimento não vira sabedoria sozinha.

Em 1987, Milan Zeleny propôs a mesma escada em linguagem de empresa: saber-nada (dado), saber-o-quê (informação), saber-como (conhecimento) e saber-por-quê (sabedoria). É esse último nível que permite comparar e julgar as decisões, não só executá-las.

A sabedoria é sempre conhecimento, mas o conhecimento nem sempre é sabedoria.

Jacques Steyn, citado por Patrizia Bertini em artigo na UX CollectiveWisdom is always knowledge, but knowledge is not always wisdom.

O ponto prático pra quem desenha produto: a IA entrega saber-o-quê e saber-como com uma velocidade que nenhum time de pesquisa teve antes. O saber-por-quê, que é exatamente o que orienta prioridade de roadmap, continua sendo trabalho humano, e é o trabalho que a pressa de usar IA tende a cortar primeiro.

O que a IA resolve, e o que ela empurra pra você

Nem o saber-como sai pronto. O leaderboard de alucinação da Vectara, que testa quanto os modelos inventam ao resumir um documento, registrava em 2026 taxas entre 1,8% e 24,2% dependendo do modelo, segundo o artigo de Bertini. São números específicos de uma tarefa (resumo), não uma taxa de erro universal, mas mostram que mesmo o nível mais baixo da pirâmide exige checagem.

Isso devolve pra quem desenha produto uma responsabilidade que a narrativa de velocidade da IA costuma esconder: decidir onde a verificação humana é obrigatória e onde ela é desperdício. É uma decisão de produto, não um detalhe de implementação, e normalmente ninguém no time está desenhando esse fluxo de propósito.

Teatro da decisão ou design de decisão

A frase que dá título ao ensaio de Bertini descreve uma armadilha que eu reconheço em muito roadmap de IA: colocar uma pessoa sobrecarregada na frente de um output de IA e chamar isso de "humano no loop" não garante decisão nenhuma.

Coloque uma pessoa desengajada, sobrecarregada ou alienada na frente de um output de IA e você tem o teatro da decisão: a ilusão de que uma decisão aconteceu quando não aconteceu. Alguém clicou em aprovar. Ninguém decidiu.

Patrizia Bertini, designer e autora do ensaio na UX CollectivePut a disengaged, overloaded or alienated person in front of an AI output and you get decision theatre: the illusion that a decision happened when it did not. Someone clicked "approve". Nobody decided.

Para virar decisão de verdade, e não teatro, Bertini lista três condições que eu leio como um briefing de produto: competência pra ler contexto e separar resposta válida de resposta bem formatada; autoridade (nome, cargo, poder de sobrepor a IA e responder pelo resultado); e processo desenhado para dar tempo e informação certa, sem afogar quem decide em fadiga de decisão. Falta uma das três, e a decisão desaba em teatro.

O contra-argumento que vale levar a sério

Dá pra discordar aqui, e a objeção é forte: nem toda decisão precisa de supervisão humana cara, e insistir nisso para decisões de baixo risco é fadiga de decisão disfarçada de responsabilidade. O próprio Artigo 26(2) do AI Act europeu, citado por Bertini, não pede supervisão humana para qualquer uso de IA, só para sistemas classificados como de alto risco, como concessão de empréstimo, vaga escolar ou acesso a benefício.

Isso derruba a leitura de que design de decisão significa colocar gente revisando tudo. Significa o oposto: desenhar com critério ONDE a revisão humana é obrigatória (porque afeta direito de alguém e a empresa não pode se esconder atrás do sistema) e onde ela só atrapalha. Esse recorte também é trabalho de produto, e normalmente nenhum PRD trata disso como decisão de design.

O que muda pra quem desenha produto no Brasil

Se o discovery de ontem era sobre produzir conhecimento com evidência escassa, o discovery de agora é sobre desenhar o fluxo que decide o que fazer com evidência abundante. Bertini aponta três famílias de habilidade que viram o trabalho em si, não um extra: julgamento crítico (desconfiar, perguntar de onde vem a afirmação, notar o que falta), síntese (organizar conhecimento em estrutura que aumenta confiabilidade) e habilidades humanas (empatia, coragem de discordar da máquina, assinar embaixo do resultado).

A pergunta boa pra levar pro seu próprio roadmap não é "onde usamos IA". É: nas decisões que o seu produto toma hoje, quem tem nome, cargo e autoridade pra responder por elas quando a IA errar, e o processo ao redor dessa pessoa dá tempo real pra decidir, ou só dá um botão de aprovar?

Fonte: UX Collective