O framework PACED ajuda a decidir quando revelar o uso de IA no produto

Times de produto que adotaram geração de texto 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 → (respostas de suporte, descrição de item, resumo de reunião, rascunho de e-mail) enfrentam uma pergunta que não tem resposta de manual de marca: quando contar pro usuário que aquilo foi feito, ou ajudado, por IA? Um artigo publicado em 25 de setembro de 2026 pelo Nielsen Norman Group (NN/G), assinado por Taylor Dykes, reúne o estado da pesquisa acadêmica sobre o tema e propõe um framework de cinco perguntas, batizado PACED, para substituir a resposta de bolso ("disclosure sempre corrói confiança" ou "nunca revele") por uma decisão contextual.

O gatilho regulatório é concreto: a lei de IA da União Europeia, aprovada em 2024, passou a exigir divulgação de conteúdo gerado por IA em casos específicos, com as obrigações de transparência entrando em vigor em agosto de 2026. No Brasil não existe ainda uma obrigação equivalente (o projeto de regulação de IA segue em tramitação no Congresso), o que deixa a decisão de avisar ou não nas mãos de quem desenha o produto, sem uma âncora legal clara para a maioria dos casos. É exatamente o vácuo que o PACED tenta preencher.

O paradoxo que trava quem decide

O achado mais incômodo do levantamento é o que os pesquisadores Siavosh Sahebi, Paul Formosa e Sarah Bankins chamam de "disclosure paradox": as pessoas dizem que querem ser avisadas quando IA foi usada, mas avaliam o conteúdo avisado como menos confiável, menos autêntico e menos útil do que o mesmo conteúdo sem aviso. No estudo desse trio, textos atribuídos à IA foram julgados pior mesmo quando os participantes afirmavam, em outra pergunta, que a divulgação era importante para eles.

Um segundo estudo, de Jingchao Fang, Victoria Xiaohan Wen e Mina Lee (apresentado na FAccT 2026), mostra a assimetria do outro lado: quando as mesmas pessoas são colocadas no papel de autoras, elas consideram a divulgação bem menos necessária do que quando estão no papel de leitoras. Ou seja, todo mundo quer saber quando o outro usou IA, mas ninguém acha tão urgente avisar quando é a própria IA que ajudou. Para quem desenha produto, isso significa que pesquisa de usuário sobre "você gostaria de saber se isso foi feito por IA?" tende a superestimar a demanda real por transparência, e a resposta observada em comportamento (não em atitude declarada) costuma divergir do que as pessoas dizem em entrevista.

Há uma saída pragmática nesse impasse, e ela vem de outro estudo citado no artigo: Oliver Schilke e Martin Reimann testaram divulgação proativa contra divulgação feita por terceiros (a plataforma expondo o uso de IA depois do fato) e encontraram que ser exposto por terceiros gera a queda de confiança mais forte de todas as condições testadas. Avisar antes, mesmo que doa um pouco na percepção, é sempre melhor do que deixar a plataforma, um jornalista ou outro usuário fazer essa revelação por você.

Nem todo disclosure pesa igual

O NN/G destaca que o efeito da divulgação não é uniforme, e dois fatores explicam boa parte da variação. O primeiro é o papel que a IA exerceu. No experimento de Zhuoyan Li e equipe, dizer que a IA gerou o conteúdo derrubou a nota de qualidade tanto de ensaios argumentativos quanto de textos criativos; dizer que a IA apenas editou o texto teve efeito bem mais estreito, prejudicando só os textos criativos. Hiroki Nakano e colegas encontraram um padrão parecido em outro desenho de estudo: quanto maior o percentual de texto atribuído à IA, pior a nota dada ao autor, numa relação praticamente linear.

O segundo fator é o tipo de conteúdo. Escrita interpessoal, aquela que depende de sinceridade e conexão humana (recado de agradecimento, carta pessoal, e-mail de condolências), sofre a penalidade mais forte quando a IA é revelada. Já em escrita transacional ou informativa, como lembrete de compromisso, a reação negativa é bem mais branda. Um exemplo concreto e que interessa direto a quem cuida de marca: no estudo de Jasper David Brüns e Martin Meißner, participantes não conseguiam distinguir visualmente uma imagem de moda gerada por IA de uma foto real numa etapa piloto; mas quando essa mesma imagem, incluída em posts de uma marca nas redes sociais, veio identificada como gerada por IA, a percepção de autenticidade da marca, a credibilidade do post e a atitude em relação à marca caíram. O problema não foi a qualidade da imagem, foi o rótulo.

As cinco perguntas do PACED

O framework proposto pelo NN/G organiza a decisão em cinco eixos, cada um com uma pergunta prática:

• Policy (política): existe obrigação legal, de plataforma ou de política interna que já force a divulgação? Se o conteúdo cai sob um caso previsto na lei de IA da UE, a resposta é automática. Fora disso, vale checar se a própria plataforma aplica um selo de IA por sinais técnicos, porque, como visto acima, ser rotulado por terceiros é o pior cenário.
• Audience (audiência): qual a atitude prévia do seu público em relação a tecnologia e IA? Pessoas mais favoráveis à tecnologia tendem a reagir com menos penalidade; usuários confiantes na própria capacidade de escrever tendem a julgar mais duramente um texto assistido por IA.
• Context (contexto): o quanto a interação depende de qualidades associadas a um autor humano, como sinceridade, criatividade ou julgamento pessoal? Mensagem transacional pesa pouco; comunicação interpessoal ou criativa pesa muito.
• Expectations (expectativas): seus usuários já assumem que serão avisados quando IA estiver envolvida? O artigo lembra o princípio de que "você não é o usuário": a intuição de quem constrói o produto sobre a necessidade de aviso frequentemente não bate com a expectativa de quem consome.
• Degree (grau de contribuição): a IA só ajustou um parágrafo ou gerou o conteúdo inteiro? Quanto mais central a contribuição da IA, maior o risco de atribuição incorreta de mérito ao autor humano se não houver aviso, mas também maior a chance de penalidade se houver.

O que isso muda para quem desenha o produto

Para times de produto e design no Brasil, o PACED serve menos como checklist de compliance e mais como roteiro de decisão de 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 →. Um exemplo de aplicação: um e-commerce↳E-commerce21 conteúdosECBR Club: novo espaço para devs se conectarem ao ecossistema de e-commerceDev (Back & Front) · mai 2025TOTVS anuncia joint venture com VTEXMarketing Tech · mai 2019Jovens da Brasilândia recebem formação gratuita em tecnologiaGestão Dev & TI · jul 2025Ver tudo em Marketing Tech → que usa IA para gerar descrição de produto está numa zona de baixo risco (Context transacional, Degree alto, mas Expectations baixas: ninguém espera texto redigido à mão por um humano numa ficha técnica); ali, um selo discreto de "descrição gerada com apoio de IA" tende a custar pouco. Já um app de terapia ou de apoio emocional que usa IA para redigir respostas empáticas está no polo oposto: Context de altíssima dependência de sinceridade humana, e qualquer disclosure ali carrega o risco de erodir justamente o vínculo que o produto vende.

O ponto que o NN/G deixa em aberto, e que cabe a cada equipe de produto responder com a própria pesquisa de usuário, é que não existe benchmark de mercado a copiar: o efeito de um mesmo aviso muda de app para app, de audiência para audiência. Isso empurra a decisão de disclosure para dentro do processo de design, ao lado de testes de usabilidade e não como nota de rodapé jurídica escrita depois que o produto já foi ao ar. Vale também documentar a decisão: se hoje a equipe decide não revelar porque o Degree é baixo e o Context é transacional, essa mesma decisão precisa ser revisitada no dia em que a funcionalidade crescer em autonomia, porque é exatamente aí, mostra a pesquisa de Nakano e equipe, que a percepção do usuário desliza.

Fonte: Nielsen Norman Group