Desenhando UX útil para IA: incerteza, progresso e recuperação

O UX de produtos com IA funciona quando a interface torna a incerteza compreensível em vez de escondê-la. O objetivo prático não é fazer o modelo parecer certo. É fazer o sistema parecer legível: o usuário precisa saber o que a IA está fazendo, o que ela sabe, o que ela não sabe e o que acontece se ela errar.

É por isso que os melhores padrões de UX para IA são construídos em torno de incerteza, progresso, fallback e intervenção humana. Uma interface forte não finge que o modelo é determinístico. Ela torna os limites visíveis cedo o suficiente para que o usuário continue confiando na experiência.

A UI tradicional assume que o sistema ou funciona ou está quebrado. Sistemas de IA são mais confusos:

• podem estar parcialmente corretos
• podem soar confiantes enquanto erram
• podem ser lentos por bons motivos
• podem precisar de mais uma informação de contexto
• podem ser úteis como rascunho, mas inseguros como ação

Isso significa que a interface precisa fazer mais do que exibir a saída. As diretrizes de interação humano-IA da Microsoft deixam isso explícito: defina expectativas, explique o comportamento, suporte correção eficiente e torne a recuperação possível ao longo de todo o ciclo de uso (Amershi et al.).

O usuário não percebe a qualidade do modelo como um benchmark. Ele a percebe pela interação:

• como a tarefa é enquadrada
• se o progresso está visível
• se a incerteza é declarada
• se o fallback mantém a tarefa andando
• se o humano consegue assumir o controle de forma limpa

É por isso que um modelo mediano com uma interface clara pode superar um modelo mais forte com uma interface confusa.

Use esta sequência ao desenhar uma funcionalidade de IA:

Se você não consegue responder a essas sete perguntas, o UX ainda não está pronto.

Diga ao usuário o que o sistema está prestes a fazer. Uma linha como "Analisando sua solicitação e verificando a política aplicável" já basta para ancorar expectativas.

Um spinner é fraco para trabalho em várias etapas. Padrões melhores incluem:

• labels de etapa
• texto de status por fase
• marcadores de conclusão parcial
• checkpoints visíveis para tarefas longas

A orientação do PAIR do Google sobre design de produtos de IA aponta na mesma direção: o progresso deve ajudar o usuário a construir um modelo mental, não apenas preencher tempo vazio (People + AI Guidebook).

Não exponha probabilidades cruas, a não ser que o usuário consiga agir sobre elas. Use linguagem que reflita a incerteza operacional:

• "Encontrei uma correspondência provável, mas pode estar faltando contexto."
• "Isso parece incompleto. Você pode adicionar detalhes ou pedir que eu continue."
• "Ainda não tenho confiança suficiente para recomendar uma ação."

Fallback não é falha. É o caminho alternativo para quando o modelo não deve continuar.

Padrões de fallback úteis incluem:

• pedir mais um detalhe
• abrir modo manual de navegação ou busca
• encaminhar para um humano
• salvar o estado para a tarefa ser retomada depois

Se a IA está prestes a aprovar, excluir, fechar, enviar ou publicar algo, a interface deve deixar óbvio se o sistema está aconselhando, rascunhando ou agindo. Esse limite é o que impede que um assistente útil se transforme em um ator inseguro.

A transparência deve responder às perguntas que o usuário já tem:

• O que o sistema está fazendo?
• Quão definitivo é este resultado?
• Quais evidências ele está usando?
• O que eu faço se isso estiver errado?

A recuperabilidade deve responder à pergunta seguinte: "Consigo voltar a um estado seguro sem perder trabalho?"

Isso normalmente significa:

• comportamento de rascunho primeiro para tarefas de alto impacto
• caminhos visíveis de retry ou esclarecimento
• input do usuário preservado após uma falha do modelo
• uma tela de revisão antes de ações irreversíveis

Esses padrões também reduzem a necessidade de linguagem excessivamente confiante na interface — que é onde muitas experiências de IA perdem a confiança do usuário.

Mostre se o sistema está buscando, resumindo ou aguardando esclarecimento. Se a resposta está fraca, ofereça handoff ou navegação manual em vez de fingir certeza.

Deixe óbvio que a saída é um rascunho. Suporte revisão, comparação e regeneração sem prender o usuário a uma única resposta.

Exponha os critérios por trás da recomendação e facilite o override. O usuário precisa saber se o sistema está ajudando-o a decidir ou tentando decidir por ele.

Se a interface deve construir confiança, instrumente diretamente o comportamento ligado a ela.

Meça:

• tempo até o primeiro progresso visível
• tempo até uma saída útil
• taxa de fallback
• taxa de override humano
• taxa de retry depois que a incerteza é exibida
• abandono após um estado de erro
• distância de edição entre o rascunho e a ação final do usuário

Essas métricas se conectam naturalmente à disciplina de release de Avaliação antes da orquestração, porque uma interface confiável também precisa ser mensurável.

• esconder incerteza atrás de texto confiante demais
• usar estados de loading genéricos para trabalho em várias etapas
• fazer o fallback parecer um beco sem saída
• permitir que o modelo aja sem um ponto de revisão
• medir a qualidade das respostas sem medir a recuperação

A Nielsen Norman Group documenta exatamente essas armadilhas em torno de incerteza e controle (AI UX).

Se o sistema é não determinístico, mas a interface finge o contrário, o produto está tomando emprestada uma confiança que não consegue sustentar.