Todos já tivemos interações dececionantes com a IA ou conhecemos pessoas que «detestam chatbots», muitas vezes porque a experiência «básica» não é útil, valiosa nem agradável. Essa desilusão deve-se muitas vezes menos às capacidades de um modelo do que à própria experiência: a interação entre as pessoas, um agente de IA e o resultado pretendido. Esta é uma barreira significativa à adoção, sobretudo nas empresas, onde interações mal concebidas podem causar sobrecarga, ignorar o contexto em tempo real ou desconsiderar a intenção e o comportamento dos utilizadores.
Nesta perspetiva, identificámos os benefícios de cada padrão, os desafios de design envolvidos e orientações práticas para a sua aplicação. Estes padrões aplicam-se a vários tipos e modalidades de interação, criando oportunidades para experiências destinadas a consumidores e soluções internas de IA que ajudam os trabalhadores do conhecimento a tomar melhores decisões.
Queremos partilhar os padrões emergentes que observámos — tanto ao criar como ao experimentar muitas soluções de IA generativa — para ajudar a conceber melhores relações entre pessoas e IA.
Muitas das nossas interações com a tecnologia, enquanto trabalhadores do conhecimento ou consumidores, tornam as tarefas quotidianas mais difíceis do que deveriam ser. Limitam a nossa produtividade, eficácia e capacidade de gerar valor.
Tanto os trabalhadores do conhecimento como os consumidores podem sentir-se sobrecarregados pelo enorme volume de informação, escolhas e ferramentas disponíveis. Este fluxo constante de mensagens, muitas vezes contraditórias, dificulta a tomada de decisões claras e a manutenção do foco. A investigação sugere que os funcionários passam até 40% do dia de trabalho apenas à procura da informação de que precisam (McKinsey). Esta sobrecarga de informação afeta tanto a produtividade como o bem-estar.
Também temos uma capacidade de atenção limitada. Mesmo quando encontramos informação, não conseguimos processar nem analisar tudo o que é necessário para tomar uma decisão fundamentada. Em cada momento, só conseguimos concentrar-nos numa pequena parte dos dados disponíveis, agarrando-nos muitas vezes a crenças ou ideias existentes que limitam a nossa capacidade de considerar alternativas ou identificar padrões inesperados.
As próprias ferramentas muitas vezes não reconhecem estas limitações. A maior parte da tecnologia é concebida para a «média» — soluções universais que não se adaptam a contextos individuais. Quer usemos software profissional ou aplicações destinadas a consumidores, estas ferramentas raramente têm em conta as nossas necessidades, limitações ou circunstâncias específicas. Consequentemente, a tecnologia pode tornar-se ineficiente ou contraproducente. A IA generativa oferece uma oportunidade para criar interações mais adaptáveis e pessoais.
Por último, muitos ambientes de trabalho criam mal-estar desnecessário. O volume crescente de «tarefas para ocupar tempo», a pressão para estar «sempre disponível» e as tarefas repetitivas de pouco valor contribuem para a falta de envolvimento e o stress crónico. Embora a IA generativa e os agentes de IA possam reduzir ou eliminar estas experiências, muitas pessoas ainda desconfiam da capacidade da IA para melhorar o trabalho em geral. As pessoas podem resistir à ideia de a «IA assumir o controlo» por recearem ser substituídas ou por sentirem que o trabalho lhes pertence — até mesmo as tarefas de que não gostam.
Aplicar IA, por si só, não é uma solução. Uma IA mal integrada pode criar novas tarefas e ansiedades, sobretudo para os trabalhadores do conhecimento. Estes desafios demonstram a necessidade de interações entre pessoas e IA que sejam não só eficientes, mas também compatíveis com as nossas capacidades cognitivas, circunstâncias individuais e limitações do mundo real. Os seis padrões abaixo apresentam abordagens que reconhecem as necessidades das pessoas e promovem uma relação mais adaptável, transparente e significativa com a IA.
A relação entre padrões de design emergentes e princípios para experiências de IA eficazes e centradas nas pessoas.
Curadoria: a IA como menu inteligente — A IA seleciona e organiza informação, reduzindo a sobrecarga ao ajudar as pessoas a navegar por vastos conjuntos de dados.
Dar feedback: a IA como parceira de reflexão — A IA fornece feedback em tempo real que estimula a reflexão, questiona pressupostos e apresenta perspetivas alternativas.
Consciência situacional: uma IA que compreende o aqui e agora — A IA adapta-se ao contexto em tempo real, processando continuamente informação do ambiente e as necessidades dos utilizadores.
Descoberta contínua: transformar cada interação em investigação com utilizadores — A IA utiliza cada interação para revelar conclusões e aprofundar a sua compreensão, garantindo aprendizagem e melhoria contínuas.
Amplificação: melhorar os pedidos dos utilizadores para obter melhores resultados — A IA melhora os pedidos nos bastidores, preservando a intenção original dos utilizadores.
Mostrar o processo: raciocínio transparente da IA — A IA torna o seu processo de decisão visível e útil, promovendo a confiança e ajudando os utilizadores a tomar decisões mais fundamentadas.
Estes seis padrões mostram que as soluções de IA eficazes exigem mais do que uma interface de utilizador bem concebida. Moldam a forma como as pessoas e os agentes de IA se coordenam, tomam decisões e interagem em sistemas de conhecimento complexos. Os padrões melhoram a interação entre pessoas e IA ao:
Dar prioridade ao intercâmbio bilateral de conhecimentos: Permita um diálogo no qual a IA e as pessoas contribuam com ideias, contexto e conclusões. Isto permite criar sistemas de IA mais capazes, sustentados por conhecimento especializado e intuição ainda não formalizados.
Criar experiências que se adaptam e mudam consoante as circunstâncias: As ferramentas de IA podem tornar-se rapidamente obsoletas ou irrelevantes. Os sistemas que mantêm a consciência situacional, aprendem continuamente e se adaptam às circunstâncias de cada utilizador permanecem úteis ao longo do tempo.
Reforçar a confiança: Interações transparentes e colaborativas reduzem as barreiras à adoção, aumentam o envolvimento e melhoram a tomada de decisões, tanto humana como da IA. Um design cuidado ajuda as pessoas a manter a confiança nas decisões e nos resultados de um sistema ao longo do tempo.
Conceber experiências de IA eficazes é difícil, mas existem abordagens comprovadas que podem ajudar. Os princípios fundamentais de compreender os utilizadores e criar experiências úteis continuam a aplicar-se, juntamente com novas considerações introduzidas por sistemas de IA com capacidade de ação. As experiências que selecionam informação eficazmente, fornecem feedback útil e aprendem de forma transparente podem reduzir a sobrecarga, melhorar a tomada de decisões e gerar confiança.
Estes padrões ajudam a superar obstáculos comuns à adoção, tornando a IA verdadeiramente útil, adaptável e mais valiosa para todos os envolvidos.
O guia abaixo explora cada padrão mais detalhadamente e explica como pode contribuir para uma experiência de IA mais abrangente.
O que é: Em vez de analisarem manualmente inúmeros resultados de pesquisa ou documentos, os utilizadores podem recorrer a agentes de IA para selecionar informação de vastos conjuntos de dados e apresentar as conclusões mais relevantes. Na prática, a IA torna-se uma bibliotecária que organiza o conhecimento de acordo com o contexto do utilizador.
Porque é útil: Porque reduz a sobrecarga de informação. Em média, os trabalhadores do conhecimento passam 1,8 horas por dia à procura de informação, o que contribui para o esgotamento de muitos funcionários (McKinsey). A curadoria baseada em IA resolve este problema ao indexar, encontrar e combinar informação proveniente de muitas fontes, ajudando os utilizadores a descobrir informação, opções e conclusões que poderiam escapar a uma pesquisa tradicional.
O desafio: Passar da pesquisa tradicional baseada em interfaces para uma abordagem assistida por agentes exige que os utilizadores ajustem as suas expectativas. As pessoas estão habituadas a consultar listas de ligações ou a premir botões para filtrar conjuntos de dados. Em contrapartida, um curador de IA sintetiza respostas a partir de fontes cuja existência os utilizadores podem desconhecer. Isto pode diminuir a sensação de controlo dos utilizadores sobre a filtragem e exigir que confiem nas escolhas do agente. Mecanismos de pesquisa familiares podem ajudar as pessoas a adaptar-se à curadoria baseada em IA sem perderem confiança nem controlo.
Como a OpenAI utiliza padrões de interação familiares para facilitar a descoberta de informação estruturada e não estruturada.
Apresente os mecanismos de pesquisa como interações familiares:
Para facilitar a transição da pesquisa tradicional, apresente interações familiares em vez de páginas em branco. Os utilizadores sentir-se-ão mais à vontade se a experiência assentar em opções reconhecíveis, questionários e sugestões contextuais.
Use botões como prompts em vez de exigir respostas abertas:
A introdução de texto livre pode parecer intimidante ou demorada. Os botões predefinidos ou gerados automaticamente tornam a curadoria mais acessível. Por exemplo, “Filter by most recent,” “Compare pricing,” e “Include global sources” podem ajudar os utilizadores a refinar os resultados. Isto reduz as barreiras à participação, incentiva a exploração e adapta as recomendações da IA à intenção do utilizador.
Permita que os utilizadores contem uma história para refinar os resultados:
Por vezes, contar uma história transmite as necessidades do utilizador de forma mais eficaz do que perguntas diretas ou filtros. Em situações complexas — como navegar em painéis densos ou procurar o produto certo — as ferramentas tradicionais podem deixar as pessoas sobrecarregadas ou sem saber que parâmetros ajustar.
Quando os utilizadores podem «contar a sua história» — descrevendo um problema, objetivo pessoal ou produto pretendido —, a IA consegue converter essa narrativa em parâmetros de pesquisa estruturados. Por exemplo, alguém que diga “I just moved into a smaller home and need versatile, budget-friendly storage solutions,” poderá receber sugestões de produtos selecionados, dicas práticas e recomendações relevantes.
Ao tirar partido das histórias, não só reduz o esforço mental de decidir que filtros aplicar, como também promove maior confiança e clareza nos resultados finais da curadoria.
Use memes e referências culturais para personalizar a descoberta:
Os memes podem ajudar a curadoria com IA de duas formas: enriquecem a compreensão que o agente tem do utilizador e dão vida aos resultados de pesquisa de uma forma mais humana e próxima. Em primeiro lugar, ao escolherem ou referirem memes que ilustram os seus objetivos, estado de espírito ou estilo (“I’m feeling the ‘Treat Yo Self’ vibe today!”), os utilizadores estão, na prática, a partilhar a sua «teoria da mente» com a IA. Isto ajuda o agente a aperfeiçoar a curadoria, inferindo contexto que poderia perder-se numa interface gráfica convencional ou numa pesquisa de texto.
Em segundo lugar, o agente pode apresentar os resultados em «kits iniciais» temáticos ou inspirados na cultura popular, tornando as recomendações mais relevantes e personalizadas. Por exemplo, se alguém estiver a remodelar um escritório em casa, a IA poderá criar um «kit inicial de teletrabalho» que combine acessórios de secretária, tecnologia e inspiração.
Dê clareza ao utilizador através das melhores ações seguintes:
Quer os resultados de um agente de IA correspondam ou não ao pretendido, os utilizadores devem conseguir refinar facilmente os parâmetros. Por exemplo, poderão pedir “Show me more like item 2,” ou “Exclude sources older than 2020.” As sugestões de ações seguintes podem orientar novos utilizadores sem os sobrecarregar.
O que é: Os agentes de IA são frequentemente apresentados como uma forma de delegar trabalho tradicionalmente realizado por pessoas. A sua capacidade de colaborar em tempo real recebe menos atenção. Em vez de se limitar a seguir instruções ou gerar conteúdo, um agente pode colocar perguntas que estimulem a reflexão, questionar pressupostos e apresentar perspetivas alternativas. Isto torna a IA numa parceira de reflexão que ajuda os utilizadores a melhorar o trabalho à medida que este evolui.
Porque é útil: Todos beneficiamos de feedback atempado, mas nem sempre o recebemos. Tanto as opiniões discordantes como as favoráveis podem ajudar-nos a identificar padrões antes de nos apegarmos demasiado a uma ideia. Os agentes de IA podem questionar os nossos pressupostos, gerar ideias e sugerir interpretações alternativas dos dados sem substituir o discernimento humano. Verificámos que as pessoas tendem a reagir bem a este tipo de feedback dado por agentes.
Os agentes de IA podem gerar contra-argumentos que revelem falhas no raciocínio ou realcem perspetivas alternativas.
O desafio: O feedback da IA tem de ser intuitivo e prático, caso contrário torna-se uma distração. As pessoas não querem um agente que interrompa com sugestões irrelevantes ou critique todos os pormenores. A IA deve intervir nos momentos adequados e com o tom certo. Se for demasiado passiva, perdem-se oportunidades úteis; se for demasiado incisiva, os utilizadores podem sentir que as suas decisões são constantemente questionadas.
O desafio está na forma de apresentar o feedback da IA: deverá surgir como sugestões, uma revisão opcional ou um diálogo bilateral? Acertar na interação determinará se os utilizadores acolhem a IA como parceira ou se apenas veem nela um Clippy 2.0.
Garanta que o feedback é proativo, mas não incomodativo:
Deixe a IA apresentar sugestões em pontos de pausa naturais. Num editor de documentos, por exemplo, poderá esperar que uma frase ou um parágrafo estejam concluídos antes de sugerir uma revisão. Também explorámos a possibilidade de um agente aguardar brevemente após a seleção de um campo de texto vazio antes de oferecer ajuda. O tom é importante: «Eis uma ideia a considerar…» soa mais construtivo do que uma afirmação brusca.
Transforme o feedback num diálogo exploratório:
Se o feedback não for claro, facilite aos utilizadores perguntas como “Why do you suggest changing this?” Uma personalidade de IA curiosa pode tornar a conversa mais construtiva. Tal como um terapeuta ou facilitador atento, o agente pode fazer perguntas relevantes no momento certo, transformando o feedback numa conversa que ajuda o utilizador a aprender.
Isto também ajuda a IA a recolher contexto, permitindo que o utilizador e o agente desenvolvam uma compreensão comum mais clara.
Apresente várias opções, ideias ou alternativas:
Em vez de apresentar uma única ideia, solução ou objeção, um agente pode oferecer várias perspetivas. Por exemplo, um agente de design poderá gerar três disposições alternativas, enquanto um agente de escrita sugere diferentes versões de uma frase para públicos distintos. A apresentação de opções reforça a ideia de que o utilizador mantém o controlo.
Garanta que o feedback tem em conta o contexto:
O agente deve adaptar o seu papel de «parceiro de reflexão» ao contexto atual do utilizador. Se alguém fizer uma pausa numa pergunta ou num campo de texto, a IA poderá colocar uma pergunta que estimule a reflexão em vez de apresentar logo uma resposta completa. Quando o utilizador apenas precisa de reformular uma frase, uma sugestão concisa que possa aceitar ou rejeitar ajuda a preservar a sua autoria.
É essencial que a IA saiba quando deve recuar — uma troca prolongada de sugestões pode criar um «ciclo vicioso» de edições intermináveis e minar a confiança do utilizador. Ao manter-se atenta ao contexto e às ações do utilizador, a IA pode adaptar o feedback para ser verdadeiramente útil sem ultrapassar os limites.
O que é: A consciência situacional é a capacidade de um agente interpretar informação contextual em tempo real e ajustar o seu comportamento em conformidade. Em vez de dependerem apenas de dados predefinidos, os agentes de IA podem processar continuamente informação sobre o ambiente, o estado atual do utilizador e outras condições relevantes.
Isto pode significar adaptar uma interface às necessidades imediatas do utilizador ou interpretar as condições atuais do mercado para tornar as respostas mais relevantes.
Porque é útil: O mundo real não é estático. Os sistemas de IA com consciência situacional podem ser mais úteis porque respondem às condições atuais. Quando um agente compreende o contexto relevante, as interações parecem mais naturais, personalizadas e fundamentadas.
O desafio: Criar uma IA com verdadeira consciência situacional é difícil. O acesso aos dados necessários e a sua integração podem introduzir uma complexidade técnica significativa.
Há uma linha ténue entre uma consciência contextual útil e uma intrusão excessiva. Os utilizadores valorizam um agente que «percebe a situação», mas podem sentir-se desconfortáveis se este pedir demasiada informação ou parecer excessivamente insistente. Como as circunstâncias podem mudar rapidamente, o conhecimento especializado e o discernimento humanos continuam a ser essenciais.
Por isso, um sistema de IA eficaz precisa do contributo dos utilizadores para manter uma compreensão útil e atual das suas circunstâncias.
Mostre aos utilizadores o que constitui um bom contexto:
Modelos de raciocínio como o OpenAI o1 mudaram a forma como as pessoas fornecem contexto aos grandes modelos de linguagem. Independentemente do modelo, um contexto detalhado permite obter respostas mais relevantes. Exemplos claros, texto de marcador de posição e dicas expansíveis podem mostrar aos utilizadores que informação devem fornecer e explicar por que é importante.
Mostrar explicitamente ao utilizador o que é um «bom contexto» elimina as dúvidas que poderiam impedi-lo de indicar pormenores relevantes.
Facilite a definição dos limites do agente:
As necessidades imediatas de um utilizador são importantes, mas podem não ser evidentes. Um agente com consciência situacional pode colaborar com o utilizador para definir os temas, domínios e ferramentas que deverá explorar. A pesquisa aprofundada no ChatGPT apoia esta abordagem ao colocar perguntas de esclarecimento antes de iniciar uma tarefa de investigação.
Apresente o contexto para permitir edições e adições rápidas:
Os utilizadores podem precisar de um resumo do que a IA pressupõe nesse momento acerca dos seus objetivos, prioridades e fontes de dados. Um painel dedicado pode explicar a data-limite do conhecimento, os pressupostos atuais e os dados relevantes. Um ícone poderá indicar quando estão a ser usados dados de localização, enquanto um resumo poderá mostrar quantos registos contribuíram para uma conclusão.
É útil que as pessoas vejam o que a IA «sabe» e possam adicionar, remover ou atualizar o contexto relevante com o mínimo de esforço.
Permita que a IA selecione funcionalidades da interface consoante a sua utilidade:
Os agentes de IA podem ativar ou desativar seletivamente capacidades com base em indicadores situacionais. Quando alguém está a redigir um documento técnico, um agente poderá ativar ferramentas avançadas de citação; ao editar notas de uma apresentação, poderá destacar funcionalidades de edição. Isto permite experiências focadas sem obrigar os utilizadores a gerir manualmente todas as definições.
O que é: O design de experiências e o desenvolvimento de produtos encaram frequentemente a investigação com utilizadores como uma fase distinta no início de um projeto ou realizada a intervalos definidos. A descoberta contínua trata a compreensão do comportamento, das necessidades e das preferências dos utilizadores como um processo permanente. A IA pode transformar conversas, cliques e comentários em oportunidades para revelar conclusões que os utilizadores talvez não expressem diretamente.
Na prática, a IA continua a aprender e a adaptar-se ao domínio do problema em tempo real.
Porque é útil: Pode ser difícil recolher comentários úteis de especialistas, profissionais e utilizadores em geral sobre a eficácia ou usabilidade dos resultados de uma IA. Os agentes podem ajudar a captar reações, conclusões e intuições no respetivo contexto, enquanto a experiência ainda está fresca.
O desafio: Os comentários indicam muitas vezes o que aconteceu ou se o utilizador gostou do resultado, mas não explicam porquê. Pedir às pessoas que recordem e documentem cada etapa do seu raciocínio pode ser oneroso, mesmo quando essas conclusões melhorariam as capacidades futuras do sistema.
Isto é particularmente importante em sistemas de IA com limitações rigorosas, nos quais uma conversa aberta pode não ser desejável nem possível.
Use etiquetas descritivas para registar reações:
Um simples «polegar para cima» ou «polegar para baixo» raramente explica a reação de um utilizador. As etiquetas descritivas — como «útil para planear o orçamento» ou «falta informação regulamentar» — fornecem um contexto mais útil. Estas etiquetas podem refletir a interação atual ou convidar os utilizadores a partilhar uma breve perspetiva, transformando uma avaliação em informação com que a IA pode aprender.
Oriente os agentes de IA com «cartões de aprendizagem»:
Quando a IA comete um erro ou só obtém um sucesso parcial, dê aos utilizadores uma forma simples de a corrigir ou «ensinar». Por exemplo, um agente poderá perguntar: “How would you phrase it?” ou “What detail did we miss?” As orientações daí resultantes podem ser guardadas para a interação atual ou reutilizadas posteriormente.
Aprenda com a iteração e a variação:
Por vezes, o melhor comentário surge de uma nova tentativa. Controlos simples de regeneração permitem aos utilizadores comparar novas opções e identificar as que preferem. Estas escolhas estabelecem uma ligação entre o pedido original e um resultado mais útil, tornando a experimentação parte do processo de aprendizagem.
Observe as interações:
Os agentes de IA podem colaborar para aprender com várias interações. Por exemplo, enquanto um agente cria um resumo de investigação, outro poderá analisar a conversa para avaliar a experiência. Agindo como etnógrafos, estes agentes podem identificar diferenças entre a intenção de uma pessoa e a sua perceção da qualidade do resultado.
Estas observações podem apoiar a melhoria contínua, revelando conclusões e sugerindo alterações ao sistema.
O que é: A amplificação adapta o pedido, o prompt ou a instrução de um utilizador para produzir um resultado melhor, preservando a intenção original. A IA realiza trabalho adicional nos bastidores, além do pedido explícito. Por exemplo, o «shadow prompting» pode enriquecer uma consulta antes de o sistema gerar uma resposta.
O utilizador apresenta uma ideia inicial e o agente desenvolve esse pedido quando isso pode melhorar o resultado.
Porque é útil: As pessoas dão frequentemente instruções breves ou gerais, embora a melhor resposta possa exigir passos adicionais. Os agentes de IA podem colmatar essa lacuna sem obrigar os utilizadores a explicar tudo. Por exemplo, pedir a uma IA para “brainstorm marketing ideas for my new coffee product” poderia resultar apenas numa lista genérica.
Uma abordagem amplificada poderia realizar várias sessões de debate de ideias, cada vez mais ambiciosas, e combinar as melhores ideias para criar um resultado mais rico e variado.
O desafio: Trabalhar nos bastidores pode diminuir a sensação de autoria e transparência do utilizador. Se uma IA alterar o pedido de alguém sem explicar a mudança, poderá produzir um resultado que o utilizador não pretendia. Os designers têm de equilibrar uma amplificação útil com o risco de manipulação indesejada.
O desafio de design consiste em permitir que os utilizadores orientem a amplificação quando assim o desejarem.
Preserve a intenção do utilizador e desenvolva-a:
A amplificação deve reforçar os objetivos declarados pelo utilizador sem introduzir outros. Depois de a IA desenvolver um prompt ou concluir tarefas em segundo plano, a própria IA ou um validador separado deverá comparar o resultado final com o pedido original. Quaisquer adições inesperadas devem ser comunicadas claramente.
Use a amplificação para promover a segurança e a criatividade:
Técnicas como o «shadow prompting» podem suscitar preocupações quanto à reformulação dissimulada dos pedidos dos utilizadores. Para manter a confiança, use-as para melhorar a clareza, a segurança ou a completude sem contrariar a intenção do utilizador. Se for necessário um ajuste relacionado com a segurança, explique-o ou dê feedback imediato.
Os utilizadores podem ver o resultado de uma moderação sem conhecerem a lógica ou os critérios subjacentes.
Recorra a técnicas de facilitação comprovadas:
Os agentes de IA podem aplicar métodos de facilitação e colaboração, como as Liberating Structures, para promover interações produtivas. Estas estruturas simples ajudam a maximizar o potencial criativo e analítico de cada pessoa.
Durante uma conversa, o agente pode recorrer a métodos conhecidos de geração e seleção de ideias. Pequenas mudanças na forma como a conversa decorre podem gerar um leque mais vasto de ideias e conclusões.
Use linhas de exploração paralelas para revelar conteúdo útil:
Em vez de depender de uma única conversa linear, um agente pode explorar simultaneamente várias interpretações, ideias ou soluções. É como um grupo de especialistas a debater ideias sob diferentes perspetivas, sem perder conclusões úteis.
Um processo de coordenação pode combinar essas diferentes linhas de exploração numa resposta coerente e prática.
Use a amplificação para ensinar os utilizadores:
Uma amplificação bem concebida também pode ajudar as pessoas a aprender a interagir mais eficazmente com a IA. Se um agente explicar “I considered X and Y in my answer,” os utilizadores poderão incluir esses fatores em pedidos futuros. Isto cria uma melhoria em ambos os sentidos: melhores respostas agora e melhores pedidos ao longo do tempo.
O que é: Este padrão torna o raciocínio dos agentes de IA mais fácil de compreender. Interações bem concebidas podem explicar por que motivo um agente produziu uma resposta, destacar fontes de apoio ou tornar visíveis etapas relevantes do processo. O objetivo é apoiar uma tomada de decisões humana eficaz sem sobrecarregar o utilizador.
A apresentação de raciocínio relevante funciona melhor quando os utilizadores podem explorá-lo gradualmente e escolher o nível de detalhe de que precisam.
Porque é útil: A confiança é essencial para a adoção da IA, sobretudo nas empresas. As pessoas têm menos probabilidades de confiar num sistema se não conseguirem compreender ou verificar o seu comportamento. Resultados transparentes facilitam o diagnóstico de problemas, a correção de erros e a repetição de abordagens úteis.
O desafio: Explicar as decisões da IA pode ser difícil. Um excesso de pormenores pode sobrecarregar os utilizadores, enquanto probabilidades ou longos resumos do raciocínio podem ser difíceis de interpretar. A transparência, por si só, também não garante a exatidão.
Os designers têm de considerar a qualidade da explicação, a clareza da apresentação e a forma de integrar os elementos de prova num diálogo útil.
Permita que os agentes pensem de forma abrangente e depois sintetizem os resultados:
A IA pode analisar profundamente um problema e, ao mesmo tempo, apresentar os resultados num formato fácil de assimilar. Os resumos hierárquicos e a divulgação progressiva permitem começar pela principal conclusão e expandir os pormenores de apoio apenas quando necessário.
Uma interação bem concebida pode facilitar a exploração de informação complexa sem sacrificar a profundidade nem a clareza.
Forneça citações e referências exploráveis:
As respostas geradas por IA devem oferecer aos utilizadores uma forma clara de consultar as fontes de apoio. Isto pode incluir ligações, excertos de relatórios internos, resultados de investigação relevantes ou uma análise mais aprofundada de dados quantitativos.
Por exemplo, em sistemas de geração aumentada por recuperação, os utilizadores devem poder passar de um resumo da IA para os elementos de prova que o sustentam. Isto facilita a verificação e permite a investigação aprofundada que gera confiança.
Comunique sinais de progresso importantes:
Os fluxos de trabalho complexos dos agentes podem implicar mudar de direção, retomar passos anteriores ou combinar várias linhas de investigação. Os utilizadores toleram melhor os atrasos quando compreendem o que está a acontecer. Atualizações claras sobre o progresso podem explicar o que o agente já concluiu, o que está a fazer e o que se segue.
O agente também deve explicar quando está bloqueado ou quando uma decisão exige perspetivas adicionais.
Revele os resultados da IA passo a passo:
Em vez de apresentar uma resposta completa de uma só vez, um agente pode revelar a informação por etapas. Por exemplo, um assistente de investimento poderá apresentar uma breve recomendação com a opção de expandir a justificação: “Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation.” Os utilizadores que pretendam mais pormenores podem explorar cada etapa, enquanto os restantes podem ficar pelo resumo.
Use explicações visuais do raciocínio da IA:
As explicações devem ser tão compreensíveis quanto o resultado principal. Quando o raciocínio envolve números ou relações, os gráficos e diagramas podem ajudar. Visualizar as consultas, o processo, o raciocínio e as fontes de um agente também pode ajudar os utilizadores a corrigir o rumo, explicar o resultado a outras pessoas ou repetir o processo mais tarde.
Explicações visuais claras ajudam os utilizadores a compreender a informação e a agir mais rapidamente.