O Problema do Design Twin: Quando IA Comprime o Design, Quem Governa o Que É Construído?

Alessandro Molinaro abre seu ensaio na UX Collective com uma provocação que merece ser levada a sério: IA não está substituindo designers. Está revelando o que design se tornou. Uma disciplina que deveria lidar com experiência humana se estreitou até caber numa tela. Wireframes, protótipos, componentes. Trabalho de produção visual. E trabalho de produção visual é exatamente o tipo de atividade que IA comprime primeiro.

O argumento é incômodo porque é verificável. Pesquisadores da Universidade de Zhejiang (Zhou et al., 2024) mediram o que acontece quando designers usam ferramentas assistidas por IA. Carga cognitiva caiu. Velocidade subiu. Mas a profundidade contextual dos resultados diminuiu. Designers produziram mais rápido e com menos entendimento do problema.

A NNG confirma a direção em seu relatório de 2026: “O processo de design não morreu. Foi comprimido.” Compressão, neste caso, não significa eficiência. Significa que etapas foram eliminadas. E as etapas eliminadas são justamente as que exigem contato com a realidade dos usuários.

O que sobra quando produção é automatizada

Se IA produz wireframes, protótipos e variações de UI com qualidade aceitável, o que justifica a existência de um designer?

Molinaro responde com um conceito que merece atenção: o Design Twin. Diferente do Digital Twin (réplica computacional de um sistema físico), o Design Twin é construído a partir do resíduo qualitativo da experiência humana observada. Não vem de dados de telemetria. Vem de pesquisa etnográfica, entrevistas contextuais, observação de campo. O tipo de informação que nenhum dashboard captura.

O exemplo que ele usa é preciso. Quando a Philips redesenhou seus equipamentos de ressonância magnética pediátrica, não começou por telas. Começou observando crianças apavoradas em corredores de hospital. O medo não aparecia em nenhuma métrica de uso do equipamento. Aparecia nos rostos das crianças e no desespero dos pais. O redesenho transformou a sala de exame em uma aventura temática. Uso de sedação caiu. Satisfação dos pacientes subiu. Nenhuma linha de código ou componente de UI produziu esse resultado. Observação produziu.

O contraste com o caso italiano é revelador. Os serviços digitais do governo da Itália receberam elogios por design visual. Interfaces limpas, componentes modernos, tipografia elegante. Mas as jornadas de serviço por trás daquelas telas permaneciam quebradas. Cidadãos enfrentavam processos fragmentados, redirecionamentos sem fim, formulários que não conversavam entre si. UI bonita sobre uma experiência péssima.

Static Decay: quando o Design Twin apodrece

O conceito mais importante do ensaio de Molinaro não é o Design Twin em si. É o risco que ele chama de Static Decay: deterioração estática.

Um Design Twin depende de dados qualitativos frescos. Observações recentes. Entrevistas atualizadas. Contexto vivo. Quando esses dados envelhecem além de seis meses sem atualização, o Design Twin começa a representar uma realidade que não existe mais. Decisões tomadas com base nele se tornam decisões tomadas com base em ficção.

Isso é um problema de governança de dados, não de design.

Quem define a cadência de atualização dos dados qualitativos? Quem audita se o Design Twin ainda reflete a experiência real dos usuários? Quem tem autoridade para invalidar um Design Twin desatualizado antes que ele informe decisões de produto?

Como exploramos em Design Sem Governança É Decoração, design sem infraestrutura de governança produz superfícies bonitas sobre fundações frágeis. O Design Twin adiciona uma camada a esse argumento. Mesmo quando designers fazem o trabalho qualitativo corretamente, o resultado apodrece sem governança de dados que mantenha sua vitalidade.

O salão de espelhos

Molinaro identifica um risco que merece atenção separada: o Infinite Feedback Loop.

Agências de recrutamento de pesquisa já utilizam IA para recrutar participantes. Algumas usam participantes sintéticos (personas geradas por IA) entrevistados por agentes de IA. O resultado é uma pesquisa que parece completa nos relatórios mas não contém nenhum dado humano real. IA entrevistando IA sobre experiências que nunca aconteceram.

Ele chama isso de salão de espelhos. O reflexo é nítido, mas não há ninguém do outro lado.

Para organizações que dependem de pesquisa qualitativa para informar decisões de produto, esse risco é concreto. Se o Design Twin é alimentado por dados de pesquisa sintética, ele não representa experiência humana. Representa o que um modelo estatístico imagina que experiência humana seria. A diferença entre os dois pode ser invisível nos entregáveis e catastrófica nos resultados.

Designers como guardiões de dados

Em Governança de Design na Era dos Agentes, documentamos como design systems funcionam como infraestrutura de governança quando agentes de IA operam no canvas. O Design Twin estende essa lógica para o processo que antecede o canvas.

Se a produção visual é automatizada, o valor do designer migra para três atividades.

Coleta de dados qualitativos. Observar, entrevistar, documentar. Construir o Design Twin a partir de experiência testemunhada. Isso exige presença física, empatia treinada e rigor metodológico. Nenhuma dessas competências é automatizável no curto prazo.

Governança do Design Twin. Definir cadência de atualização. Estabelecer critérios de validade. Criar mecanismos de invalidação quando dados envelhecem. Auditar a procedência dos dados (humanos reais ou sintéticos?). Manter o registro de quais decisões de produto foram informadas por qual versão do Design Twin.

Tradução para restrições de sistema. Transformar insights qualitativos em regras que agentes de IA possam seguir. Se a observação de campo revela que usuários idosos têm dificuldade com menus aninhados, essa informação precisa virar uma restrição no design system. Não uma recomendação num relatório que ninguém lê. Uma regra executável.

O problema organizacional

A maioria das empresas não tem estrutura para isso. Designers estão organizados em torno de produção visual. Suas métricas são de entrega: quantas telas, quantos protótipos, quantas iterações. Suas ferramentas são de execução: Figma, Sketch, ferramentas de prototipagem.

Quando IA assume a produção visual, essas métricas perdem significado. Um designer que entrega cinquenta telas por sprint não é mais valioso que um agente que entrega quinhentas. A corrida por volume acabou antes de começar.

O que não tem substituto é a capacidade de identificar o que construir. De observar que crianças têm medo de ressonância magnética e que esse medo é o problema real, não a interface do equipamento. De perceber que serviços digitais governamentais podem ter UI perfeita e experiência quebrada ao mesmo tempo.

Isso requer uma reorganização que poucas empresas estão dispostas a fazer. Tirar designers da linha de produção e colocá-los como guardiões da qualidade dos dados que alimentam decisões de produto. Mudar métricas de entrega para métricas de impacto. Investir em pesquisa de campo quando o orçamento inteiro está comprometido com ferramentas.

O que isso significa para governança

Se sua organização usa IA para acelerar design, três perguntas precisam de resposta.

Primeira: qual é a idade dos dados qualitativos que informam suas decisões de produto? Se a última rodada de pesquisa com usuários reais tem mais de seis meses, seu Design Twin está em deterioração. Decisões tomadas com base nele carregam risco que ninguém está medindo.

Segunda: seus dados de pesquisa são humanos? Se sua empresa terceiriza pesquisa para agências que usam participantes sintéticos ou painéis automatizados, você pode estar tomando decisões de produto baseadas no salão de espelhos. Verifique a cadeia de procedência.

Terceira: quem na sua organização tem autoridade para dizer “esses dados estão velhos demais para informar essa decisão”? Se a resposta é “ninguém”, você tem um déficit de governança que nenhuma ferramenta de design resolve.

IA comprimiu o processo de design. O que sobrou é o que sempre importou: entender pessoas. A questão é se as organizações vão tratar esse entendimento como ativo estratégico governado ou como subproduto opcional do trabalho de UI.

---

Fontes

• Molinaro, Alessandro. “What AI Exposes About Design.” UX Collective. Março 2026.
• Zhou et al. “AI-Assisted Design Tools and Cognitive Load.” CHI 2024. 2024.
• Nielsen Norman Group. “Design Process Isn’t Dead, It’s Compressed.” NNG Reports. 2026.

Victorino Group ajuda organizações a governar os dados qualitativos que alimentam decisões de produto com IA: contato@victorino.com.br | www.victorino.com.br