IA para equipes de pesquisa de UX: memória de evidências com fontes

IA para equipes de pesquisa de UX funciona melhor como uma memória de evidências: um agente que guarda notas de entrevistas, temas e achados anteriores, responde perguntas a partir deles e indica a sessão de origem de cada afirmação. Ele não substitui o julgamento do pesquisador. Ele garante que o que a equipe já aprendeu continue fácil de encontrar, de conferir e de usar quando a próxima decisão chegar.

Principais pontos

• Uma memória de evidências guarda sessões, trechos, temas e decisões como registros ligados entre si, e não como uma pilha de apresentações.
• Toda resposta deve apontar para uma sessão, um código de participante e um ponto nas notas, ou dizer com clareza que não há evidência.
• Os pesquisadores ficam com a interpretação, o consentimento e a palavra final sobre o que um tema significa. O agente busca, compara e redige rascunhos.
• Comece com um tipo de pergunta e um conjunto pequeno de estudos antigos, e teste as citações antes de ampliar o acesso.
• Permissões, regras de retenção e registros de revisão pesam tanto quanto o modelo, porque dados de pesquisa são dados pessoais.

O que é uma memória de evidências para pesquisa de UX?

Uma memória de evidências é um conjunto estruturado de pesquisas no qual um agente consegue buscar e do qual consegue citar trechos. Ela é diferente de uma pasta compartilhada com campo de busca. A pasta encontra arquivos. A memória de evidências encontra o momento exato, em uma sessão específica, em que um participante fez ou disse algo, e mostra como esse momento foi depois agrupado em um tema e usado em uma decisão.

Uma memória útil tem quatro camadas, cada uma ligada à camada abaixo:

• Sessões: um registro por entrevista ou teste de usabilidade, com nome do estudo, data, método, código pseudônimo do participante, escopo do consentimento e um ponteiro para a gravação ou a transcrição.
• Trechos: passagens curtas com marcação de tempo ou página e as etiquetas que a sua equipe já usa.
• Temas: afirmações escritas por pesquisadores, cada uma ligada aos trechos que a sustentam.
• Decisões: o que a equipe mudou, adiou ou rejeitou por causa de um tema, e quem concordou.

O agente fica sobre essas camadas. Ele usa recuperação de informação, a abordagem descrita na explicação da AWS sobre geração aumentada por recuperação (RAG), em que o modelo responde a partir de um conjunto aprovado de documentos e não a partir de conhecimento geral. Na prática, as respostas do agente ficam limitadas ao que a sua equipe de fato registrou.

Por que os achados deixam de ser usados depois da apresentação?

A maior parte da pesquisa é consumida uma única vez. Há uma apresentação de resultados, o material circula e a decisão é tomada. Meses depois, o material está numa pasta que ninguém abre, o pesquisador foi para outro projeto e as notas brutas estão numa ferramenta que só a equipe original entende. O índice real da pesquisa era a memória de uma pessoa, e esse índice não escala nem permanece.

O custo aparece em situações pequenas e repetidas. Um novo gerente de produto encomenda um estudo que repete boa parte de um anterior. Um designer cita um achado de uma apresentação sem saber que ele veio de uma única sessão com protótipo. Um stakeholder lembra de uma fala de um jeito um pouco diferente a cada vez que ela é recontada, e a nuance se perde.

Cenário ilustrativo: um gerente de produto pergunta se donos de pequenas empresas entendem a etapa de exportação de notas. O agente devolve trechos de três sessões, de dois estudos anteriores. Ele informa que duas sessões usaram um protótipo e uma usou o produto real, que um participante descreveu a mesma etapa como confusa em uma sessão posterior e que o tema da equipe sobre esse assunto foi escrito antes de a tela de exportação mudar. Cada ponto traz uma referência que o pesquisador pode abrir. O gerente recebe um ponto de partida fundamentado, e o pesquisador recebe uma lista curta do que verificar, em vez de um dia inteiro de garimpo.

O mesmo padrão vale onde quer que o sinal do cliente se acumule. Equipes de sucesso do cliente guardam a sua versão disso em notas de renovação e conversas sobre a saúde da conta, e times de produto, como os descritos em agentes superinteligentes para empresas de SaaS, costumam precisar de evidência de pesquisa na hora do planejamento. A memória rende mais quando pode ser consultada por várias dessas frentes, com cada tipo de fonte mantido separado.

Como o agente cita a sessão de origem todas as vezes?

Citar é uma regra de projeto, não uma esperança sobre o comportamento do modelo. Três peças tornam isso confiável.

Primeiro, identificadores estáveis. Cada sessão e cada trecho recebe um ID que não muda quando arquivos são renomeados ou movidos. A citação informa o estudo, a sessão, o código do participante e a posição nas notas ou na gravação. Quem clicar deve chegar à passagem que sustenta a afirmação em poucos segundos.

Segundo, recuperação na hora certa. A orientação da Anthropic sobre engenharia de contexto para agentes defende carregar apenas a informação relevante para a tarefa, no momento em que ela é necessária, em vez de encher o contexto com tudo. Na pesquisa, isso significa que o agente busca os poucos trechos que correspondem à pergunta, mais os temas a que pertencem, e raciocina somente sobre eles.

Terceiro, regras de resposta escritas. Um conjunto curto de regras que o agente segue em toda resposta:

• Só fazer uma afirmação se um trecho recuperado a sustentar, e colocar a referência logo depois dela.
• Separar o que o participante disse ou fez (observação) do que a equipe concluiu (interpretação).
• Marcar paráfrase como paráfrase e citar entre aspas apenas texto que existe no registro.
• Mostrar a evidência contrária ao lado da evidência favorável, e não depois dela.
• Informar a idade, o método e o contexto do estudo de cada fonte, já que um teste de protótipo antigo diz algo diferente de uma entrevista recente com o produto real.
• Se nada relevante for encontrado, dizer isso e sugerir que tipo de estudo responderia à pergunta.

A última regra é a mais importante. Um assistente de pesquisa que sempre produz uma resposta vai, cedo ou tarde, produzir uma resposta fluente e sem nada por trás. Um agente autorizado a dizer que não encontrou evidência é muito mais útil para quem decide.

Como montar uma? Um plano passo a passo

Mantenha a primeira versão pequena o bastante para que um pesquisador consiga conferir tudo à mão.

• Escolha um tipo de pergunta, como o que já sabemos sobre um tema antes de uma revisão de roadmap.
• Selecione um conjunto pequeno de estudos antigos que algum pesquisador conheça bem o suficiente para julgar as respostas.
• Padronize os registros para que cada sessão tenha estudo, data, método, código do participante, escopo do consentimento e um link para o material bruto.
• Divida as notas em trechos com marcação de tempo e as etiquetas que vocês já usam. Ligue cada tema escrito por pesquisadores aos trechos que o sustentam.
• Escreva as regras de resposta acima e entregue-as ao agente como instruções fixas, não como sugestões.
• Teste com perguntas cujas respostas você já conhece. Abra todas as citações e confirme que a passagem diz o que o agente afirma. O artigo da Anthropic sobre avaliações (evals) de agentes de IA é um bom modelo para transformar essas checagens em um conjunto repetível, que você reexecuta a cada mudança.
• Libere para um grupo pequeno, revise toda semana o registro de perguntas, corrija as lacunas nos registros e só então acrescente mais estudos.

A ordem importa. Equipes que conectam todos os repositórios primeiro e testam depois acabam com um agente que soa autoritativo e cita de forma frouxa. Equipes que começam com poucos estudos confiáveis descobrem rápido onde os registros são fracos.

O que deve ficar com os pesquisadores e o que precisa de proteção?

Dados de pesquisa descrevem pessoas reais, muitas vezes em detalhe. O agente deve facilitar as boas práticas, não enfraquecê-las.

Os pesquisadores mantêm estas responsabilidades:

• Decidir o que um padrão significa e se ele é forte o bastante para justificar uma ação.
• Escrever e revisar os temas. O agente pode propor um agrupamento preliminar, mas uma pessoa o aprova antes de ele entrar na memória.
• Julgar se um achado antigo ainda vale para um produto ou público que mudou.
• Cuidar do consentimento, incluindo o que os participantes aceitaram e o que acontece quando alguém retira a autorização.

O sistema precisa destas salvaguardas:

• Verificação de permissão em cada busca, de acordo com quem está perguntando. A orientação da OWASP sobre autorização recomenda privilégio mínimo e aplicação das regras no servidor, o que aqui significa que o agente não consegue ler sessões que o solicitante não pode ver.
• Escopo do consentimento guardado em cada sessão, para que material coletado com um propósito não seja reaproveitado em silêncio para outro.
• Códigos pseudônimos de participantes na camada pesquisável, com a chave que liga códigos a identidades mantida em outro lugar, sob controle mais rigoroso.
• Tratamento de transcrições e documentos importados como dados, nunca como instruções. Um participante que diga em uma gravação para ignorar as regras não deve ter nenhum efeito sobre o agente.
• Um caminho de exclusão: quando um participante retira o consentimento, seus registros, trechos e qualquer tema que dependa apenas dele são atualizados, e a mudança é registrada.
• Uma relação somente leitura com as fontes brutas. O agente pode citá-las, mas não pode editá-las nem apagá-las.

Se a sua equipe atua em um setor regulado, ou coleta temas sensíveis como saúde ou finanças, envolva quem responde pela privacidade antes de o primeiro estudo entrar na memória, não depois. No Brasil, isso inclui alinhar o tratamento dos dados com as exigências da LGPD.

Como a Be Human conduz isso para uma equipe de pesquisa?

A Be Human trata o agente como um papel definido, com memória, ferramentas e limites próprios. Para uma equipe de UX, esse papel costuma ser o de bibliotecário de pesquisa: ele responde perguntas sobre evidências, redige resumos de temas para revisão e sinaliza achados desatualizados ou frágeis. Um primeiro projeto define esse papel, os registros e as ferramentas de que ele precisa, os limites de aprovação (por exemplo, mudanças em temas passam por um pesquisador antes de serem gravadas) e um critério de sucesso observável, como verificar se respostas amostradas citam passagens que realmente sustentam a afirmação, segundo o julgamento de um pesquisador.

Depois do lançamento, a operação gerenciada pode incluir monitoramento de perguntas e falhas, avaliações recorrentes da qualidade das citações, manutenção das integrações quando suas ferramentas de pesquisa mudam, revisão de permissões e melhorias controladas. A identidade, a memória e o acesso do agente continuam sob o controle da sua equipe, e o serviço é prestado remotamente, em português e inglês.

Se você quer descobrir qual é a primeira tarefa que vale entregar a um agente, faça o diagnóstico gratuito de IA da Be Human.

Perguntas frequentes

Um agente de IA pode substituir pesquisadores de UX? Não. O agente é bom em buscar, comparar e redigir a partir de registros existentes. Decidir o que a evidência significa, conduzir novos estudos, tratar os participantes com cuidado e convencer stakeholders continuam sendo trabalho humano, e o agente dá aos pesquisadores mais tempo para isso.

O que precisamos ter antes de começar? Você precisa de pesquisas passadas em uma forma que possa ser dividida em sessões e trechos, mesmo que ainda esteja bruta, e de uma pessoa capaz de julgar as respostas. Também é necessária a informação de consentimento de cada estudo, porque ela determina o que o agente pode mostrar e para quem. Etiquetas bem organizadas ajudam, mas podem ser melhoradas enquanto a primeira versão já está rodando.

Como impedimos que o agente invente falas de participantes? Restrinja-o a responder a partir dos registros recuperados, exija uma referência depois de cada afirmação e só permita citação direta de texto que exista no trecho. Depois, teste isso abrindo as citações de uma amostra de respostas em intervalos regulares. Se uma fala não for encontrada no local citado, trate como defeito e corrija a recuperação ou as regras.

Precisamos trocar o nosso repositório de pesquisa atual? Em geral, não. O agente pode ler do repositório que vocês já usam, desde que os registros tenham identificadores estáveis e as permissões estejam claras. O trabalho principal é deixar sessões, trechos e temas consistentes o suficiente para serem ligados, não mudá-los para uma ferramenta nova.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.