O Que É o People + AI Guidebook?
O People + AI Guidebook é um guia prático publicado em 2019 pela equipe PAIR (People + AI Research) do Google, oferecendo direção sistemática para designers, gerentes de produto e desenvolvedores que constroem produtos de IA centrados no ser humano. Em 2018, mais de cem engenheiros, designers e pesquisadores de diversas equipes de produto e pesquisa do Google se reuniram para escrevê-lo, liderados pelo cofundador do PAIR, Jess Holbrook, e pela pesquisadora de UX Kristie Fisher, com o lançamento oficial chegando em 2019.
Em 2023, quando a onda de produtos de IA generativa atingiu seu pico, o tráfego do guia saltou 560 por cento em seis meses — uma medida crua da urgência com que o mundo precisava de orientação sobre design de IA centrada no ser humano assim que os modelos começaram a chegar a todos.
Os Seis Capítulos Principais
O guia cobre o ciclo de vida do produto em seis capítulos, cada um organizado em torno de uma pergunta que toda equipe de IA eventualmente enfrenta:
| Categoria | Capítulo | Pergunta central |
|---|---|---|
| Experiência do usuário | Necessidades do usuário e definição de sucesso | Como definir o sucesso de um produto de IA? |
| Experiência do usuário | Modelos mentais | Como os usuários entendem o funcionamento da IA? |
| Experiência do usuário | Explicabilidade e confiança | Como construir a confiança do usuário na IA? |
| Prática técnica | Coleta e avaliação de dados | Como obter e avaliar dados de treinamento? |
| Prática técnica | Feedback e controle | Como os usuários participam da melhoria da IA? |
| Prática técnica | Erros e falhas elegantes | Como lidar com as falhas da IA? |
Os Novos Desafios da Era Generativa
Conforme os LLMs e a IA generativa se espalhavam, a estrutura do guia enfrentou quatro problemas de design genuinamente novos. Alucinações: os modelos generativos produzem respostas plausíveis, porém erradas, e a interface deve sinalizar esse risco sem afogar os usuários em avisos. Carga cognitiva crescente: os usuários agora precisam julgar se o conteúdo gerado por IA está correto, e o design deve tornar a verificação mais barata, em vez de transferir o fardo para eles. Variabilidade de saída: sistemas generativos podem produzir algo novo a cada execução, o que complica a previsibilidade e a consistência — propriedades sobre as quais a UX tradicional foi construída. Justiça e inclusão: os produtos devem considerar as necessidades de comunidades marginalizadas, em vez de ampliar desigualdades existentes em escala.
Como o Guia Se Atualiza
A metodologia do PAIR para enfrentar esses desafios funciona em três frentes: uma revisão interna de princípios de IA que extrai do processo de revisão de IA responsável do Google intervenções e mitigações recorrentes; workshops internos de design e crítica, nos quais equipes multifuncionais exploram os riscos futuros da IA generativa; e colaboração com o ecossistema externo, com especialistas em direito, educação e justiça social — incluindo o Equitable AI Research Roundtable (EARR).
Os capítulos recompensam uma leitura atenta porque cada um codifica um modo de falha que as equipes continuam redescobrindo em produção. Necessidades do usuário e definição de sucesso ataca o hábito de lançar recursos de IA simplesmente porque os concorrentes os lançaram — se o sucesso não for definido como um resultado humano mensurável, o projeto será otimizado para impressionar em demonstrações e morrerá silenciosamente após o lançamento. Modelos mentais aborda a lacuna entre como o sistema realmente funciona e como os usuários acreditam que ele funciona; quando essa lacuna se alarga, os usuários confiam demais no modelo ou o abandonam, e ambos são mortes do produto — o excesso de confiança gera o incidente que vira manchete, a desconfiança gera o churn silencioso. Explicabilidade e confiança leva as equipes à comunicação de confiança e à exibição de evidências — mostrar fontes e incertezas — em vez da interface de tom confiante e plano que maximiza o encantamento de curto prazo e a traição de longo prazo. Coleta e avaliação de dados lembra os construtores de que a qualidade do modelo é consequência de decisões sobre dados tomadas meses antes. Feedback e controle insiste em que os usuários tenham alavancas — editar, rejeitar, direcionar — porque a percepção de controle é a base da confiança duradoura. E erros e falhas elegantes pode ser o capítulo mais valioso de todos: produtos de IA falham mais do que softwares tradicionais por design, então a experiência de falha não é um caso extremo, mas a UX central.
Para equipes que constroem produtos generativos em 2026, o movimento prático é tratar o guia como uma checklist de revisão, e não como material de leitura: audite seu produto atual com base nos seis capítulos e nos quatro desafios da era generativa, e as lacunas que você encontrar — geralmente no alinhamento dos modelos mentais e nas falhas elegantes — localizarão exatamente de onde vem a desconfiança dos seus usuários. A longevidade do documento ao longo de três gerações de modelos sugere que suas perguntas eram, desde sempre, a parte invariante do desenvolvimento de produtos de IA.
Mais uma dimensão torna o guia especialmente digno de estudo em 2026: ele documenta como é o design de produtos de IA quando escrito por profissionais com responsabilidade em escala de produção, e não por formadores de opinião otimizando para aplausos em keynotes. As recomendações são deliberadamente monótonas — estabelecer expectativas, mostrar a confiança do sistema, permitir que os usuários corrijam, planejar o caminho da falha — e essa monotonia é a credencial. Equipes que fracassam com produtos generativos quase sempre falham em um desses eixos monótonos, não na qualidade do modelo. Em um mercado onde todos têm acesso a mais ou menos os mesmos APIs de fronteira, a camada centrada no ser humano que o PAIR codificou é o diferencial restante — o que explica tanto o salto de 560 por cento no tráfego quanto o motivo pelo qual este documento de 2019 continua sobrevivendo às próprias previsões.
Por Que Este Guia É Importante
O PAIR Guidebook preenche a lacuna entre estruturas de políticas e prática de engenharia. Governos e órgãos de padronização — o AI Act da UE, o NIST AI Risk Management Framework dos EUA — esclareceram o que precisa ser feito; o guia responde como. Para os profissionais de IA, ele funciona tanto como um manual de design quanto como uma estrutura de pensamento: como equilibrar capacidade técnica e valores humanos quando a capacidade continua mudando sob seus pés — um equilíbrio que a regulação pode exigir, mas que apenas o design pode realmente entregar.
A lição mais profunda de sua longevidade é que o design de IA centrado no ser humano não é uma fase que modelos mais novos tornam obsoleta. As perguntas que ele codifica — o que significa sucesso, se o modelo mental do usuário corresponde ao comportamento real do sistema, o que acontece quando ele falha — se tornaram mais agudas à medida que os modelos ficaram mais fortes, não mais opacas. As equipes que lançam produtos de IA em 2026 enfrentam os mesmos seis capítulos com apostas maiores e ciclos mais rápidos — e é exatamente por isso que um documento de 2019 continua encontrando novos leitores. Fonte: Google People + AI Research.
