Triggo.ai · Plataforma T24 · Design lead da frente de IA · 2023 a 2025
O assistente precisa provar o que disse
A Triggo.ai construiu uma plataforma onde quem entende do negócio publica o próprio assistente de IA, sem passar pela engenharia. Ela entrou nas Top 10 LinkedIn Startups. O problema de design nunca foi fazer o modelo responder. Foi fazer alguém confiar na resposta a ponto de assinar embaixo dela.
Este case é sobre desenhar as partes que nenhuma demonstração de IA mostra. A fonte, o escopo, o erro e quem responde pelo risco.
- Papel
- Design lead da frente de IA, com arquitetura de experiência, design system e as telas de três assistentes construídos sobre o mesmo núcleo.
- Contexto
- Plataforma no-code de IA, com clientes em saúde, locação de frota e locação pesada. Time de produto, engenharia e dados.
- Restrição
- O usuário final não é técnico e não tem paciência para configurar. E o erro do modelo tem custo real, de orientação clínica a cláusula de contrato.
De promessa de modelo a produto que alguém assina embaixo
- 01
Enquadrar
Traduzir o que o modelo consegue fazer em algo que a pessoa de negócio compra. É o passo que decide se o resto existe.
- 02
Núcleo único
Um motor de assistente, três produtos em cima. O que muda entre eles é a fonte e a régua de erro, não a arquitetura.
- 03
Confiança
Fonte citada, escopo visível e avaliação da resposta. Sem isso, IA em produto vira opinião cara.
- 04
Sistema
Design system com componente que continua legível quando a resposta chega pela metade ou não chega.
- 05
Prova
Análise de contrato cláusula a cláusula, com avaliação por cláusula e campo para a pessoa discordar do modelo.
Demonstração de IA mostra a pergunta certa. Produto precisa aguentar a errada.
Toda demonstração de IA funciona. A pessoa digita a pergunta ensaiada, o modelo responde bonito, a sala aplaude. O que derruba o projeto vem depois, na primeira semana de uso real. A resposta veio confiante e errada, ninguém sabe de onde ela saiu, e o profissional que levou aquilo para o cliente é quem paga a conta.
Nos três produtos que eu desenhei nessa plataforma, o usuário tinha exatamente o mesmo medo, dito com palavras diferentes. O advogado perguntava de qual cláusula aquilo tinha saído. O analista de crédito perguntava se dava para conferir. O médico perguntava quem respondia se estivesse errado. Os três estavam falando de responsabilidade profissional.
Parei de desenhar a conversa e passei a desenhar a prova. A pergunta que guiou o produto virou outra. O que esta tela precisa mostrar para a pessoa poder discordar do modelo com argumento?
Quatro decisões, e o que cada uma matou
A resposta saía sem dizer de onde tinha vindo
A primeira versão tinha a conversa limpa, do jeito que todo mundo desenha chat, com pergunta de um lado e resposta do outro. Elegante e inútil, porque a pessoa que precisa agir sobre aquilo não tem como conferir nada.
A resposta passou a carregar a referência ao trecho de origem, numerada, e o documento fica aberto ao lado com o trecho grifado. Na busca semântica, o pedaço que sustenta a resposta vem destacado dentro do próprio resultado.
Nenhuma resposta sai sem referência à fonte. Virou regra do produto.
A conversa limpa sem marcadores de referência. É mais bonita em print e não serve para decidir nada.
Um polegar no fim do texto não diz onde o modelo errou
O padrão da indústria é um like e um dislike embaixo da resposta inteira. Isso mede humor. Se nove parágrafos estão certos e um está errado, o polegar para baixo joga fora os nove e não aponta o décimo.
Na análise de contrato da CS Frotas eu quebrei a resposta em blocos nomeados, do objeto do contrato à resolução de conflitos, e cada bloco ganhou a sua própria pergunta de conferência, mais um campo para a pessoa escrever o que o modelo não viu.
Avaliação por bloco, com nove blocos de cláusula conferidos separadamente e espaço para o humano contradizer o modelo.
O polegar único no fim da resposta, e a ilusão de que ele gera dado de melhoria.
Ninguém sabia sobre o que aquele assistente podia responder
Assistente que promete responder qualquer coisa perde a confiança no primeiro assunto que ele não domina, porque a pessoa não tinha como saber que aquilo estava fora do alcance.
Documentos e pastas viraram tela de primeira classe, no mesmo nível da conversa. O acervo que o assistente pode ler fica visível e navegável para quem pergunta, antes de perguntar.
Escopo explícito e navegável. O usuário vê a fronteira do que a IA sabe sem precisar testá-la no erro.
A promessa de assistente que responde sobre tudo, a mesma que mata a confiança na primeira semana.
No produto clínico da MD Health, qualquer pessoa podia perguntar
Conteúdo clínico assistido por IA aberto a qualquer cadastro é risco regulatório e risco humano, nessa ordem de constrangimento e na ordem inversa de gravidade.
A validação de registro profissional entrou na porta, antes do primeiro acesso, e não como campo opcional de perfil depois.
Verificação de quem pergunta como parte do fluxo de entrada, com estado próprio de espera e de recusa.
Cadastro livre com aviso em letra miúda, que transfere o risco para o usuário e não resolve nada.
O que as decisões viraram na interface
O que foi para a mão do cliente
Uma observação de método, porque ela importa para quem avalia. Os números acima saem dos artefatos e das telas, que eu consigo mostrar. Métrica de adoção e de acurácia em produção ficou com o cliente, e eu não vou apresentar aqui número que eu não medi. O que eu defendo é a decisão e o rastro dela na interface.
O que eu faria a seguir
- Fechar o laço da avaliação. A correção que o humano escreve no campo de insight precisa voltar para o conhecimento do assistente.
- Usar a conferência por cláusula como métrica de acurácia por tipo de cláusula, e priorizar o que o modelo precisa aprender pelo que ele mais erra.
- Expor custo e consumo para o administrador no mesmo lugar onde ele já vê o uso, antes da fatura e não depois.
- Teste de usabilidade com quem assina embaixo da resposta, e não só com quem compra a plataforma. São pessoas diferentes, com medos diferentes.
Confiança em IA vem de poder discordar do modelo com argumento.
Saí deste projeto com uma convicção que levei para tudo que fiz depois, inclusive para o produto que eu mantenho hoje. O trabalho de design em IA generativa mora na margem da resposta. Fonte, escopo, limite, rastro e o botão de discordar. É isso que transforma um modelo em algo que uma pessoa adulta aceita usar no trabalho dela.
O corolário incômodo é que boa parte do design de IA é desenhar o que o produto não vai fazer. Dizer não com clareza é mais difícil do que prometer tudo, e é a única coisa que sobrevive ao primeiro erro do modelo.
