Agentic AI muda o papel do usuário — e UX Research decide quem sobrevive
O Agentic AI está mudando uma coisa que parece simples, mas tem um peso enorme: o papel do usuário.
Durante décadas, a gente construiu ferramentas que esperavam comandos. Você clicava, digitava, direcionava cada passo. Agora, os sistemas agem por conta própria — avaliam um objetivo, quebram em etapas e executam sem pedir licença.
Essa virada transforma o usuário de operador em delegador. E delegar é um processo cognitivo completamente diferente de fazer. Não é só uma mudança técnica — é uma mudança na relação entre pessoas e sistemas, e ela mexe com algo muito mais profundo: a confiança.
Os números já mostram que o movimento é real. De acordo com o McKinsey Global Survey on AI 2025, 62% das organizações já estão experimentando agentes em algum nível. Mas o Gartner projeta que mais de 40% desses projetos serão cancelados até 2027 — e o motivo quase nunca é técnico. 😬
O problema está em outro lugar: as pessoas não entendem o que o agente fez, não confiam no resultado ou simplesmente sentem que perderam o controle do próprio trabalho. Temos muitos benchmarks para medir a precisão de modelos, mas quase nada que meça por que usuários reais abandonam agentes. Essa lacuna de dados já é, por si só, parte do problema que o UX Research precisa resolver — não como um detalhe de produto, mas como a peça que pode decidir se um sistema sobrevive ou vai para o lixo.
O que muda quando o sistema age sozinho
Quando um usuário clica em um botão, ele sabe o que vai acontecer. Quando um agente toma uma sequência de decisões por conta própria, esse contrato implícito de previsibilidade some. O sistema pode ter feito tudo certo — mas se o usuário não consegue acompanhar o raciocínio por trás das ações, a sensação que fica é de estranhamento, não de eficiência.
Isso tem um nome dentro da psicologia cognitiva: é a quebra do modelo mental. E quando o modelo mental falha, a confiança vai junto.
Esse fenômeno é ainda mais intenso em contextos profissionais. Imagine um agente que reorganiza sua agenda, responde e-mails em seu nome e prioriza tarefas sem você ter pedido cada um desses passos individualmente. Tecnicamente, pode ser perfeito. Mas a experiência emocional de ver algo agindo no seu lugar — especialmente em decisões que você sempre considerou suas — ativa um gatilho de desconforto que não é irracional. É humano.
O e-mail, aliás, é um exemplo muito bom para entender essa dinâmica. A maioria dos usuários fica tranquila ao deixar um agente organizar a caixa de entrada. Mas pergunte se eles aceitariam que o agente enviasse uma resposta em nome deles, e a reação muda completamente. Esse limiar varia para cada pessoa, cada tarefa e cada setor. E é exatamente o tipo de coisa que o UX Research precisa investigar antes que o produto chegue ao mercado.
A questão central não é se o agente é capaz. É se o usuário acredita que ele é capaz — e mais do que isso, se o usuário se sente seguro para deixar o agente agir. Essas são perguntas que nenhuma métrica técnica responde. Elas exigem pesquisa qualitativa, entrevistas em profundidade, análise de comportamento real e uma escuta ativa sobre o que as pessoas sentem quando interagem com sistemas que tomam iniciativa.
O desafio de projetar para a imprevisibilidade previsível
O Agentic AI desafia um princípio básico de UX: esses sistemas são, em teoria, não determinísticos. Dê a um agente a mesma tarefa na segunda-feira e depois na sexta, e ele pode resolver de formas diferentes nas duas vezes. Para profissionais treinados na expectativa de que entradas idênticas produzem saídas idênticas, essa variação gera uma tensão real de design.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
A agenda de pesquisa do NN/g para 2025 sobre IA generativa enquadra bem a questão: como você avalia um sistema que muda ao longo do tempo?
Já que não é possível garantir consistência de ação, a saída é garantir consistência de intenção. Essa reformulação tem implicações práticas para a medição. Em vez de rastrear se o agente completou uma tarefa da mesma forma duas vezes, o foco passa a ser estudar se os usuários acreditam que o agente entendeu o que eles queriam. Na prática, isso pode ser operacionalizado por meio de:
- Avaliações de confiança pós-tarefa sobre o alinhamento com o objetivo
- Protocolos de pensamento em voz alta, onde usuários narram os resultados esperados versus os obtidos
- Estudos comparativos entre diferentes caminhos do agente, medindo o alinhamento percebido
A métrica passa a ser o alinhamento percebido, não a consistência comportamental.
Em uma avaliação real, 10 participantes receberam as mesmas quatro tarefas para completar com um agente de voz. Os pesquisadores acompanharam como o tom, a linguagem e o nível de detalhe do agente variavam entre sessões. Alguns usuários recebiam respostas concisas e diretas, enquanto outros ouviam explicações mais longas e conversacionais para a mesma pergunta. Em um dos casos, o agente alucinhou um detalhe — e a confiança do usuário despencou imediatamente, não apenas naquela tarefa, mas em todas as seguintes.
O que estava sendo medido não era se o agente disse as mesmas palavras toda vez. Era se os usuários acreditavam que ele entendia o objetivo deles — e com que rapidez essa crença desmoronava quando algo dava errado. 🧠
Confiança não é um recurso, é uma construção
Um dos erros mais comuns no desenvolvimento de sistemas de Agentic AI é tratar a confiança como algo que o usuário vai desenvolver naturalmente com o tempo de uso. Essa lógica funciona para ferramentas simples. Para agentes autônomos, ela é perigosa. A confiança em sistemas que agem de forma independente precisa ser construída ativamente — por meio de transparência, de feedback claro e de mecanismos que devolvam ao usuário a sensação de que ele ainda está no controle, mesmo quando delega.
Pesquisas recentes na área de Human-Computer Interaction mostram que os usuários desenvolvem confiança em agentes quando três elementos estão presentes: previsibilidade — eles conseguem antecipar o que o agente vai fazer; explicabilidade — eles entendem por que o agente fez o que fez; e reversibilidade — eles sabem que podem desfazer ou ajustar qualquer ação. Quando esses três elementos estão ausentes, mesmo um agente tecnicamente impecável gera rejeição.
E rejeição, nesse contexto, raramente vem acompanhada de feedback construtivo — ela vem na forma de abandono silencioso.
O papel do UX Research nesse cenário é justamente mapear onde esses elementos estão falhando na experiência real. Não na experiência idealizada pelo time de produto, mas na experiência vivida por quem usa o sistema todos os dias, com pressão, com pressa, com um contexto que nenhum laboratório consegue reproduzir completamente. Isso exige ir a campo, observar, perguntar e, principalmente, ouvir o que está nas entrelinhas — porque usuários raramente dizem que não confiam em um sistema. Eles simplesmente param de usá-lo.
De interações isoladas para relacionamentos de longo prazo
A maioria dos produtos digitais é transacional. Você pesquisa um voo, compra, segue a vida. O Agentic AI é mais parecido com integrar um novo membro na equipe. O agente se adapta às suas preferências. Você aprende as tendências dele. O relacionamento evolui ao longo de semanas.
Métodos de pesquisa tradicionais não foram desenhados para essa escala de tempo. Quem já estudou automação na aviação reconhece o que acontece aqui: a fadiga de monitoramento. Quanto mais confiável um sistema se torna, pior os humanos ficam em detectar seus erros. O Agentic AI adiciona uma camada extra a esse fenômeno. Diferente do piloto automático, agentes não seguem o mesmo procedimento toda vez. Os usuários não estão apenas monitorando — estão supervisionando algo imprevisível enquanto decidem quanta supervisão ele realmente precisa.
Em pesquisas com usuários reais, é comum observar participantes alternando entre confiança excessiva e verificação ansiosa de tudo na mesma sessão. É um dilema genuíno: você não pode aceitar cegamente cada resultado, mas se está revisando cada ação que o agente toma, ele não está economizando seu tempo.
A pergunta de pesquisa fundamental passa a ser: que tipos de sinais de transparência — como citar fontes ou explicar o raciocínio — deixam os usuários confortáveis o suficiente para reduzir a supervisão? As evidências de estudos com frameworks de confiança em agentes de voz mostram que os padrões se mantêm independente da modalidade: consciência de contexto, indicadores claros de status e recuperação elegante de erros são o que separa agentes que as pessoas usam uma vez de agentes nos quais elas confiam de verdade.
Delegação como experiência de design
Delegar para um sistema não é o mesmo que clicar em confirmar. Quando você delega uma tarefa para uma pessoa, você considera o histórico dela, a confiança que construiu ao longo do tempo, a possibilidade de fazer perguntas e de ajustar o caminho. Com um agente, esse processo precisa ser replicado de forma intencional dentro da interface e do comportamento do sistema. Não é algo que acontece por acidente — é o resultado de decisões de design muito específicas, orientadas por pesquisa real sobre como as pessoas tomam decisões de delegação.
Uma das descobertas mais relevantes nessa área é que os usuários tendem a delegar mais quando percebem que o agente comunica incerteza de forma honesta. Ou seja, um agente que diz algo como não tenho certeza sobre essa etapa, prefere que eu continue ou aguardo sua confirmação? gera mais confiança do que um agente que age com total autonomia mesmo em situações ambíguas. Essa percepção de humildade do sistema — a capacidade de reconhecer limites — é um fator de confiança muito mais poderoso do que a demonstração de capacidade técnica bruta.
Isso tem implicações diretas para o design de interações em sistemas agênticos. As telas de confirmação, os resumos de ação, os logs de atividade, os alertas de desvio — tudo isso não é burocracia de interface. É a linguagem que o sistema usa para construir ou destruir a relação com o usuário ao longo do tempo. E cada uma dessas decisões precisa ser validada com pesquisa, testada com usuários reais e refinada com base em comportamento observado, não em suposições sobre o que seria mais conveniente ou mais elegante visualmente.
Quatro métodos de pesquisa que funcionam no mundo agêntico
Quatro abordagens têm provado seu valor de forma consistente nessa nova era. E existe uma tensão que atravessa todas elas: times de Agentic AI entregam rápido. O agente pode ser atualizado três vezes durante um estudo de quatro semanas. Cada método precisa gerar sinal acionável com velocidade.
Pesquisa de descoberta para produtos do zero
Essa etapa acontece antes de qualquer linha de código — e é a que os times mais pulam. A pergunta não é como esse agente deveria funcionar. A pergunta é: esse agente deveria existir? Quem é o público real? Com o que essas pessoas estão lutando? Elas sequer querem uma IA cuidando dessa tarefa?
Já se viu o que acontece quando times ignoram essa fase. Um time construiu um agente capaz para um fluxo de trabalho em que os usuários não queriam autonomia nenhuma — eles queriam ferramentas melhores. Investigação contextual e entrevistas de validação de conceito teriam revelado isso. Duas semanas de pesquisa podem economizar meses de engenharia desnecessária.
Avaliações de IA orientadas por pesquisa
A maioria dos frameworks de avaliação testa precisão — se o agente acertou a resposta. Essa pergunta importa, mas é um péssimo preditor de retenção. Sem critérios centrados no humano, agentes podem produzir o que já está sendo chamado de agent slop — output de baixa qualidade em escala, gerado por sistemas que não têm guardrails adequados.
Avaliações orientadas por pesquisa adicionam a dimensão humana. O tom era apropriado? A explicação fez sentido para um usuário não técnico? O agente avançou quando deveria ter pausado para confirmação? Essas avaliações precisam rodar continuamente, com feedback dos usuários alimentando o ajuste do modelo e os guardrails. Sem esse loop, o resultado é um dashboard verde e um produto para o qual ninguém volta.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Estudos longitudinais com diários
Um teste de usabilidade captura um momento. Um estudo com diário captura o arco completo: a empolgação inicial, seguida pela percepção de que o agente erra às vezes — e erra com confiança. Registros diários revelam pontos de inflexão precisos: quando a confiança se erodiu, o que disparou isso e se a recuperação foi possível.
Workshops de co-design
Essa abordagem reúne usuários e times de produto para definir limites de autoridade juntos. Onde o agente pode agir de forma independente? Onde ele precisa de permissão explícita? Uma estrutura que vem sendo testada é o modelo adiar, propor, liderar. Ainda está evoluindo, mas o padrão se sustenta: para decisões de alto risco, o agente apresenta dados e espera. Para risco médio, oferece sugestões ranqueadas. Para tarefas rotineiras, executa e reporta depois. O que torna isso eficaz não é o framework em si — é que os usuários participaram do processo de traçar essas linhas.
O benchmark humano — e a questão da acessibilidade
Times de engenharia priorizam scores de MMLU e taxas de precisão. Esses indicadores importam para a performance do modelo, mas são péssimos preditores de se alguém continua usando um agente depois da primeira semana. Já se observou agentes com benchmarks fortes sendo abandonados porque a interação parecia opaca ou presunçosa.
Existe ainda uma dimensão que a maioria dos times nem começou a endereçar: a acessibilidade. Como um usuário de leitor de tela supervisiona um agente tomando ações autônomas em tempo real? Como alguém com uma deficiência cognitiva gerencia as decisões de delegação descritas acima? Esses não são casos extremos. Se não estamos pesquisando essas questões agora, estamos construindo tecnologia que funciona para algumas pessoas e exclui outras por design.
Segundo o Gartner, 15% das decisões diárias de trabalho serão feitas de forma autônoma por agentes até 2028, partindo de zero em 2024. A infraestrutura técnica está avançando rápido. Mas nada disso funciona se as pessoas não confiarem no sistema, e nada disso é justo se só funcionar para parte delas.
O que o UX Research precisa investigar agora
Com o crescimento acelerado dos sistemas de Agentic AI, o UX Research precisa ampliar seu escopo de investigação de forma bastante prática. Não basta entender como o usuário navega por uma interface — é preciso entender como ele pensa sobre delegação, onde estão os seus limites de conforto, quais tipos de decisão ele nunca delegaria a um sistema e por quê. Essas respostas variam muito de acordo com o contexto, com o perfil do usuário e com o setor em que o agente atua, o que torna a pesquisa contextual absolutamente indispensável.
Alguns dos tópicos que estão ganhando espaço nas agendas de pesquisa de times de produto que trabalham com agentes incluem:
- Mapeamento de modelo mental: como o usuário imagina que o agente funciona, mesmo que essa imagem seja imprecisa ou incorreta.
- Limites de delegação: quais tarefas o usuário aceita delegar e quais ele sente que precisam permanecer sob seu controle direto.
- Reações a erros autônomos: como o usuário responde quando o agente faz algo errado sem ter pedido permissão — e o quanto isso afeta a confiança futura.
- Percepção de transparência: se os mecanismos de explicação do sistema são realmente compreendidos ou apenas ignorados.
- Fadiga de supervisão: o quanto de atenção o usuário consegue manter sobre as ações do agente antes de começar a confiar cegamente — o que também é um risco.
Cada um desses pontos representa uma área onde o produto pode falhar de forma silenciosa e progressiva. E o mais importante: são áreas que só aparecem com pesquisa de qualidade, conduzida com rigor e com abertura genuína para o que o usuário tem a dizer — mesmo quando o que ele diz contraria as hipóteses do time de produto.
O momento que a gente está vivendo com Agentic AI é raro. É uma dessas janelas em que a tecnologia avança mais rápido do que a compreensão humana sobre como usá-la bem. Os agentes que vão prosperar não serão necessariamente os mais capazes. Serão aqueles em que as pessoas confiam o suficiente para depender deles. E é exatamente nesses momentos que UX Research tem o maior impacto — não como validação do que já foi decidido, mas como a voz que coloca o ser humano no centro antes que os problemas se tornem irreversíveis. 🚀
