UX-Context Design: quando pesquisa e DESIGN.md viram contexto para a IA gerar interface

Modelos de IA geram a partir do contexto que recebem. Sem o que a equipe aprendeu sobre pessoas, domínio e padrões, o resultado tende ao médio: a tela “média” de busca, o fluxo genérico, o botão no lugar mais comum do treinamento.

A Nielsen Norman Group chama de UX-context design a prática de descobrir e curar o conhecimento da organização para virar contexto que guia tudo o que as ferramentas de IA geram. De quem são as pessoas usuárias ao jeito que o produto deve parecer e se comportar.

Contexto é o novo entregável

Historicamente, UX produzia artefatos para humanos: personas, jornadas, relatórios, wireframes anotados. Uma pessoa lia, interpretava e decidia. Com mais gente (e mais IA) desenhando, o consumidor do entregável muda.

Product managers pedem mockups rápidos antes de reunião. Engenharia pede export e a assistente decide rótulo, posição e estado de erro. Tentar barrar quem “pode” desenhar perde o jogo: as ferramentas são rápidas demais. O objetivo prático é outro: o que a IA gerar, quem quer que tenha pedido, precisa carregar o conhecimento de usuários e padrões da casa.

Contexto é pedido, instruções, padrões, exemplos e histórico. É o que desvia o modelo do genérico. A NN/g usa a metáfora da casa: um construtor habilidoso sem conhecer a família faz a casa média. Com cadeira de rodas, bebê ou home office a dois, o projeto médio falha no dia a dia.

Entregáveis “AI-ready”

Personas com foto e nome ajudam humanos a lembrar. Modelos não precisam de persuasão emocional. Precisam do raciocínio por trás: restrições, insights e regras aplicáveis.

Dar transcrição bruta à IA pode ajudar, mas sem curadoria humana o modelo pode perder o takeaway certo ou hiperfoçar no errado. Para servir de contexto, o material de pesquisa e design precisa ser legível por máquina, curado por quem entende o domínio e disponível para qualquer pessoa que vá gerar com IA.

DESIGN.md: exemplo concreto

Em abril de 2026, a Google Labs abriu o DESIGN.md: formato para descrever identidade visual a ferramentas de código com IA. O formato nasceu no Stitch e virou rascunho de especificação.

O arquivo fica perto do código. Tem valores precisos (cores, tipografia, espaçamento, raios) e prosa com intenção, dos e don’ts. Em vez de a IA “adivinhar” o propósito de uma cor, ela pode saber e checar contraste.

A lição da NN/g: arquivo de texto versionado junto do produto, lido toda vez que algo é gerado. Sem handoff clássico. A identidade visual vira contexto contínuo. Mas visual é só uma fatia da experiência.

A hipótese do UX.md

A NN/g imagina um UX.md mais amplo. Ele apontaria para o DESIGN.md e para os componentes reais, e ainda traria:

• Síntese de pesquisa em insights acionáveis (“pessoas abandonam o setup quando pedimos dado que não têm em mãos”)
• Padrões de interação (quando confirmar, como escrever erro, foco em expert ou iniciante)
• Glossário do domínio (se a pessoa diz “case” e se confunde com “ticket”, a IA precisa saber)
• Modelos de usuário (expertise, preocupações, o que não funciona)
• Modelos de mundo / contexto de uso (enfermeira interrompida, pessoa estressada após acidente, auditoria obrigatória)

Um achado de uso intensivo e decisões complexas empurra telas mais densas. Uso de poucos minutos por mês empurra menos escolhas por tela. Sem isso, o modelo cai no padrão do treinamento.

Em projetos grandes, um único arquivo pode não bastar. UX.md pode indexar pastas, MCP, skills de agente. O efeito colateral interessante: glossário e insights aparecem até no código gerado, não só no Figma.

Curadoria contínua, não handoff

Dois traços diferenciam esse artefato do relatório clássico:

1. O sucesso se mede pela qualidade do que a IA gera, não só pela persuasão de stakeholders
2. Ele vive com o produto, muda com o produto e é lido a cada geração

Não é documento esquecido depois do kickoff. É fonte curada: pesquisa nova atualiza, erro da IA também. Pesquisa e design contínuos acumulados num lugar que a organização inteira usa.

Pesquisa em aberto

A NN/g diz que experimentos internos sugerem melhoria de UI gerada com contexto curado, e que muitas equipes já fazem uma versão disso. Ainda faltam respostas estáveis: quais artefatos tradicionais mais ajudam, quando dado bruto ajuda, como medir eficácia do contexto, se existe “contexto demais”, como manter isso no tempo.

Não é preciso esperar o paper perfeito. Dá para começar com insights em markdown onde as ferramentas leem, tornar o design system legível por máquina e observar o que melhora (e o que a IA ainda erra).

Por que importa na prática

Se mais interface nasce de prompt, o poder de UX não some. Ele muda de lugar: da tela desenhada à mão para o contexto que impede a média genérica. Quem cura bem pesquisa e padrões amplifica impacto em todo o time. Quem só entrega PDF estável pode ver a decisão acontecer sem passar por esse arquivo.

Fontes