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 quando o modelo erra.
- Papel
- Design lead da frente de IA: 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. Não é medo de tecnologia, é noção de responsabilidade profissional.
Parei de desenhar a conversa e passei a desenhar a prova. A pergunta que guiou o produto virou: 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: pergunta de um lado, 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, não preferência de tela.
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, não acurácia: 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 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, que é exatamente o que mata a confiança na primeira semana.
No produto clínico, 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, em vez de morrer num campo de texto.
- 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 não é o modelo acertar. É poder discordar dele.
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 não está na resposta, está na margem dela. 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.