--- title: "UX e IA sem hype: como encontrar fontes confiáveis e interpretar tendências" date: 2026-09-09T15:30:00Z modified: 2026-09-08T17:56:18Z permalink: "https://camaraux.com.br/fontes-confiaveis-ux-ia/" type: post status: publish excerpt: Nem toda tendência de UX e IA merece a mesma confiança. Veja como avaliar fontes, pesquisas e relatórios, separar evidência de hype e identificar os sinais que realmente podem impactar produtos e profissionais de UX. wpid: 13474 categories: - UX & IA tags: - UX & IA - Futuro do UX - Human-AI Interaction - inteligência artificial - Pesquisa em UX - Tendências de UX - UX Design rank_math_title: "UX e IA: fontes confiáveis para acompanhar tendências" rank_math_description: Saiba onde buscar evidências sobre UX e IA, como avaliar relatórios e pesquisas e separar tendências reais de previsões, marketing e hype. rank_math_focus_keyword: UX e IA, fontes confiáveis featured_image: /wp-content/uploads/2026/09/UX-e-IA-sem-hype.png featured_image_alt: Pessoa pequena em cena futurista com arco, esferas flutuantes e mesa com formas geométricas author: Lucas Camara timestamp: 2026-09-08T17:56:18Z --- A inteligência artificial acelerou não apenas a produção de interfaces, textos, protótipos e código. Ela também multiplicou a quantidade de informação disponível sobre o próprio futuro do design. Todos os dias surgem novos relatórios, demonstrações, pesquisas, previsões e opiniões tentando explicar o que vai mudar em UX. O problema é que essas fontes não têm o mesmo peso. Um estudo revisado por pares, um conjunto de dados de uso real, uma pesquisa patrocinada por uma empresa, uma demonstração de produto e uma publicação no LinkedIn podem apontar para a mesma direção, mas oferecem níveis muito diferentes de evidência. Para profissionais de UX, aprender a acompanhar IA exige uma habilidade adicional: saber distinguir **evidência, sinal e previsão**. Essa diferença ajuda a evitar dois erros comuns. O primeiro é ignorar mudanças relevantes porque ainda parecem experimentais. O segundo é tratar uma novidade tecnológica como se ela já tivesse se transformado em comportamento consolidado de usuários ou prática madura de mercado. Este artigo propõe uma forma prática de avaliar informações sobre UX e IA, apresenta fontes que merecem acompanhamento contínuo e usa tendências atuais como exemplos de como interpretar sinais sem transformar hype em certeza. ## O problema não é falta de informação, mas excesso de sinais IA é um campo em que capacidade técnica, adoção, comportamento e impacto profissional evoluem em velocidades diferentes. Um modelo pode demonstrar uma nova capacidade hoje sem que isso signifique que empresas conseguirão incorporá-la aos produtos amanhã. Da mesma forma, uma ferramenta pode crescer rapidamente entre profissionais sem que existam evidências de que ela melhorou a experiência final dos usuários. O [AI Index Report 2026, da Stanford University](https://hai.stanford.edu/ai-index/2026-ai-index-report), ajuda a visualizar essa diferença. O relatório aponta que 88% das organizações pesquisadas já utilizavam IA em 2025 e que 70% utilizavam IA generativa em pelo menos uma função de negócio. Ao mesmo tempo, a adoção de agentes de IA permanecia em um dígito na maioria das funções analisadas. As duas afirmações podem ser verdadeiras ao mesmo tempo: IA já é uma tecnologia amplamente adotada, enquanto agentes autônomos ainda estão em uma fase muito mais inicial de uso organizacional. Quando um artigo mistura essas duas camadas, uma tendência emergente pode parecer mais consolidada do que realmente está. Essa distinção é especialmente importante em UX. Novas capacidades técnicas podem mudar o que é possível projetar, mas a experiência só muda de fato quando essas capacidades chegam ao produto, são compreendidas pelas pessoas, resolvem uma necessidade e funcionam com qualidade suficiente em situações reais. ## Evidência, sinal e previsão não são a mesma coisa Uma forma simples de analisar qualquer afirmação sobre UX e IA é identificar em qual camada ela está. ### Evidência Evidência descreve algo observado e sustentado por dados, pesquisa ou documentação verificável. Pode vir de experimentos, estudos acadêmicos, dados de uso, pesquisas com metodologia explícita ou medições realizadas em produtos reais. Por exemplo, afirmar que profissionais estão incorporando IA ao trabalho de design pode ser sustentado por pesquisas com designers. Isso não prova que todos os designers trabalham dessa forma, nem que a adoção produzirá determinado resultado no futuro. Prova apenas aquilo que a metodologia realmente mediu. ### Sinal Um sinal indica movimento. Contratações, novos tipos de produto, mudanças em ferramentas, padrões repetidos entre empresas e novas agendas de pesquisa podem mostrar que uma direção merece atenção, mesmo quando ainda não existem dados suficientes para chamá-la de prática consolidada. Interfaces generativas, experiências multimodais e agentes que executam tarefas são bons exemplos. Já existem produtos, pesquisas e investimentos concretos nessas áreas. O que ainda precisa ser observado é como essas abordagens se comportam em escala, quais padrões de interação sobreviverão e onde realmente geram valor para usuários. ### Previsão Previsão é uma interpretação sobre o que pode acontecer a partir dos sinais disponíveis. Ela pode ser bem fundamentada, mas continua sendo uma hipótese sobre o futuro. Essa separação é importante porque relatórios de tendências frequentemente combinam as três camadas. O dado pode ser sólido, enquanto a conclusão projetada a partir dele continua incerta. Na prática, a pergunta não deveria ser apenas “qual é a fonte?”, mas também “o que exatamente essa fonte permite concluir?”. ## Quais fontes são mais confiáveis para acompanhar UX e IA? Não existe uma única fonte capaz de explicar o campo inteiro. O melhor caminho é combinar diferentes tipos de evidência e entender o papel de cada um. | Tipo de fonte | Ajuda a responder | Principal cuidado | | --- | --- | --- | | Pesquisa acadêmica revisada por pares | Como determinado comportamento ou interação foi estudado de forma controlada | O estudo pode ter amostra pequena ou contexto distante do seu produto | | Frameworks e órgãos públicos | Quais riscos, critérios e práticas de governança precisam ser considerados | Nem toda recomendação é específica para UX ou para seu setor | | Dados de uso real | Como pessoas estão utilizando IA em determinado produto ou contexto | O conjunto de usuários pode não representar o mercado inteiro | | Pesquisas de mercado | Percepções, adoção e mudanças de prática em grupos maiores | Autodeclaração, amostragem e interesse comercial podem influenciar a leitura | | Documentação de produto | O que uma tecnologia já consegue fazer e como foi implementada | Capacidade técnica não é evidência de valor ou adoção | | Opinião de especialistas e redes sociais | Novas hipóteses e sinais que ainda merecem investigação | Não deve ser tratada como evidência isoladamente | ## 1. Pesquisa acadêmica e HCI: onde procurar princípios mais estáveis Quando a pergunta envolve comportamento humano, interação, confiança, erro ou compreensão de sistemas inteligentes, pesquisa em Interação Humano-Computador continua sendo uma das bases mais úteis. Um exemplo importante são as [Guidelines for Human-AI Interaction, da Microsoft](https://www.microsoft.com/en-us/haxtoolkit/ai-guidelines/). O trabalho consolidou mais de duas décadas de pesquisa e foi validado com 49 profissionais de design avaliando 20 produtos com IA. As 18 diretrizes abordam momentos como o primeiro contato com a IA, a interação cotidiana, situações em que o sistema erra e mudanças ao longo do tempo. Entre os princípios estão deixar claro o que o sistema consegue fazer, comunicar seus limites, oferecer formas eficientes de corrigir ou descartar resultados e permitir que a pessoa mantenha controle sobre a interação. Embora o estudo tenha sido publicado em 2019, esses problemas se tornaram ainda mais relevantes com sistemas generativos. Esse é um bom exemplo de por que “mais recente” não significa automaticamente “mais confiável”. Uma publicação antiga, com método claro e validação, pode ser mais útil para uma decisão de UX do que uma previsão recente baseada apenas em uma demonstração de produto. ## 2. Google PAIR: uma referência prática para produtos com IA O [People + AI Guidebook, do Google PAIR](https://pair.withgoogle.com/guidebook-v2/chapters), organiza problemas de design de IA ao longo do desenvolvimento do produto. O material cobre necessidades do usuário, definição de sucesso, coleta e avaliação de dados, modelos mentais, explicabilidade, confiança, feedback, controle e falhas. Uma ideia central do guia é que o valor de IA não deveria ser presumido. Antes de automatizar uma tarefa, a equipe precisa entender se existe uma necessidade real e se IA oferece uma vantagem relevante em comparação com uma solução mais simples. O capítulo sobre modelos mentais também é particularmente útil para UX. Sistemas probabilísticos podem produzir resultados diferentes em situações semelhantes e mudar com o tempo. Se a interface cria uma expectativa de comportamento determinístico, a pessoa pode interpretar variações normais da IA como falha, inconsistência ou perda de controle. Isso desloca uma parte do trabalho de UX. Não basta desenhar o caminho ideal. É preciso projetar como capacidades, limites, incerteza, correção e aprendizado do sistema serão compreendidos durante a experiência. ## 3. Stanford AI Index: separar capacidade técnica de adoção real Para acompanhar a evolução mais ampla da inteligência artificial, o [AI Index, do Stanford Institute for Human-Centered Artificial Intelligence](https://hai.stanford.edu/ai-index/2026-ai-index-report), é uma das fontes mais completas. O relatório reúne indicadores sobre desempenho técnico, adoção, investimento, educação, mercado de trabalho e políticas públicas. Para UX, seu valor está menos em dizer “qual interface será tendência” e mais em oferecer contexto sobre o ritmo real da tecnologia. Em 2026, por exemplo, o relatório mostra simultaneamente uma adoção organizacional alta de IA e uma adoção ainda inicial de agentes em diversas funções de negócio. Esse tipo de dado ajuda a calibrar previsões. Há evidência suficiente para tratar IA como infraestrutura presente no desenvolvimento de produtos. Já afirmar que experiências autônomas substituirão rapidamente interfaces tradicionais exige um grau maior de cautela. ## 4. Dados de uso real: úteis, mas sempre contextuais Dados de plataformas podem mostrar como pessoas realmente usam IA, algo que pesquisas de intenção nem sempre capturam. O [Anthropic Economic Index](https://www.anthropic.com/research/economic-index-june-2026-report), por exemplo, acompanha padrões de uso do Claude e vem ajustando sua própria metodologia à medida que conversas dão lugar a tarefas agênticas mais longas. Relatórios anteriores do índice observaram variações entre automação e aumento da capacidade humana, mostrando que a relação com IA não segue uma única direção. Em vários contextos, pessoas continuam trabalhando com a IA de forma colaborativa; em outros, delegam etapas completas. A limitação é importante: o índice mede padrões dentro do ecossistema da Anthropic. Ele é valioso para observar comportamento real, mas não representa automaticamente todos os trabalhadores, todas as ferramentas ou todas as empresas. O próprio uso responsável da fonte depende de manter essa fronteira explícita. ## 5. Pesquisas de empresas: fonte útil não significa fonte neutra Empresas que operam no mercado de design possuem acesso a amostras e comportamentos difíceis de observar em pesquisa acadêmica. Isso torna seus relatórios úteis, desde que metodologia e interesse comercial façam parte da leitura. O [relatório de IA da Figma de 2026](https://www.figma.com/blog/2026-ai-report/) reúne três anos de dados, 8.403 respostas a pesquisas e 639 entrevistas qualitativas com designers, desenvolvedores e profissionais de produto em dez mercados, incluindo o Brasil. Já o [State of the Designer 2026](https://www.figma.com/blog/state-of-the-designer-2026/) foi produzido a partir de uma pesquisa com 906 designers digitais em diferentes regiões. Nessa segunda pesquisa, 89% dos participantes afirmaram trabalhar mais rápido com ferramentas de IA, 80% disseram colaborar melhor e 91% relataram que essas ferramentas melhoram seus designs. Os números são relevantes como percepção declarada de profissionais, não como medição objetiva de qualidade ou impacto de negócio. A leitura adequada não é descartar o dado porque ele vem de uma empresa interessada no tema. Também não é tratá-lo como prova definitiva. É compreender o que foi medido, quem respondeu, como a amostra foi construída e quais conclusões o método permite sustentar. ## 6. NIST e governança: quando UX encontra risco e responsabilidade À medida que IA passa a participar de decisões, recomendações e ações, experiência do usuário deixa de ser apenas uma questão de facilidade de uso. Risco, transparência, segurança, rastreabilidade e possibilidade de supervisão humana começam a fazer parte da qualidade da experiência. O [Generative AI Profile do AI Risk Management Framework, do NIST](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence), oferece uma referência pública para identificar e gerenciar riscos específicos de IA generativa. O documento não é um manual de UX, mas ajuda equipes de produto a enxergar problemas que precisam se materializar também na interface e na interação. Quando um sistema pode produzir informação incorreta, executar uma ação indevida ou usar dados sensíveis, decisões de UX como confirmação, revisão, explicação, reversibilidade e escalonamento deixam de ser detalhes de interface. Elas se tornam parte do mecanismo de controle do produto. ## 7. Mercado de trabalho: projeção deve ser lida como projeção Relatórios sobre profissões costumam ganhar manchetes mais fortes do que seus próprios dados justificam. O [Future of Jobs Report 2025, do World Economic Forum](https://www.weforum.org/publications/the-future-of-jobs-report-2025/), é um bom exemplo de fonte relevante que precisa ser interpretada corretamente. Baseado em respostas de mais de mil empresas, o relatório estima que 39% das principais habilidades exigidas no trabalho devem mudar até 2030. IA e big data aparecem entre as habilidades de crescimento mais rápido, mas pensamento analítico, criatividade, resiliência, colaboração e aprendizado contínuo permanecem centrais. O ponto importante é metodológico: o relatório mede expectativas de empregadores sobre o futuro. Ele não é uma medição de algo que já aconteceu. Para profissionais de UX, serve melhor como sinal sobre competências e transformação organizacional do que como previsão literal de quais cargos existirão ou desaparecerão. Esse cuidado também evita simplificações sobre o [futuro do UX na era da IA](/futuro-do-ux-ia/). Automação de tarefas e transformação de funções podem acontecer ao mesmo tempo em que julgamento, pesquisa, qualidade, estratégia e governança ganham importância. ## O que essas fontes mostram sobre UX e IA agora Quando fontes acadêmicas, dados de adoção, pesquisas com profissionais e frameworks de governança são lidos em conjunto, alguns movimentos aparecem com mais consistência. Eles não devem ser tratados como uma nova lista de previsões. São sinais que ajudam a entender quais problemas de UX já estão se tornando relevantes. ### UX passa a projetar comportamento, não apenas interface Sistemas generativos introduzem variabilidade. A mesma intenção pode produzir respostas diferentes de acordo com contexto, modelo, histórico e ferramentas disponíveis. Isso aumenta a importância de definir comportamentos aceitáveis, limites, estados de erro e critérios de qualidade. A mudança não elimina fluxos, componentes ou arquitetura de informação. Ela acrescenta uma nova camada ao trabalho: projetar como o sistema decide, comunica, pede confirmação, recebe correção e se recupera quando algo dá errado. ### Agentes tornam delegação e controle problemas de UX Quanto mais um sistema deixa de apenas responder e passa a executar tarefas, mais a experiência precisa lidar com autonomia. O usuário precisa saber o que será feito, com quais permissões, em que momento poderá interromper a execução e como desfazer consequências indesejadas. O dado de Stanford sobre adoção ainda inicial de agentes é importante justamente por isso: existe um sinal tecnológico forte, mas ainda há espaço para definir padrões maduros de interação antes de tratá-los como comportamento consolidado. ### Interfaces generativas aumentam a importância de avaliação Quando uma interface pode ser criada ou adaptada dinamicamente, revisar uma única tela deixa de ser suficiente. O foco tende a se deslocar para regras, restrições, componentes permitidos, acessibilidade e avaliação sistemática dos resultados produzidos. Esse movimento se conecta diretamente à necessidade de preparar o [Design System para orientar sistemas de IA](/design-system-para-ia/). Quanto maior a capacidade de geração, maior a necessidade de contexto e governança para evitar inconsistência em escala. ### Pesquisa com usuários ganha velocidade, mas não perde a necessidade de evidência IA já pode apoiar transcrição, organização, síntese, agrupamento e exploração de grandes volumes de material. O ganho operacional é real, mas também aumenta o risco de distanciar a equipe da evidência bruta. Uma síntese útil precisa continuar permitindo rastrear uma conclusão até entrevistas, observações, dados ou outros registros originais. Quanto mais fácil se torna produzir um resumo convincente, mais importante fica saber de onde cada afirmação veio. ### Confiança deixa de ser uma sensação abstrata e vira mecanismo de produto Microsoft HAX, Google PAIR e NIST convergem em um ponto importante: produtos com IA precisam comunicar capacidades e limites, lidar com falhas e oferecer formas adequadas de controle humano. Isso transforma confiança em algo projetável. Não se trata de fazer a pessoa “confiar mais” na IA, mas de permitir que ela saiba **quando confiar, quando verificar e quando assumir o controle**. ## Como avaliar qualquer nova tendência de UX e IA Antes de incorporar uma previsão a uma estratégia, apresentação ou artigo, vale passar a afirmação por sete perguntas. 1. **Qual é a fonte original?** Procure o estudo, conjunto de dados, relatório ou documentação que originou a afirmação, não apenas quem a repercutiu. 2. **O dado é observado ou declarado?** Uso registrado em produto, resposta de pesquisa e opinião de especialista medem coisas diferentes. 3. **Quem foi estudado?** Tamanho da amostra importa, mas representatividade, região, profissão e contexto também. 4. **Existe interesse comercial?** Uma empresa pode produzir pesquisa excelente sobre o próprio mercado. O ponto é considerar o incentivo ao interpretar a conclusão. 5. **A afirmação fala de capacidade ou adoção?** Uma tecnologia conseguir realizar determinada tarefa não significa que usuários ou empresas já a incorporaram. 6. **Existe comparação ao longo do tempo?** Uma tendência fica mais forte quando é possível observar direção, não apenas uma fotografia isolada. 7. **O resultado se aplica ao seu contexto?** Mesmo uma evidência forte pode ter baixa validade para outro público, setor, país ou tipo de produto. Esse filtro não serve para eliminar incerteza. Serve para deixá-la explícita. Em um campo que muda rapidamente, reconhecer o limite de uma evidência é mais útil do que tentar transformar toda novidade em certeza. ## Uma hierarquia prática para decidir quanto confiar Quando várias fontes apontam para a mesma direção, a confiança aumenta. Ainda assim, vale pensar em uma hierarquia simples. - **Alta confiança:** resultados reproduzidos, pesquisa revisada por pares, dados públicos robustos e convergência entre fontes independentes. - **Boa confiança contextual:** grandes pesquisas com metodologia transparente, dados de uso real e relatórios institucionais com limitações claras. - **Sinal relevante:** mudanças de produto, novas funções, padrões repetidos entre empresas, estudos iniciais e dados ainda restritos a um ecossistema. - **Hipótese:** demonstrações, previsões sem método, opiniões individuais e afirmações que não chegam à fonte original. O erro mais comum não é usar uma fonte fraca. É usar uma fonte fraca como se ela fosse forte. Uma demonstração pode ser excelente para identificar uma hipótese. Ela apenas não deveria sustentar sozinha uma decisão estratégica. ## Onde acompanhar UX e IA de forma consistente Para evitar depender do ciclo de notícias, vale construir um conjunto pequeno de fontes com funções diferentes. - **Interação Humano-Computador:** ACM CHI e pesquisas de HCI ajudam a acompanhar estudos sobre interação, comportamento, colaboração humano-IA e novos paradigmas de interface. - **Princípios de Human-AI Interaction:** Microsoft HAX e Google PAIR oferecem referências aplicáveis ao desenho de produtos com IA. - **Adoção e evolução da tecnologia:** Stanford AI Index ajuda a separar avanço técnico, investimento e adoção real. - **Trabalho e uso real:** World Economic Forum e Anthropic Economic Index ajudam a observar mudanças em habilidades, tarefas, automação e colaboração. - **Risco e governança:** NIST oferece estruturas para avaliar confiança, risco e responsabilidade em IA generativa. - **Prática profissional de design:** pesquisas da Figma e de outras plataformas ajudam a acompanhar como equipes estão incorporando IA, desde que seus dados sejam lidos com o contexto comercial da fonte. Notícias, newsletters e redes sociais continuam úteis, mas funcionam melhor como camada de descoberta. Quando uma afirmação for relevante para uma decisão, o passo seguinte é chegar à fonte primária. ## O que muda para profissionais seniores de UX Quanto mais fácil fica gerar alternativas, mais valor passa a existir na capacidade de decidir quais alternativas merecem existir. Para profissionais seniores, isso aumenta a importância de problem framing, critérios de qualidade, avaliação, leitura crítica de evidências e governança. Usar IA bem não significa apenas dominar uma coleção de [ferramentas de IA para UX](/ferramentas-ia-para-ux/). Significa saber quando a tecnologia acrescenta valor, quais riscos cria, como validar seus resultados e que tipo de evidência deveria orientar a decisão. O mesmo vale para acompanhar tendências. A habilidade mais útil não é prever qual interface dominará os próximos anos. É conseguir olhar para uma afirmação, identificar a qualidade da fonte, separar observação de interpretação e entender qual decisão aquela evidência realmente sustenta. Para uma análise específica dos movimentos que podem afetar produtos e práticas de design nos próximos anos, veja também [Tendências de UX para 2027](/tendencias-ux-2027/). A diferença de função entre os conteúdos é intencional: lá, o foco está nos movimentos; aqui, está no método para avaliar a força desses movimentos. ## Perguntas frequentes sobre fontes, UX e IA ### Quais são as fontes mais confiáveis para acompanhar UX e IA? As fontes mais confiáveis dependem da pergunta. Para interação e comportamento, priorize pesquisa acadêmica e HCI. Para adoção, use relatórios com metodologia transparente e dados de uso. Para risco e governança, órgãos como o NIST são referências importantes. Microsoft HAX, Google PAIR, Stanford AI Index, ACM, NIST e relatórios metodologicamente transparentes de empresas podem ser combinados para formar uma visão mais completa. ### Como saber se uma tendência de IA é real ou apenas hype? Procure evidências de adoção, uso real, repetição do comportamento ao longo do tempo e convergência entre fontes independentes. Uma demonstração prova capacidade técnica, não adoção. Uma previsão indica uma hipótese sobre o futuro, não um fato. Quanto mais camadas de evidência apontarem para a mesma direção, maior a confiança na tendência. ### Relatórios de empresas como Figma e Anthropic são confiáveis? Podem ser fontes muito úteis, especialmente quando apresentam metodologia, tamanho da amostra e limitações. No entanto, devem ser lidos considerando que a empresa possui interesse comercial no tema e que seus usuários podem não representar todo o mercado. O ideal é combinar esses dados com fontes independentes. ### Artigos publicados no arXiv podem ser usados como fonte? Sim, mas com cautela. O arXiv é importante para acompanhar pesquisas recentes, porém muitos trabalhos são preprints e ainda não passaram por revisão por pares. Eles podem indicar sinais e resultados iniciais, mas afirmações relevantes devem ser comparadas com estudos revisados, replicações ou outras evidências quando possível. ### Qual é a diferença entre adoção de IA e adoção de agentes de IA? Adoção de IA inclui muitos usos, como geração de texto, análise, busca, recomendação e apoio a tarefas. Agentes representam uma camada mais específica, em que o sistema pode planejar e executar etapas com algum nível de autonomia. Dados recentes mostram adoção ampla de IA, enquanto o uso organizacional de agentes ainda é mais inicial em diversas funções. ### O que um UX Designer deveria acompanhar sobre IA? Além de ferramentas, vale acompanhar interação humano-IA, modelos mentais, confiança, controle, avaliação de resultados, agentes, interfaces generativas, acessibilidade, governança e mudanças no processo de pesquisa e design. O mais importante é conectar cada novidade a evidências de uso, necessidades reais e impacto na experiência. ## Referências e fontes - [**Stanford Institute for Human-Centered AI, AI Index Report 2026.**](https://hai.stanford.edu/ai-index/2026-ai-index-report) Usado para contextualizar adoção organizacional de IA, IA generativa, agentes e evolução mais ampla da tecnologia. - [**Microsoft Research, Guidelines for Human-AI Interaction.**](https://www.microsoft.com/en-us/haxtoolkit/ai-guidelines/) Base para princípios de interação, comunicação de capacidades e limites, correção, controle e recuperação de falhas. - [**Google PAIR, People + AI Guidebook.**](https://pair.withgoogle.com/guidebook-v2/chapters) Referência para necessidades do usuário, modelos mentais, explicabilidade, confiança, feedback, controle e falhas em produtos com IA. - [**NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.**](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence) Usado para relacionar experiência, governança, risco, transparência e supervisão humana. - [**World Economic Forum, Future of Jobs Report 2025.**](https://www.weforum.org/publications/the-future-of-jobs-report-2025/) Fonte para expectativas de mudança em habilidades, crescimento da importância de competências em IA e permanência de habilidades cognitivas e humanas. - [**Figma, 2026 AI Report.**](https://www.figma.com/blog/2026-ai-report/) Pesquisa utilizada para observar como profissionais de design, desenvolvimento e produto estão incorporando IA e colaboração em diferentes mercados. - [**Figma, State of the Designer 2026.**](https://www.figma.com/blog/state-of-the-designer-2026/) Usado para dados autodeclarados sobre velocidade, colaboração, qualidade percebida e autonomia criativa entre designers. - [**Anthropic, Economic Index 2026.**](https://www.anthropic.com/research/economic-index-june-2026-report) Referência para padrões de uso real de IA, evolução de tarefas agênticas e limites de generalização de dados provenientes de uma única plataforma. ## Pesquisa aprofundada em PDF Este artigo foi desenvolvido a partir de uma pesquisa mais ampla sobre UX, inteligência artificial, qualidade das fontes e tendências emergentes. O material completo reúne as referências, sinais analisados e contexto adicional utilizado na construção desta síntese. [Baixar a pesquisa completa em PDF](https://camaraux.com.br/wp-content/uploads/2026/09/CamaraUX_UX_IA_sem_hype_pesquisa_editorial.pdf) ## Topics **Categorias:** [UX & IA](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/category/ux-e-ia.md) **Tags:** [Futuro do UX](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/futuro-do-ux.md), [Human-AI Interaction](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/human-ai-interaction.md), [inteligência artificial](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/inteligencia-artificial.md), [Pesquisa em UX](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/pesquisa-em-ux.md), [Tendências de UX](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/tendencias-de-ux.md), [UX Design](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/ux-design.md)