---
title: "UX multimodal: como projetar experiências entre tela, voz, câmera e IA"
date: 2026-09-16T15:30:00Z
modified: 2026-09-07T22:48:50Z
permalink: "https://camaraux.com.br/ux-multimodal/"
type: post
status: publish
excerpt: UX multimodal combina tela, voz, câmera, texto e IA em uma experiência contínua. Veja princípios, exemplos e um framework para projetar sem perder contexto, controle ou acessibilidade.
wpid: 13601
categories:
  - Tendências
tags:
  - Tendências
  - IA
  - Tendências de UX
  - UX Design
rank_math_title: "UX multimodal: como projetar tela, voz, câmera e IA"
rank_math_description: Entenda o que é UX multimodal e como combinar tela, voz, câmera e IA com continuidade, contexto, acessibilidade, confiança e fallback.
rank_math_focus_keyword: UX multimodal
featured_image: /wp-content/uploads/2026/09/UX-multimodal-tendencias.png
author: Lucas Camara
timestamp: 2026-09-07T22:48:50Z
---

**UX multimodal** é o design de experiências em que pessoas podem combinar ou alternar formas de interação, como tela, toque, texto, voz e câmera, sem perder o contexto da tarefa. A ideia não é adicionar o maior número possível de entradas a um produto. É escolher a modalidade mais adequada para cada momento e fazer com que todas trabalhem como partes da mesma experiência.

Um exemplo simples ajuda a visualizar a diferença. Em vez de descrever por texto um problema em um equipamento, a pessoa pode apontar a câmera, explicar por voz o que está acontecendo, receber uma orientação visual na tela e tocar em uma opção para confirmar o próximo passo. A tarefa é uma só. O modo de interação muda conforme o que é mais eficiente em cada etapa.

Multimodalidade não nasceu com a inteligência artificial generativa. A pesquisa em Interação Humano-Computador (IHC) estuda sistemas multimodais há décadas. O que mudou nos últimos anos foi a capacidade de modelos de IA interpretarem fala, imagem, texto e contexto dentro do mesmo sistema, além da chegada dessas combinações a produtos usados em larga escala. Isso transforma um tema antes muito associado a laboratórios, acessibilidade, ambientes especializados e interfaces experimentais em uma decisão concreta de produto.

REPORTS DE TENDÊNCIAS CAMARAUX

### Este artigo faz parte dos nossos Reports de Tendências

Acompanhamos mudanças em UX, Produto, IA e tecnologia a partir de pesquisas, documentação, produtos reais e sinais de mercado. O objetivo é separar capacidade técnica, comportamento observado e previsão para entender o que realmente pode mudar a experiência.

[Ver todos os Reports de Tendências](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/category/tendencias.md)





## O que é UX multimodal?

UX multimodal é a prática de projetar experiências que coordenam diferentes modalidades de entrada e saída durante uma mesma interação. Entre elas podem estar texto, fala, toque, câmera, gesto, olhar, áudio, resposta visual e feedback háptico. O ponto central é a coordenação. Um produto não se torna realmente multimodal apenas porque possui um botão de microfone e uma câmera.

A literatura de IHC trata multimodalidade como um campo anterior à atual geração de IA. Em 1999, Sharon Oviatt já discutia sistemas capazes de integrar fala, caneta, gestos e apontamento, destacando o valor de combinar modalidades complementares. Uma revisão publicada em 2025 retomou o tema incluindo fala, gesto, toque e olhar, além de desafios como integração temporal, adaptação ao contexto e continuidade da experiência.

Em setembro de 2026, uma revisão ampla publicada em _Engineering Applications of Artificial Intelligence_ descreveu a evolução do campo desde técnicas tradicionais de fusão até arquiteturas baseadas em redes neurais e modelos de linguagem capazes de relacionar sinais multimodais com mais contexto. A pesquisa atual, portanto, não está inventando multimodalidade. Está ampliando o que sistemas conseguem interpretar, combinar e devolver em tempo real.

## Por que UX multimodal ganhou força com a IA?

A mudança mais importante é que diferentes modalidades passaram a compartilhar uma camada de interpretação. Antes, voz, visão computacional e interface gráfica muitas vezes eram recursos separados, com regras próprias. Modelos multimodais conseguem relacionar uma pergunta falada ao que aparece em uma imagem, manter o contexto de uma conversa e produzir uma resposta em outra forma, como texto, áudio ou controles visuais.

Esse movimento já aparece em produtos de massa. Segundo dados divulgados pelo próprio Google em agosto de 2026, o app Gemini ultrapassou 1 bilhão de usuários mensais, 63% dos usuários falavam diretamente com o assistente e uma em cada cinco interações do Gemini Live ia além da voz, usando câmera ao vivo ou compartilhamento de tela. Como são dados da própria plataforma, eles não representam todo o mercado, mas funcionam como um sinal relevante de adoção dentro de um ecossistema de grande escala.

Em julho de 2026, o Google também mostrou o uso da câmera do Gemini Live para situações em que descrever por palavras seria mais trabalhoso, como identificar um código de erro, entender um objeto ou receber ajuda durante uma tarefa física. O ChatGPT, por outro caminho, passou a combinar voz com texto, imagens e resultados visuais dentro da mesma conversa. Esses produtos não provam que toda experiência deva se tornar multimodal. Eles mostram que alternar entre modalidades já deixou de ser apenas um cenário de laboratório.

O tema também entrou explicitamente na agenda de pesquisa. O workshop [Human-AI-UI Interactions Across Modalities, no CHI 2026](https://doi.org/10.1145/3772363.3778737), discutiu interfaces em que agentes interpretam entradas multimodais e produzem saídas adaptativas, além de questões de transparência, acessibilidade e controle humano.

## Multimodal não é multicanal, conversacional ou Generative UI

Os termos se aproximam, mas descrevem problemas diferentes. Separá-los evita que multimodalidade vire apenas um rótulo para qualquer produto com IA.



| Conceito | O que muda | Exemplo |
| --- | --- | --- |
| **UX multimodal** | A pessoa combina ou alterna modalidades dentro da mesma tarefa | Aponta a câmera, pergunta por voz e confirma na tela |
| **Multicanal ou omnichannel** | A experiência continua entre canais ou pontos de contato | Começa no site e conclui pelo atendimento |
| **Interface conversacional** | O diálogo é a principal forma de interação | Chat ou assistente por voz |
| **Generative UI** | A própria composição da interface pode ser gerada ou adaptada dinamicamente | A IA decide apresentar tabela, formulário ou controles conforme a tarefa |

Uma experiência pode combinar mais de um desses conceitos. Uma [Generative UI](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/post/generative-ui.md), por exemplo, pode receber voz e câmera e gerar uma interface visual específica para o contexto. Ainda assim, geração de interface e multimodalidade não são sinônimos.

## O princípio central: uma tarefa, um estado, várias modalidades

O maior risco de uma experiência multimodal é transformar cada modalidade em um produto separado. Quando isso acontece, o usuário precisa repetir informação, recomeçar a tarefa ou descobrir qual canal possui o estado mais atualizado.

Uma experiência coerente precisa manter um estado compartilhado. Se a pessoa apontou a câmera para um objeto e perguntou “essa peça aqui está correta?”, o sistema precisa preservar a referência ao objeto quando a conversa continuar por voz ou quando uma opção aparecer na tela. Se ela tocar em uma alternativa, a resposta falada seguinte precisa considerar essa escolha. O histórico pertence à tarefa, não à modalidade.

Essa ideia pode ser resumida em uma regra prática: **mudar de modalidade não deveria significar perder contexto**. A troca precisa parecer uma mudança de instrumento dentro da mesma atividade, e não uma mudança de aplicativo.

## O papel de tela, voz, câmera e IA em uma experiência multimodal

Cada modalidade possui forças e limitações. Projetar bem significa usar essas diferenças a favor da tarefa, em vez de tentar tornar todas equivalentes.



| Modalidade | Funciona bem para | Exige cuidado com |
| --- | --- | --- |
| **Tela e toque** | Comparar, revisar, navegar, selecionar com precisão e manter informação persistente | Excesso de informação, alvos pequenos, dependência visual e tarefas que exigem mãos livres |
| **Voz** | Expressar intenções complexas rapidamente, interagir com mãos ocupadas e fazer perguntas durante uma atividade | Ruído, privacidade, ambiguidade, reconhecimento e dificuldade para revisar conteúdo longo |
| **Câmera** | Referenciar objetos, ambiente, documentos, situações físicas e informações difíceis de descrever | Permissão, privacidade de terceiros, iluminação, enquadramento e interpretação incorreta |
| **IA** | Relacionar sinais, interpretar intenção, manter contexto e adaptar a resposta | Incerteza, erro probabilístico, excesso de autonomia e falta de transparência |

A tela é especialmente boa para persistência e comparação. Voz é eficiente para expressão e continuidade enquanto as mãos estão ocupadas. Câmera reduz a necessidade de transformar o mundo físico em uma descrição verbal. A IA funciona como uma camada de interpretação entre esses sinais, mas justamente por ser probabilística precisa de mecanismos de correção, confirmação e recuperação.

## Como escolher a melhor modalidade para cada contexto

A pergunta não deveria ser “onde podemos colocar voz ou câmera?”, mas “qual modalidade reduz esforço sem aumentar risco neste momento?”. A resposta muda conforme tarefa, ambiente, privacidade, necessidade de precisão, atenção disponível e consequência do erro.



| Contexto | Modalidade principal | Apoio ou fallback |
| --- | --- | --- |
| Mãos ocupadas durante uma atividade | Voz | Tela para revisar passos e confirmar ações |
| Comparar várias alternativas | Tela | Voz para refinar critérios ou pedir explicações |
| Identificar algo no mundo físico | Câmera + voz | Tela para mostrar o que foi reconhecido |
| Ambiente público ou sensível | Texto + tela | Áudio opcional, nunca obrigatório |
| Ação financeira, jurídica ou irreversível | Tela com revisão explícita | Voz pode ajudar, mas não deve esconder a confirmação |
| Necessidade de acessibilidade ou preferência individual | Escolha do usuário | Modalidades concorrentes sempre que possível |

Esse raciocínio também evita a ideia de que voz é sempre mais “natural”. Falar pode ser ótimo enquanto a pessoa cozinha, dirige ou conserta algo. Pode ser péssimo em um ônibus, em um escritório compartilhado ou para revisar uma lista de vinte opções. Uma modalidade é boa quando combina com o contexto, não porque parece mais futurista.

## 7 princípios para projetar UX multimodal

### 1. Comece pela tarefa, não pela tecnologia

Mapeie o que a pessoa precisa fazer, quais informações possui, onde está e o que impede a execução. Só depois decida se voz, câmera, tela ou outra modalidade realmente reduz esforço. Se um formulário simples resolve melhor, adicionar IA multimodal não cria valor.

### 2. Preserve contexto entre as modalidades

Objetos mencionados, escolhas, histórico, filtros, permissões e estado da tarefa precisam atravessar a troca de modalidade. A experiência deve lembrar que “isso” apontado pela câmera é o mesmo item discutido por voz alguns segundos depois.

### 3. Use modalidades complementares

O valor aparece quando uma modalidade compensa limitações de outra. Voz pode expressar intenção rapidamente, enquanto a tela facilita revisão. A câmera pode mostrar o objeto, enquanto o áudio permite continuar a tarefa sem desviar a atenção. Esse princípio já aparecia em pesquisas clássicas de multimodalidade e continua relevante com IA.

### 4. Torne claro o que o sistema está percebendo

Quando microfone ou câmera entram na interação, o usuário precisa saber quando a captura começou, o que está sendo analisado e como interrompê-la. Se a IA interpretou um objeto ou trecho de imagem, a interface deve permitir verificar a referência antes de tomar uma decisão importante.

### 5. Confirme ações de maior consequência em um formato revisável

Uma resposta falada desaparece rapidamente. Para ações financeiras, exclusões, compras, envio de dados ou outras decisões relevantes, a confirmação precisa ser persistente e revisável. A voz pode iniciar a ação, mas a interface visual costuma ser um lugar melhor para verificar valores, destinatários, permissões e consequências.

### 6. Projete correção e fallback antes do caminho ideal

O sistema precisa continuar útil quando não entende a fala, a câmera está bloqueada, a iluminação é ruim, a rede falha ou a IA interpreta o objeto errado. Fallback não é uma mensagem de erro no final. É uma rota alternativa que preserva o máximo possível do estado já construído.

### 7. Não force uma modalidade

A multimodalidade também pode melhorar acessibilidade justamente porque oferece alternativas. A W3C recomenda que mecanismos de entrada disponíveis possam ser usados de forma concorrente e que pessoas consigam alternar entre eles conforme preferência ou circunstância. Uma experiência que obriga voz, toque ou câmera quando existe outra forma viável pode criar uma barreira em vez de removê-la.

## Um exemplo prático de fluxo multimodal

Imagine uma pessoa tentando descobrir por que uma cafeteira não está funcionando. Em uma interface tradicional, ela poderia abrir uma central de ajuda, buscar o modelo, encontrar um artigo e comparar a descrição do erro com o equipamento. Em uma experiência multimodal, o fluxo pode ser diferente.

1. A pessoa abre a câmera e aponta para a cafeteira.
2. Por voz, pergunta: “por que essa luz está piscando?”
3. O sistema destaca na tela a região que acredita ter identificado e explica o que entendeu.
4. A pessoa toca na indicação correta ou corrige a interpretação.
5. As instruções ficam visíveis na tela enquanto a pessoa continua perguntando por voz.
6. Se uma etapa exigir uma ação relevante, a interface solicita confirmação explícita antes de prosseguir.

O exemplo é hipotético, mas mostra uma propriedade importante: nenhuma modalidade precisa carregar a experiência inteira. A câmera reduz descrição, a voz permite continuar a tarefa, a tela mantém referência e a IA relaciona os sinais. O valor está na orquestração.

## Como projetar estado e contexto em produtos multimodais

Em produtos mais complexos, projetar apenas telas deixa de ser suficiente. A equipe precisa representar também o estado da interação. Isso pode incluir objetivo atual, objetos mencionados, modalidade ativa, permissões, dados capturados, nível de confiança da interpretação, ações disponíveis, risco da próxima ação e alternativas caso uma modalidade falhe.

Esse tipo de especificação aproxima UX de uma arquitetura de comportamento. Em vez de documentar somente “tela A leva para tela B”, o time define condições como “se a câmera não estiver disponível, permitir descrição por texto”, “se a confiança da identificação estiver baixa, pedir confirmação” ou “se a ação tiver impacto financeiro, exigir revisão persistente”.

A lógica se conecta ao que já acontece em [UX para agentes de IA](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/post/ux-para-agentes-de-ia.md) e em [Design Systems preparados para IA](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/post/design-system-para-ia.md). Quanto maior a autonomia e a variabilidade do sistema, mais explícitas precisam ser as regras que preservam controle, consistência e qualidade.

## Acessibilidade em UX multimodal não é adicionar voz

Multimodalidade pode ampliar acesso, mas não automaticamente. Voz pode beneficiar uma pessoa que prefere interação sem mãos e, ao mesmo tempo, criar uma barreira para quem não consegue ou não deseja falar. Câmera pode facilitar o reconhecimento de um objeto e ser inviável em um ambiente sem iluminação, para uma pessoa com baixa visão ou em uma situação em que captar imagens não é apropriado.

A orientação da W3C para mecanismos de entrada concorrentes é uma boa referência porque parte de uma lógica de escolha: pessoas podem alternar entre teclado, mouse, toque, caneta e fala conforme necessidade e contexto. O mesmo princípio deve orientar produtos com IA. Multimodalidade deve aumentar caminhos possíveis, não transformar uma nova modalidade em requisito.

Também é importante preservar equivalência de informação. Se uma resposta crítica aparece apenas por áudio, existe uma barreira para quem não consegue ouvi-la ou precisa revisá-la. Se uma confirmação existe apenas visualmente, o problema se inverte. Projetar saída multimodal exige pensar no que precisa ser redundante, persistente ou adaptável para que o significado continue acessível.

## Privacidade e confiança ficam mais visíveis quando a câmera e o microfone entram

Interfaces multimodais coletam sinais mais próximos do ambiente físico. Uma câmera pode captar pessoas ao fundo, documentos, endereços e objetos privados. Um microfone pode registrar conversas que não fazem parte da tarefa. Por isso, permissão não deveria ser tratada apenas como um pop-up do sistema operacional.

A experiência precisa comunicar o motivo da captura, quando ela está ativa, o que foi enviado, como interromper e quais alternativas existem. Quando IA participa da interpretação, também importa deixar claro o que o sistema concluiu antes de executar uma ação importante.

As [Guidelines for Human-AI Interaction da Microsoft](https://www.microsoft.com/en-us/research/publication/guidelines-for-human-ai-interaction/), validadas em estudo com 49 profissionais de design avaliando 20 produtos com IA, reforçam princípios que continuam úteis aqui: deixar claras as capacidades do sistema, apoiar correção eficiente e respeitar controles do usuário. Em experiências multimodais, esses critérios precisam aparecer em todas as modalidades, não apenas na interface visual.

## Como testar uma experiência multimodal

Um teste tradicional que avalia apenas o caminho ideal pode esconder problemas justamente nas transições. A pesquisa precisa observar não só se a pessoa conclui a tarefa, mas **como escolhe, combina e abandona modalidades**.

- **Teste a troca no meio da tarefa:** comece por voz e peça continuidade na tela, ou comece pela câmera e continue por texto.
- **Introduza condições reais:** ruído, pouca luz, uma mão ocupada, falha de rede, câmera bloqueada ou reconhecimento incorreto.
- **Observe repetição:** a pessoa precisa informar novamente algo que já disse, mostrou ou selecionou?
- **Avalie entendimento do estado:** ela sabe o que o sistema está ouvindo, vendo, processando e prestes a fazer?
- **Teste correção:** quando o sistema interpreta algo errado, a pessoa consegue corrigir sem recomeçar?
- **Teste preferência e acessibilidade:** existe uma alternativa funcional quando determinada modalidade não é desejável ou possível?

Os [testes de usabilidade](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/post/implementando-testes-de-usabilidade-guia-completo.md) continuam sendo importantes, mas o roteiro precisa incluir transições, condições ambientais e falhas de percepção que não aparecem em uma interface puramente visual.

## Quais métricas ajudam a avaliar UX multimodal?

Não existe um conjunto universal de métricas específico para multimodalidade. A escolha deve partir do objetivo do produto. Ainda assim, alguns indicadores ajudam a enxergar problemas que taxa de conclusão sozinha não mostra.



| O que avaliar | Indicador possível | O que pode revelar |
| --- | --- | --- |
| Conclusão | Taxa de sucesso da tarefa | Se a combinação de modalidades permite chegar ao resultado |
| Continuidade | Sucesso após troca de modalidade | Se o contexto sobrevive à transição |
| Correção | Número de ciclos de correção | Se erros de reconhecimento são fáceis de reparar |
| Esforço | Tempo, repetições e passos desnecessários | Se multimodalidade reduziu ou aumentou trabalho |
| Controle | Erros de ação, cancelamentos e necessidade de desfazer | Se autonomia e confirmação estão equilibradas |
| Preferência | Modalidade escolhida por contexto | Se o produto respeita hábitos e condições reais |

Essas métricas são sugestões de diagnóstico, não benchmarks universais. Um produto multimodal só é melhor quando a combinação realmente melhora a tarefa. Mais trocas de modalidade, por exemplo, podem indicar flexibilidade ou podem indicar confusão. O contexto qualitativo continua necessário.

## Erros comuns ao projetar experiências multimodais

- **Adicionar modalidades sem função:** voz, câmera e IA entram porque estão disponíveis, não porque resolvem um problema.
- **Perder o estado na troca:** a pessoa precisa repetir filtros, referências ou dados quando muda de voz para tela.
- **Responder tudo pela mesma modalidade:** uma comparação longa falada por áudio pode ser pior do que uma tabela visual.
- **Esconder o que está sendo captado:** microfone, câmera ou compartilhamento ficam ativos sem feedback suficiente.
- **Não projetar fallback:** a experiência depende da câmera, da fala ou da IA funcionar perfeitamente.
- **Confundir multimodalidade com acessibilidade:** oferecer várias entradas não garante que alguma delas seja realmente acessível.
- **Automatizar ações antes de resolver confiança:** interpretar intenção e executar uma consequência são problemas diferentes.

## O que UX multimodal muda no trabalho de design?

O trabalho deixa de estar concentrado apenas na organização visual de telas e fluxos. Designers precisam representar também contexto, sinais disponíveis, transições entre modalidades, níveis de confiança, permissões, estados intermediários e regras de recuperação.

Isso amplia a colaboração com engenharia, dados, acessibilidade, conteúdo e segurança. Voz exige decisões de turn-taking, interrupção e síntese. Câmera introduz enquadramento, reconhecimento e privacidade. IA adiciona incerteza e comportamento não determinístico. Tela continua importante como espaço de persistência, comparação e controle.

Para profissionais de UX, a mudança mais interessante não é aprender a desenhar uma “interface de voz” ou uma “interface de câmera”. É aprender a decidir **qual modalidade deve assumir qual parte do problema e como todas compartilham o mesmo estado**.

Esse movimento aprofunda uma das tendências já discutidas em [Tendências de UX para 2027](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/post/tendencias-ux-2027.md). A tela não desaparece. Ela passa a dividir a experiência com outras formas de entrada e saída, enquanto UX se aproxima cada vez mais do design do comportamento do sistema.

## UX multimodal não é sobre usar tudo ao mesmo tempo

Uma boa experiência multimodal pode passar longos períodos usando uma única modalidade. A qualidade aparece quando o produto reconhece que outra forma de interação seria melhor e permite a transição sem quebrar a tarefa.

A pesquisa de multimodalidade já mostrava esse princípio antes da IA generativa: modalidades são mais úteis quando se complementam. Em 2026, modelos capazes de interpretar fala, imagem e contexto tornam essa coordenação tecnicamente mais viável e comercialmente mais visível. Mas a decisão de design continua a mesma: reduzir esforço, preservar entendimento, oferecer controle e respeitar o contexto real da pessoa.

**O futuro multimodal mais útil provavelmente não será aquele em que toda interface fala, vê e gera coisas o tempo inteiro. Será aquele em que o produto sabe quando cada modalidade ajuda, quando deve ficar em silêncio e como manter a experiência contínua quando a pessoa muda de uma para outra.**

## Perguntas frequentes sobre UX multimodal

### O que é UX multimodal?

UX multimodal é o design de experiências que coordenam diferentes formas de interação, como tela, toque, texto, voz e câmera, dentro da mesma tarefa. O objetivo é permitir que a pessoa use ou alterne modalidades sem perder contexto.





### Qual é a diferença entre UX multimodal e omnichannel?

UX multimodal trata de diferentes modalidades de interação dentro de uma tarefa, como voz, toque e câmera. Omnichannel trata da continuidade da experiência entre canais ou pontos de contato, como site, aplicativo, loja e atendimento.





### Uma interface de voz é sempre multimodal?

Não. Uma interface pode funcionar apenas por voz. Ela se torna multimodal quando voz é coordenada com outras modalidades, como tela, toque, câmera ou texto, compartilhando contexto e estado da tarefa.





### Como a inteligência artificial muda as interfaces multimodais?

Modelos multimodais conseguem relacionar fala, texto, imagem e contexto dentro do mesmo sistema. Isso facilita experiências em que a pessoa mostra algo pela câmera, pergunta por voz e recebe uma resposta visual, mas também aumenta a necessidade de controle, confirmação, correção e transparência.





### Como testar uma experiência multimodal?

Além de testar a conclusão da tarefa, é importante avaliar troca de modalidade, preservação de contexto, condições reais como ruído e pouca luz, erros de reconhecimento, correção, fallback, permissões e alternativas de acessibilidade.









## Referências

- [**Oviatt, Sharon. Ten Myths of Multimodal Interaction, Communications of the ACM, 1999.**](https://doi.org/10.1145/319382.319398) Referência clássica sobre interação multimodal e complementaridade entre modalidades.
- [**Dritsas, Elias et al. Multimodal Interaction, Interfaces, and Communication: A Survey, 2025.**](https://www.mdpi.com/2414-4088/9/1/6) Revisão recente sobre fala, gesto, toque, olhar, fusão multimodal, contexto e sistemas adaptativos.
- [**Thushara, B.; Adithya, V.; Sreekanth, N. S. Multimodal human-computer interaction: A panoptic view, 2026.**](https://doi.org/10.1016/j.engappai.2026.115233) Revisão atual sobre modalidades, técnicas de integração, avaliação e evolução com modelos de IA.
- [**Peng, Kewen et al. Human-AI-UI Interactions Across Modalities, CHI 2026.**](https://doi.org/10.1145/3772363.3778737) Workshop que conecta interfaces multimodais, agentes, IA, acessibilidade, transparência e controle humano.
- [**W3C Web Accessibility Initiative, Understanding Guideline 2.5: Input Modalities.**](https://www.w3.org/WAI/WCAG22/Understanding/input-modalities) Referência para mecanismos de entrada e alternância entre diferentes formas de interação.
- [**W3C WAI, Understanding Success Criterion 2.5.6: Concurrent Input Mechanisms.**](https://www.w3.org/WAI/WCAG22/Understanding/concurrent-input-mechanisms.html) Orientação para não restringir a alternância entre mecanismos de entrada disponíveis.
- [**Microsoft Research, Guidelines for Human-AI Interaction, CHI 2019.**](https://www.microsoft.com/en-us/research/publication/guidelines-for-human-ai-interaction/) Conjunto de 18 diretrizes validado com 49 profissionais de design avaliando 20 produtos com IA.
- [**Google, Mais de 1 bilhão de pessoas usam o Gemini mensalmente, agosto de 2026.**](https://blog.google/intl/pt-br/produtos/mais-de-1-bilhao-de-pessoas-usam-o-app-gemini-todos-os-meses/) Dados divulgados pela própria plataforma sobre uso de voz, câmera e compartilhamento de tela.
- [**Google, How to use your Gemini Live camera for real-time help, julho de 2026.**](https://blog.google/products-and-platforms/products/gemini/gemini-live-camera-how-to/) Exemplo de produto combinando câmera, voz e tela em tarefas do mundo físico.
- [**OpenAI, ChatGPT Release Notes, julho de 2026.**](https://help.openai.com/pt-br/articles/6825453-chatgpt-release-notes) Documentação do GPT-Live-1 e da combinação de voz, texto, imagens e resultados visuais em uma mesma conversa.

## Topics

**Categorias:** [Tendências](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/category/tendencias.md)

**Tags:** [IA](https://camaraux.com.br/wp-content/uploads/wp-mfa-exports/taxonomy/post_tag/ia.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)