IA acelera protótipos, mas times confundem decisões com suposições

Protótipo não é produto final

Hugo Raymond, Designer Advocate da Figma, falou no Infobip Shift 2026 sobre um risco silencioso da prototipagem com IA: quanto mais fácil é fazer algo parecer pronto, mais importante é entender o que o time de fato decidiu. Sua tese central é que a IA se torna um problema quando preenche as lacunas antes das decisões serem tomadas, escondendo o que ainda está indefinido.

Ele compara o protótipo a um avião em miniatura: o modelo não tenta ser um avião real, serve para estudar características específicas. O protótipo existe para ajudar o time a testar uma ideia. Antes da IA, as lacunas eram visíveis - uma tela inexistente, um fluxo sem saída ou um estado não definido indicavam claramente que ninguém havia decidido aquilo. Agora, a IA conecta fluxos, gera dados, cria estados de carregamento e erro e adiciona comportamentos que ninguém especificou. O resultado parece um produto coeso, embora o time tenha desenhado algumas partes e o modelo tenha completado o resto.

Polimento não prova mais que o problema foi resolvido

Raymond aponta um problema específico para desenvolvedores: quanto mais pronto um protótipo parece, mais autoridade o time lhe dá, e maior a chance de tratá-lo como especificação pronta para implementação. Um protótipo refinado não significa mais que alguém pensou em cada caso de borda, regra de negócio ou restrição técnica.

A lógica que se inverteu era simples: polimento era caro, então algo muito acabado permitia presumir que alguém dedicou tempo ao problema. A IA rompeu essa conexão - o primeiro rascunho pode parecer a iteração final. Por isso, os times precisam distinguir com muito mais clareza o que foi decidido e o que ainda é apenas suposição.

Código como material de design

A solução, para Raymond, não é voltar a mockups estáticos. Código não é o oposto de design, mas um dos materiais de design: um protótipo em código usa dados reais, reage a entradas inesperadas e mostra estados que o designer não desenhou - e a IA tornou esse tipo de experimento bem mais acessível.

Ainda assim, código e canvas de design não mostram as mesmas coisas. O código é bom em mostrar o que acontece; o canvas preserva melhor por que o time tomou uma decisão, quais alternativas considerou e o que ainda precisa ser resolvido. Ele vislumbra um futuro em que os times combinam materiais diferentes conforme o que buscam aprender.

A IA acelera execução, não decisão

O ponto final do talk trata dos limites da automação: a IA pode assumir trabalho repetitivo, acelerar protótipos e baratear testes de ideias, mas fazer algo mais rápido não significa entender melhor o que fazer. Raymond distingue atrito que vale a pena remover - copiar, esperar, repetir - do atrito com propósito: comparar opções, testar suposições, discutir trade-offs e questionar decisões. Esses momentos constroem o julgamento que a IA não substitui. "Quando quase todo protótipo pode parecer finalizado, o quão convincente ele parece deixa de ser o mais importante", afirmou. O que importa é se o time ainda enxerga com clareza o que decidiu, o que assumiu e o que falta resolver.