Help Scout reconstrói design system para tornar o trabalho legível à IA

O problema: velocidade sem baixar o padrão

Com a chegada da IA, designers passaram a ser cobrados por entregas muito mais rápidas - mas os resultados iniciais, segundo o autor, eram rápidos e de baixa qualidade. Buzz Usborne, Principal Designer na Help Scout, concluiu que "craft" e "gosto" não podiam mais justificar lentidão: era preciso acelerar onde as decisões eram fáceis de reverter e reinvestir esse tempo nos momentos de descoberta e julgamento que ainda exigem reflexão. Ele reconheceu que novas tecnologias sempre expandiram o que designers conseguem produzir, mas resistir à IA por completo ignoraria esse padrão histórico.

Codificar o julgamento de design

O ponto de partida foi documentação: para Usborne, design assistido por IA começa por articular como a equipe projeta, não só o que. Ele escreveu manualmente os princípios operacionais de IA e de design da Help Scout e os destilou em um arquivo design.md, tornando explícitas partes tácitas de 15 anos de filosofia de produto e linguagem visual.

A documentação foi refinada por meio de um ciclo repetível de evals: pedia-se ao Claude Design para produzir uma tela simples sem contexto - o resultado era ruim pelos padrões da empresa -, depois adicionava-se orientação incremental explicando por que decisões estavam erradas, como usar cor e quando escolher um componente em vez de outro. Cada passagem revelava mais uma camada de julgamento que o sistema precisava. A conclusão: nem a IA conseguia inferir 15 anos de gosto, contexto e intenção; mas, com a documentação, ela passou a gerar trabalho "reconhecivelmente Help Scout".

Design system legível para LLMs

O Help Scout Design System (HSDS), criado em 2018, era maduro no Figma com componentes equivalentes em React - mas, quando um LLM era acionado para usá-lo, falhava: criava tags para botões, inventava componentes ou escrevia substituições manuais. O diagnóstico foi que as bibliotecas haviam sido organizadas para descoberta humana, não para compreensão de máquinas.

Usborne dedicou duas semanas para reconstruir o sistema inteiro: reestruturou mais de 200 primitivas e composições, padronizou centenas de tokens e variáveis e escreveu a camada de documentação. A legibilidade para máquinas também exigiu paridade completa entre Figma e React - sem isso, a IA produzia interfaces aparentemente corretas, mas construídas com componentes inventados. Ele auditou a biblioteca React, conectou os componentes via Code Connect e criou ou descontinuou o que não correspondia, sempre com evals.

Um efeito colateral foi que o Figma passou a exigir mais estrutura e manutenção do que o time suportava manualmente; por isso, Usborne criou habilidades reutilizáveis de IA que permitem ao Claude criar e atualizar a documentação Figma–React no mesmo padrão.

Ferramentas de velocidade

Capacidade sozinha não bastava: designers precisavam de ferramentas integradas ao fluxo existente, além de treinamento prático com profissionais convidados. Usborne construiu o Scenario Pal, um GPT customizado fundamentado na estratégia da empresa, personas e analytics de produto, para testar conceitos contra cenários realistas de clientes e criticar telas segundo os princípios de marca, acessibilidade e design.md.

O maior ganho, porém, veio de pular o Figma: o Staff Engineer Rikki Tissier construiu o HSDS Studio, ambiente interno de prototipagem que gera experiências completas a partir de um prompt ou arquivo Figma, montando interfaces apenas com componentes React verificados e prontos para produção. Segundo Usborne, o custo de execução caiu quase a zero: o time passa de "e se...?" para "experimente isso" em 30 segundos em vez de dias - liberando tempo para permanecer explorando o problema.

Resultados em produção

Usborne desafiou cada designer a enviar uma mudança direta para produção - e foi o primeiro. Nos primeiros três meses, ele mesmo fez mais código em produção do que na década anterior, limpando itens antigos do backlog e adicionando detalhes postergados.

Hoje, os designers programam componentes, testam ideias com protótipos funcionais, enviam melhorias próprias, rodam ambientes locais e fazem QA em parceria com engenheiros. A distância entre projetar e construir diminuiu, e o time ganhou capacidade para perseguir ideias ambiciosas que antes eram cortadas no escopo - mantendo tempo reservado para os problemas maiores, onde a qualidade exige habitar a incerteza.