Para Maggie Appleton, IA acelera design mas julgamento é humano

Contexto e trajetória

No podcast do Pragmatic Engineer, Gergely Orosz conversa com Maggie Appleton, engenheira de pesquisa sênior no GitHub Next, onde constrói protótipos que exploram como engenheiros de software podem colaborar com IA de novas formas. Com formação em antropologia cultural, Maggie conta que rejeitou um caminho de carreira pós-graduação que envolvia inventar técnicas de tortura para o exército dos EUA e optou pela tecnologia, levando da antropologia a lição de que software é feito por pessoas e que relacionamentos importam.

Antes do GitHub Next, ela passou quatro anos como ilustradora na empresa de educação para desenvolvedores Egghead, chegando a diretora de arte. Para ilustrar os tutoriais, precisava entender o que desenhava - componentes React, useEffect e funções JavaScript - o que lhe deu uma educação em engenharia frontend. Também foi a primeira designer contratada pela startup de IA Elicit e lead design engineer na Normally.

Lições de design e processo

Maggie vê design e engenharia de software como atividades relacionadas, ambas centradas em resolução de problemas; a diferença está nos materiais. Ela destaca que criar a nomenclatura - os nomes e verbos para coisas novas que serão adotadas pelas pessoas - é trabalho difícil, fácil numa loja de tênis online e complicado num produto novo para AWS.

Cadernos e papel são parte essencial do seu processo: ela começa projetos esboçando à mão, porque é mais rápido do que descrever a ideia a uma ferramenta como o Claude Code, e o esboço físico permanece no caderno no dia seguinte, enquanto uma ideia jogada numa ferramenta é difícil de retomar depois de dezenas de prompts.

Uma lição marcante veio da Elicit, em 2021, um ano antes do ChatGPT: a startup investiu meses numa "nova UI para IA" para acelerar pesquisa científica, com telas infinitas de cartões e documentos combináveis estilo Notion - mas os pesquisadores queriam as mesmas tabelas simples com que já estavam confortáveis. A experiência a ensinou que começar com um primitivo familiar é sensato, mesmo ao inovar.

Trabalhando com agentes de IA

Maggie constrói regularmente o que chama de "jigs" (referência ao dispositivo de marcenaria que auxilia um trabalho específico): protótipos com controles deslizantes e seletores de cor que ela pode ajustar em tempo real, como um Figma pessoal. No trabalho, ela parou de olhar o código gerado pelos agentes: quando sabe o que construir, escreve uma especificação detalhada, incluindo como o agente deve verificar o próprio trabalho. Segundo ela, isso funciona para protótipos e se tornou viável com a nova geração de modelos.

Ela critica o planejamento com agentes: "o planejamento é uma experiência realmente ruim atualmente". O agente faz dezenas de perguntas do tipo A, B ou C; por volta da vigésima, a pessoa cansa e começa a apenas concordar com a resposta recomendada.

Julgamento humano e limites dos modelos

Maggie cunhou o termo "capability gaslighting" para descrever quando modelos de fronteira impressionam os usuários, convencendo-os de que são capazes, e depois falham na mesma tarefa no dia seguinte. Ela argumenta que tendemos a continuar acreditando nos modelos e que é preciso vigilância ao trabalhar com LLMs.

Ela acredita que são necessários novos tipos de artefatos para humanos e agentes trabalharem melhor juntos: os agentes vivem num mundo de pesos, modelos, skills e MCPs, enquanto o lado humano envolve fisicalidade, textura, luz e materiais que os agentes não entendem. Ela se frustra porque os agentes não podem olhar por cima do ombro, ver seu caderno e entender o que ela está desenhando para ajudar a desenvolver suas ideias.

Como contraponto positivo, Maggie sugere que engenheiros tratem agentes de IA como tutores pacientes para aprender design: eles explicam bem quando alterar altura de linha, como deve ser uma boa barra lateral ou quantos caracteres caber numa linha - habilidades de design de produto que antes eram difíceis de adquirir.

A tese central do episódio é que a IA acelera o design e abre caminhos de aprendizado, mas o julgamento humano e o estilo continuam indispensáveis quando os modelos conseguem gerar designs.