stamatios
← Voltar ao feed
Bola de cristal mostrando vários caminhos ramificados com placas luminosas, metáfora do design especulativo
Produto & Design

Design especulativo ajuda equipes a explorar futuros plausíveis, não um só

resumo de ~3 min

A palestra de Maggie Appleton, engenheira de pesquisa do GitHub Next (laboratório de P&D do GitHub), defende que designers que também programam são bem posicionados para explorar futuros do software por meio de design especulativo. A tese central é que o trabalho não consiste em prever um único futuro, mas em construir teorias sobre possíveis direções e torná-las concretas o bastante para serem testadas.

Contexto e tese

A autora afirma que design engineering não se resume a microinterações visuais. Para ela, o profissional deve entender o material do software além da interface (estado, fluxo de dados, bancos, APIs, autenticação, latência), atuar como elo entre design e engenharia e tomar decisões sobre funcionalidade e arquitetura. Ela sustenta que, num momento de mudanças rápidas, é preferível se engajar na especulação a desistir de tentar entender o futuro.

Appleton relata alguns palpites anteriores: o jardim digital (2020-2021), a previsão de que a web aberta seria inundada por conteúdo gerado por IA, o chamado 'AI slop' (2022-2023) e a expectativa de uma explosão de software pessoal e de desenvolvedores locais (2024). Ela reconhece que os primeiros sinais eram fracos e que as previsões só ganharam força com o tempo.

Como funciona um laboratório de pesquisa

Segundo a autora, o time do GitHub Next cria muitos protótipos, inclusive pequenos e pouco sérios, e os compartilha internamente para calibrar as teorias. Também organiza sessões de construção coletiva de teorias com notas adesivas, agrupadas por temas como novas interações, novos conceitos, capacidades de agentes e formas de validação. Ela ressalta que a função exige evidência, dados, intuição e habilidade política para convencer a organização, além de um caminho plausível até a produção. A autora cita como exemplos de apostas que chegaram ao produto o GitHub Copilot, o GitHub Spark, os GitHub Workspaces e os Agentic Workflows.

Ferramentas práticas

A palestra apresenta seis ferramentas:

  • Cone de futuros: classifica uma teoria como possível, plausível, provável ou desejável. A autora nota que um futuro pode ser possível ou provável sem ser desejável, mas ainda assim vale a pena explorá-lo.
  • Sinais fracos: pequenos indícios coletados de protótipos, opiniões, lançamentos, artigos, newsletters e movimentos de capital de risco. Como exemplos, ela cita um atalho de teclado que resume a tela com um modelo local e o lançamento do Gemma, um modelo local multimodal. A partir deles, ela lista quatro conclusões provisórias, apresentadas como leitura pessoal, não como verdade estabelecida.
  • Efeitos de segunda e terceira ordem: perguntar o que acontece depois de uma mudança. Se agentes passarem a navegar a web, CAPTCHAs e bloqueios de bots poderiam deixar de fazer sentido, e a economia de publicidade dos sites poderia ser reconfigurada.
  • Brincar com as ideias: inverter a relação (o agente nos pedir algo), dividir a ideia em partes, maximizar (milhares de agentes baratos) ou minimizar (inteligência dez vezes mais cara) e usar metáforas aleatórias, como a dos correios para agentes.
  • Artefatos do futuro: objetos ou peças provocativas, como um cereal de grilo criado pelo Near Future Laboratory ou anúncios retrô de agentes. A autora diz que é melhor ser instigante e específico do que realista, e que estados de falha costumam revelar mais que os caminhos felizes.
  • Teorias públicas e concretas: escrever e falar sobre previsões obriga a ser específico e permite assumir o crédito quando elas se confirmam. Ela alerta que teorias devem ser sustentadas por dados, como custos de inferência e previsões de eletricidade.

Ressalvas

A autora admite limites: os exemplos são pontuais, algumas conclusões são dela e podem ser diferentes das de outras pessoas, e a comparação entre tarefas domésticas e a adoção de eletrodomésticos no início do século XX exigiu checagem estatística. Ela também diz que a comparação entre modelos locais e modelos de fronteira precisa de evidência antes de ser afirmada.

Conclusão

Para Appleton, a especulação útil é aquela que se conecta a sinais observáveis, é testada com protótipos e dados e é compartilhada para ganhar contraponto. A palestra termina com um convite para que outras pessoas façam esse tipo de trabalho e com a informação de que o GitHub Next está contratando.