Vanilla CEO: Na onda do hype

Cada vez mais, somos sequestrados das pautas realmente importantes para atender às vontades de executivos obcecados por inovação de fachada.

Sequestrados, sim, das pautas essenciais como acessibilidade, que acabam sendo atropeladas pelos devaneios tecnológicos. Uma pesquisa realizada pela BigDataCorp em parceria com o Movimento Web para Todos em 2024 analisou 26,3 milhões de sites ativos no Brasil, revelando que apenas 2,9% passaram em todos os testes de acessibilidade — uma leve queda em comparação aos 3,3% registrados em 2023.

Melhor estar preparado para contribuir de forma crítica e estratégica, e não apenas para alimentar mais um case vazio no LinkedIn. Quero propor alguns exercícios práticos e acessíveis, especialmente para quem nunca escreveu uma linha de código. O objetivo não é aprofundar na parte técnica, mas fornecer um ponto de partida para que designers possam se orientar melhor em projetos que envolvem IA. A ideia é ajudar a interpretar discussões técnicas, questionar modismos e identificar soluções que realmente fazem sentido, e não apenas carregam a palavra GPT como uma bala de prata.

Resolvi escrever este artigo depois de conversar com um amigo que trabalha em um MVP de mecanismo de busca integrado ao GPT. Ele comentou que, inicialmente, pediram para “maneirar nos testes” devido aos altos custos com tokens. Pouco depois, sugeriram a criação de respostas padronizadas para minimizar o consumo. Inacreditável! Conseguiram recriar o velho chatbot que mantém o usuário preso em um loop interminável de respostas genéricas, sem oferecer uma solução real para o problema.

­

O Hype e a priorização equivocada

Isso não quer dizer que IA não seja importante, mas indica um descompasso nas prioridades. O compromisso com as pessoas que usam nossos produtos e o senso de urgência para resolver problemas concretos não podem ser deixados de lado em nome da última tendência tecnológica.

Muitas empresas não querem realmente resolver problemas com IA; desejam apenas causar impacto suficiente para apresentações, relatórios e videocases no LinkedIn. A velha história se repete: tomadores de decisão retornam extasiados dos eventos, impressionados com as demonstrações, mas sem um plano concreto. O entusiasmo vira uma enxurrada de demandas desconectadas da realidade, e especialistas são desviados dos seus projetos estratégicos apenas para validar expectativas exageradas, gerando roadmaps grandiosos que mantêm o discurso corporativo girando sem jamais sair do lugar.

O quanto esses entusiastas realmente investiram em aprendizado de máquina nos últimos anos? Sem essa base, não há solução mágica.

Se a IA entrou no seu escopo apenas porque seu chefe voltou empolgado de um evento, querendo um “brinquedo” igual ao do concorrente, é bem provável que o produto onde querem encaixar IA não precise disso.

Empresas como Netflix e Spotify utilizam aprendizado de máquina há anos para otimizar recomendações e personalizar a experiência do usuário. No setor da saúde, soluções como o Kardia, da NeoMed, aceleram o diagnóstico de infarto, enquanto outras empresas aplicam IA para análise de dados clínicos, diagnóstico assistido e descoberta de tratamentos mais eficazes.

Esses exemplos mostram que a IA só agrega valor real quando construída sobre uma base sólida de dados e objetivos bem definidos. Sem isso, ela não passa de um modismo disfarçado de inovação.

­

Impacto da IA mal implementada na UX

A adoção apressada da IA tem impacto direto na experiência do usuário. Um dos casos mais comuns ocorre em chatbots implementados para reduzir custos de atendimento, mas que acabam frustrando o usuário ao oferecer respostas genéricas e ciclos intermináveis de “não entendi”. Isso cria mais barreiras do que soluções, levando o usuário a abandonar o canal e buscar alternativas.

Outro exemplo são sistemas de recomendação que exageram na personalização a ponto de limitarem a descoberta de novos conteúdos, criando experiências monótonas e previsíveis. A falta de um planejamento UX adequado ao aplicar IA pode comprometer a utilidade da ferramenta e gerar desconfiança do usuário.

­

Casos comuns de erros ao adotar IA

Algumas queixas de amigos atuando em projetos com GPT ilustram bem o cenário atual:

Tom de voz inconsistente

• Problema: GPT não possui um tom alinhado com a identidade da marca ou produto, variando de formal a casual.
• Impacto: Exige esforço extra em engenharia de prompts para garantir a consistência.

­

Falta de controle sobre vieses e dados gerados

• Problema: GPT traz respostas enviesadas por ter sido treinado com textos genéricos da internet.
• Impacto: Reforço de estereótipos, exclusão de grupos e informações imprecisas.

­

Custos elevados com tokens devido à redundância

• Problema: GPT não tem conhecimento contextual contínuo, exigindo históricos extensos em cada requisição.
• Impacto: Custo elevado para empresas com grande volume de interações.

Além disso, grandes consultorias e integradoras vendem soluções baseadas em GPT por conveniência, sem considerar se são realmente a melhor escolha para a empresa. Em muitos casos, a decisão não se baseia na viabilidade técnica, mas sim na facilidade de vender um nome conhecido, garantindo contratos milionários sem um plano sólido para otimização de custos.

O que é gasto em tokens para manter um sistema rodando poderia ser investido em infraestrutura e na adaptação de modelos open-source, que ofereceriam maior controle e redução de custos operacionais a longo prazo. Mas, no modelo atual, essas alternativas raramente são apresentadas porque não geram os mesmos incentivos financeiros para quem vende a integração.

­

E vamos deixar uma coisa evidente: o ChatGPT é fantástico, mas…

Modelos como ChatGPT, DeepSeek e outros trouxeram a IA para a mesa de jantar da família brasileira — e isso é divertido. Mas é hora de derrubar o mito de que LLMs são sempre a melhor escolha para MVPs e escalabilidade, a menos que o objetivo seja interpretar linguagem natural de forma aberta.

Eles são, sim, ferramentas poderosas, mas não devem ser usados indiscriminadamente. IA não é solução universal, e aplicar um LLM sem critério pode gerar custos altos, latência desnecessária e um produto que não resolve o problema real.

“O aspecto mais triste da vida atualmente é que a ciência ganha em conhecimento mais rapidamente que a sociedade em sabedoria.”

— Isaac Asimov

A IA não surgiu agora. Ela é resultado de décadas de pesquisa, algoritmos refinados e poder computacional crescente. Precisamos questionar profundamente a lógica de priorizar a tecnologia antes da solução real do problema. Li uma obra do Dr. Oliver Sacks sobre sua infância e seu fascínio pelo mundo dos elementos químicos. Tio Tungstênio faz referência ao seu tio, que fabricava lâmpadas de tungstênio, e enquanto conta sobre sua infância, a história da evolução das lâmpadas de filamento permeia a narrativa. Nesse livro, entendi que a descoberta científica precede a aplicação comercial.­

Tecnologias promissoras que perderam o rumo

Conceitos como Metaverso, NFTs, Gamificação e Realidade Aumentada tinham potenciais reais, mas acabaram reduzidos a modismos superficiais pelo hype mal canalizado. A IA pode estar seguindo o mesmo caminho, com empresas adicionando “IA” sem entender claramente o problema a ser resolvido.

1. Metaverso

Um universo digital imersivo com potencial para educação, trabalho remoto e entretenimento.

Onde perdeu o rumo?

• Hype da Meta focado em avatares bizarros e terrenos virtuais sem utilidade.
• Baixa acessibilidade (óculos VR caros, interfaces ruins).­

2. NFTs

Autenticação de propriedade digital, útil para arte e games.

Onde perdeu o rumo?

• Virou especulação e golpes de pump-and-dump.
• Inundação de coleções sem valor real.

­

3. Chatbots e Assistentes Virtuais

Atendimento automatizado e assistentes inteligentes.

Onde perdeu o rumo?

• Chatbots limitados que só dizem “não entendi”.
• Empresas tentando substituir humanos em vez de melhorar a experiência.

­

4. Realidade Aumentada (AR)

Interação digital sobreposta ao mundo real, útil para aprendizado e games.

Onde perdeu o rumo?

• Hype de óculos AR revolucionários que nunca chegaram ao mercado.
• Apps desnecessários (tipo QR codes que só abrem menus em PDF).

­

5. Gamificação

Motivar aprendizado e produtividade com mecânicas de jogos.

Onde perdeu o rumo?

• Empresas usando só sistemas de pontos sem real engajamento.
• Aplicativos forçando competições sem propósito.

O hype acelerou a adoção da IA em áreas críticas como medicina e automação. O segredo não é fugir dele, mas garantir que sirva como trampolim para inovações genuínas, e não só para alimentar modismos.

­

Por que estamos adotando IA?

Tudo está na qualidade da pergunta, não na certeza da resposta. Não se trata de decidir se vamos adotar IA, mas porque estamos fazendo isso. A empolgação pode levar à adoção sem reflexão, resultando em produtos superficiais e sem propósito.

Na prática, o que realmente faz diferença é entender os fundamentos, como as distinções entre Machine Learning, LLMs e Deep Learning, em vez de simplesmente tentar “adicionar IA” a qualquer produto. Também é essencial explorar outras abordagens relevantes, como:

• Redes neurais tradicionais vs. redes neurais profundas — Nem toda IA baseada em aprendizado precisa de redes profundas como as do Deep Learning.
• Modelos generativos vs. modelos preditivos — Modelos como GPT geram texto, mas outros são mais eficientes para previsão e análise de padrões.
• Aprendizado supervisionado, não supervisionado e por reforço — Saber como um modelo aprende influencia sua aplicação.
• Sistemas baseados em regras vs. IA baseada em aprendizado — Em muitos casos, regras bem definidas funcionam melhor do que um modelo treinado.
• O papel dos embeddings e da vetorização — Técnicas como word embeddings e embeddings semânticos são fundamentais para melhorar buscas e recomendações.
• Modelos especializados vs. generalistas — Algumas tarefas podem ser resolvidas com modelos pequenos e altamente treinados, sem necessidade de um LLM.

Ou seja, antes de sair integrando IA, é fundamental entender que cada modelo tem um propósito e que a escolha errada pode gerar desperdício de tempo, dinheiro e resultados abaixo do esperado.

­

Mão na massa

Isso não é um tutorial, e este artigo é para quem nunca escreveu uma linha de código. Escolhi o Google Colab, porque ele oferece um ambiente acessível e pronto para uso, sem necessidade de configuração complexa. Como roda na nuvem, permite que qualquer pessoa execute os exemplos, independentemente do hardware disponível. Além disso, sua integração com bibliotecas populares facilita a experimentação e a prototipagem de forma rápida e colaborativa.

Como usar o Google Colab

Se você nunca usou o Google Colab, siga estes passos:

1. Acesse Google Colab e faça login com sua conta Google.
2. Clique em “Novo notebook” para criar um novo arquivo.
3. Copie e cole o código do exemplo que deseja testar em uma célula do notebook.
4. Clique no ícone ▶️ (Play) ao lado da célula para executar o código.
5. O campo para digitação das perguntas aparecerá logo abaixo do código executado, permitindo que você interaja com o exemplo.

Pronto! Agora você pode rodar os exemplos de IA, Machine Learning e Deep Learning diretamente no navegador, sem precisar instalar nada. Mas calma lá… isso não faz de você um programador! Agradeça aos avanços da vida moderna e siga em frente, mas sem sair por aí dizendo que “agora entende tudo de programação” só porque rodou um código pronto. Seja honesto. Afinal, rodar um código pronto não é o mesmo que entender como ele funciona.

Abaixo estão três exemplos. Explorar IA genérica, Machine Learning e Deep Learning nessa ordem estabelece uma base de entendimento progressiva e estruturada.

Modelos baseados em regras (IA genérica) são o ponto de partida ideal, pois demonstram a lógica da automação sem aprendizado, ajudando a compreender as limitações de sistemas que apenas seguem instruções fixas.

Em seguida, Machine Learning introduz a capacidade de identificar padrões e aprender a partir de dados, permitindo que os modelos façam previsões sem regras explicitamente programadas.

Por fim, deep learning leva esse conceito ainda mais longe ao usar redes neurais profundas para identificar padrões complexos sem depender de regras fixas. Para ilustrar, escolhi um exemplo clássico: o MNIST, um conjunto de dados com imagens de números escritos à mão. Aqui, um modelo de deep learning aprende a reconhecer esses números analisando milhares de exemplos, sem que ninguém precise programar regras específicas para cada variação de escrita. Esse processo demonstra como as redes neurais podem extrair padrões sutis dos dados e fazer previsões com alta precisão.

­

Chatbot baseado em regras

Assistente de navegação em sites

Problema: Muitos sites têm informações dispersas e menus complexos, dificultando que usuários encontrem o que procuram.­

Solução

Um chatbot simples baseado em regras pode atuar como um assistente de navegação, ajudando os usuários a encontrar informações rapidamente.

Ele pode responder a perguntas como:

• “Onde encontro a seção de produtos?”
• “Como acessar meu histórico de pedidos?”
• “Como falo com um atendente?”

Esse modelo funciona sem necessidade de IA avançada, sendo uma solução eficiente para redesenhar a experiência de navegação sem reestruturar todo o site.

Melhora a descoberta de conteúdo, reduzindo frustrações e abandono.

­

Como testar?

Clique na célula de código e pressione ▶️ para rodar. Digite ‘sair’ para encerrar.
Digite perguntas como “onde encontro a seção de produtos”, “posso alterar meu endereço de entrega” e veja a resposta.

# Chatbot Simples baseado em regras (Assistente de Navegação FAQ)

def chatbot(pergunta):
    respostas = {
        "onde encontro a seção de produtos": "Você pode encontrar os produtos usando a barra de busca ou acessando o menu principal na parte superior.",
        "como acessar meu histórico de pedidos": "Acesse seu histórico de pedidos clicando na sua conta e depois em 'Meus Pedidos'.",
        "como falo com um atendente": "Para falar com um atendente, clique aqui: [link do suporte]",
        "qual o horário de funcionamento": "Nosso horário de atendimento é das 9h às 18h, de segunda a sexta.",
        "posso alterar meu endereço de entrega": "Sim, você pode alterar seu endereço em 'Configurações da Conta' no menu principal."
    }

    pergunta = pergunta.lower().strip("? ")
    resposta = respostas.get(pergunta)

    if resposta:
        return resposta
    else:
        return "Desculpe, não entendi. Pode tentar reformular sua pergunta ou visitar o nosso FAQ aqui: [link FAQ]"

# Testando no Colab

while True:
    pergunta = input("Faça uma pergunta (ou digite 'sair' para encerrar): ")
    if pergunta.lower() == "sair":
        print("Chatbot: Até mais!")
        break
    resposta = chatbot(pergunta)
    print(f"Chatbot: {resposta}")

Tipo de solução: Baseado em regras (FAQ automatizado).
Simples, direto e eficiente para cenários específicos e bem definidos.

É IA? Sim.
Porque simula uma conversa automatizada por meio de respostas pré-definidas.

É ML? Não.
Porque não tem capacidade de aprender com novos dados ou interações.

É Deep Learning? Não.
Porque não utiliza redes neurais profundas nem algoritmos avançados de aprendizado.

Chatbot com Machine Learning

Inteligente e adaptável

Problema: FAQs tradicionais geralmente não cobrem todas as dúvidas dos usuários ou exigem que eles percorram longas páginas para encontrar a resposta certa.

­

Solução

Um chatbot baseado em ML (Machine Learning) pode aprender com as perguntas dos usuários e sugerir respostas mais relevantes, tornando o FAQ mais dinâmico e adaptativo.

Ao invés de apenas mapear perguntas fixas, o modelo identifica semelhanças entre perguntas diferentes e ajusta as respostas ao longo do tempo.

Se muitas pessoas perguntam “Onde vejo o status do meu pedido?” e outras perguntam “Quando meu pedido chega?”, o chatbot entende que ambas podem ser respondidas de forma semelhante.

Reduz o esforço cognitivo dos usuários ao encontrar respostas e torna a experiência mais natural.

­

Como testar?

Clique na célula de código e pressione ▶️ para rodar. Digite ‘sair’ para encerrar.

­

Roteiro de teste para o chatbot ML (Busca Semântica)

Teste 1: Perguntas próximas às cadastradas

• “Onde encontro a seção de produtos?”
• “Como acessar meu histórico de pedidos?”
• “Como falo com um atendente?”

Objetivo: Garantir que ele retorne as respostas corretas.

­

Teste 2: Perguntas com sinônimos e diferentes formulações

• “Onde ficam os produtos?”
• “Quero ver meus pedidos anteriores, como faço?”
• “Preciso falar com o suporte.”

Objetivo: Avaliar a capacidade de reconhecer perguntas semanticamente semelhantes.

­

Teste 3: Perguntas com contexto implícito

• “Posso mudar meu endereço?”
• “Que horas abre?”
• “Cadê o menu de produtos?”

Objetivo: Avaliar se o chatbot entende perguntas implícitas e mantém boa precisão.

­

Teste 4: Perguntas fora do escopo

• “Como acompanho uma entrega?”
• “Vocês têm chat ao vivo?”
• “Posso pagar com PIX?”

Objetivo: Avaliar como o chatbot lida com perguntas sem resposta direta cadastrada.

­

Teste 5: Robustez (erros de digitação e variações)

• “como achessar historico de pedido”
• “atendente, como falo?”
• “endereco de entrega, posso alterar?”

Objetivo: Conferir o nível de tolerância a erros de digitação.

!pip install -q sentence-transformers fuzzywuzzy

from sentence_transformers import SentenceTransformer, util
from fuzzywuzzy import fuzz, process

# Modelo de Machine Learning para busca semântica
modelo = SentenceTransformer("all-MiniLM-L6-v2")

# Base de conhecimento expandida do chatbot
faq = {
    "seção de produtos": [
        "Você pode encontrar os produtos usando a barra de busca ou acessando o menu principal.",
        "Nossos produtos estão disponíveis na seção correspondente no menu principal."
    ],
    "histórico de pedidos": [
        "Acesse seu histórico de pedidos clicando na sua conta e depois em 'Meus Pedidos'.",
        "Para visualizar pedidos anteriores, entre na aba 'Meus Pedidos' dentro da sua conta."
    ],
    "falar com um atendente": [
        "Para falar com um atendente, clique aqui: [link do suporte].",
        "Nosso atendimento está disponível via chat ao vivo ou telefone. Clique aqui para mais detalhes: [link do suporte]"
    ],
    "horário de funcionamento": [
        "Nosso horário de atendimento é das 9h às 18h, de segunda a sexta.",
        "Atendemos de segunda a sexta, das 9h às 18h."
    ],
    "alteração de endereço": [
        "Sim, você pode alterar seu endereço em 'Configurações da Conta' no menu principal.",
        "Para alterar seu endereço de entrega, vá até as configurações da conta e edite seus dados."
    ],
    "rastreamento de entrega": [
        "Você pode acompanhar sua entrega acessando 'Meus Pedidos' e clicando na opção de rastreamento.",
        "Para rastrear sua entrega, vá até 'Meus Pedidos' e clique no pedido desejado."
    ],
    "pagamento com PIX": [
        "Sim, aceitamos PIX como forma de pagamento. No checkout, escolha a opção 'PIX' e siga as instruções.",
        "PIX está disponível como método de pagamento. Basta selecionar essa opção no momento da compra."
    ],
    "chat ao vivo": [
        "Sim, temos atendimento via chat ao vivo. Acesse nosso site e clique na opção de suporte.",
        "Nosso suporte conta com chat ao vivo. Acesse nosso site e inicie uma conversa com um atendente."
    ]
}

# Criando embeddings para as perguntas do FAQ
perguntas_faq = list(faq.keys())
faq_embeddings = modelo.encode(perguntas_faq, convert_to_tensor=True)

def corrigir_erro_ortografico(pergunta_usuario):
    """Aplica correção de palavras com erro de digitação para aumentar precisão."""
    melhor_correcao, similaridade = process.extractOne(pergunta_usuario, perguntas_faq, scorer=fuzz.token_sort_ratio)
    return melhor_correcao if similaridade > 80 else pergunta_usuario  # Ajuste do threshold conforme necessidade

def chatbot_ml(pergunta_usuario):
    """Busca a resposta mais adequada para a pergunta do usuário usando embeddings semânticos e fuzzy matching."""
    pergunta_usuario_corrigida = corrigir_erro_ortografico(pergunta_usuario)
    
    # Melhoria na correspondência para evitar confusão entre "produtos" e "pedidos"
    if "pedido" in pergunta_usuario.lower() or "compras" in pergunta_usuario.lower():
        return faq["histórico de pedidos"][0]  # Retorna sempre a resposta certa para pedidos
    
    pergunta_embedding = modelo.encode(pergunta_usuario_corrigida, convert_to_tensor=True)
    similaridades = util.pytorch_cos_sim(pergunta_embedding, faq_embeddings)
    indice_resposta = similaridades.argmax().item()

    chave_resposta = perguntas_faq[indice_resposta]
    return faq[chave_resposta][0]  # Retorna a primeira resposta do conjunto correspondente

# Função para rodar o chatbot interativamente no Colab
def iniciar_chat():
    print("