Category: Post 2

  • Quem é o designer hoje?

    Afonso Casaca

    A expansão dos modelos generativos de IA e a sua capacidade de, progressivamente, se tornarem mais embutidos em processos de concepção e de fazer design estão a reconfigurar a maneira como percepcionamos, criamos e valorizamos a Imagem. À medida que o machine learning se torna um meio para produzir tanto as ideias como os resultados visuais, surgem novas questões sobre autoria, criatividade e significado. Neste post, procuro refletir sobre o controlo e a evolução do papel do design(er) num panorama de conceptualização mediado por estas tecnologias.

    Figura 1 – Harold Cohen, Untitled (da série Amsterdam Suite ‘c’), 1977. Serigrafia produzida a partir de desenho gerado pelo programa de inteligência artificial AARON.

    Para compreender melhor este paradigma sem cair numa leitura linear de evolução tecnológica, é importante começar por averiguar a integração destas ferramentas no ato projetual. A sua utilização pode não ocorrer de forma uniforme, sendo possível utilizá-la em modalidades menores, como, por exemplo,  na utilização de ferramentas de micro-automação integradas em software, generative fill, expansão de imagens ou remoção de backgrounds, entre outras funcionalidades que aceleram tarefas mais operativas e técnicas. Noutros casos, pode ser utilizada para fins de pesquisa, na concepção inicial de ideias e exploração de conceitos, mas também na produção direta de resultados visuais finais. Cada uma delas, respetivamente, desloca subtilmente o lugar onde reside a decisão do designer. Com isto, o machine learning será um colaborador ou um competidor que substitui a decisão do designer? O que acontece com o sentido crítico de um projeto quando o designer recorre aos poderes generativos da máquina? E, acima de tudo, pode a escrita de um prompt ser encarada como um verdadeiro processo de design?

    Figura 2 — Meme adaptado do filme I, Robot (real. Alex Proyas, 2004). Fonte: Arquivo digital / redes sociais, c. 2023.

    Escrever um prompt exige uma intenção. Para obter resultados mais precisos, requer valências como um vocabulário conciso e um repertório sensível de referências, capacidades que residem num pensamento crítico e projectual sólido. Ainda assim, existe uma diferença decisiva entre projetar um sistema de raiz e selecionar resultados a partir da geração de opções configuradas pelos cálculos de um algoritmo. Ou seja, a utilização de um prompt só se pode tornar um ato de design quando o designer recorre à sua própria criticidade para interrogar e perceber possíveis enviesamentos da máquina.

    AI-generated visuals are “mean images” in a double sense: mathematical averages computed from vast datasets of scraped imagery, and “mean” in their social effects—stingy, cruel, and extractive, replacing photographic witness with “statistical rendering.”

    Hito Steyerl, Mean Images, New Left Review 140, 2023.

    Figura 3  — Hito Steyerl, How Not to Be Seen: A Fucking Didactic Educational .MOV File, 2013 (fotograma de vídeo). Fonte: Tate, Londres

    Este ponto torna-se ainda mais evidente quando observamos a relação entre o criador e a infraestrutura técnica. Ao recuperar o pensamento de Vilém Flusser sobre o «aparelho» [1], Sean Dockray, em Learning from YouTube, alerta para o modo como as infraestruturas do machine learning não se limitam a responder aos prompts humanos, mas treinam os próprios utilizadores a formular intenções que sejam legíveis pela máquina [2]. Num ambiente previamente programado, o utilizador corre o risco de passar a desejar e a formular apenas aquilo que o sistema já está capacitado para prever e executar, restringindo a intenção criativa dentro dos limites do programa [1].

    “Instead of being an instrument of a single artistic imagination, AI has become a mechanism for influencing the imaginations of billions. Gathered and aggregated data about the cultural behaviors of multitudes is used to model our ‘aesthetic self,’ predicting our future aesthetic decisions and tastes and potentially guiding us towards choices preferred by the majority.

    Lev Manovich, AI Aesthetics, 2019, Strelka Press

    Ao conferir o papel de criador à máquina, este modelo desvia o design(er) do centro da produção direta, limita as suas opções de trabalho e transforma a sua autoria num mero exercício de seleção estatística. É precisamente neste ponto que o «porquê?» se torna a pergunta mais urgente e insubstituível da prática do design(er). Num cenário saturado pela facilidade técnica de gerar milhares de variações visuais em segundos, o valor de um objeto de design deixa de residir na destreza da sua execução formal ou no virtuosismo estético imediato. Qualquer sistema automatizado consegue produzir um «como» visualmente sedutor; contudo, a máquina é incapaz de formular um propósito situado no mundo real. Se, como afirmam Colomina e Wigley, os artefactos podem desencadear novos modos de pensamento [3], então a IA poderá transformar a forma como o designer pensa e entende o seu papel, e não necessariamente substituí-lo.

    Importa também sublinhar que estes modelos de machine learning se sustentam sobre bases de dados de larga escala construídas através da recolha massiva e indiscriminada de registos visuais e textuais. Como demonstra Kate Crawford em Atlas of AI, este processo extrativo desvincula imagens e produções culturais dos seus contextos históricos, sociais e autorais originais, frequentemente sem consentimento nem salvaguarda de proteção de dados, convertendo-as em meros padrões estatísticos [4]. Ao mesmo tempo, Wendy Hui Kyong Chun adverte que os sistemas algorítmicos de reconhecimento e correlação não são espelhos neutros da realidade: ao aprenderem com arquivos passados marcados por assimetrias, acabam por automatizar, normalizar e amplificar enviesamentos sociais mascarados sob uma aparência de objetividade técnica [5].

    Figura 4 — Exposição Training Humans, com curadoria de Kate Crawford e Trevor Paglen, no Osservatorio Fondazione Prada, Milão. Fonte: Fondazione Prada, 2019.

    É precisamente aqui que a capacidade do design(er) de contextualizar, questionar e justificar cada decisão e output gerado se afirma ainda como o ponto diferenciador. Consequentemente, o processo recupera o protagonismo face ao resultado final: o rasto das decisões, a pertinência das perguntas levantadas e o rigor conceptual passam a pesar mais do que o artefacto finalizado. Rafael Cardoso defende que o design deve ser encarado como um «campo ampliado cuja maior importância reside na capacidade de construir pontes e forjar relações num mundo fragmentado pela especialização» [6]. Esta visão reforça que o papel do design(er) não depende de uma ferramenta específica, mas da sua visão relacional e crítica.

    Responder a quem é o designer hoje implica, portanto, recusar tanto o auxílio submisso à máquina como a visão romântica e saudosista de uma autoria puramente individual. Hoje, o design é uma prática fundamentalmente interdisciplinar, participativa e sistémica. O desafio que se coloca à teoria e à prática do design(er) passa por formalizar o seu trabalho sem abdicar da agência ética e política. Mesmo quando a forma visual emerge da colaboração entre modelos generativos, cabe ao designer situar o projeto no mundo real, assumir uma posição de crítica perante os enviesamentos destas ferramentas e reivindicar uma autonomia intelectual que não funcione meramente numa base de lógica e probabilidades, como os algoritmos.

    As questões e discussões levantadas pelos autores e designers convocados ao longo deste post são exemplos essenciais para preservar uma prática do design atenta, crítica e responsável. Contudo, perante o complexo contexto sociopolítico atual, juntamente com a crescente precarização laboral da área, como abordei no post anterior, e a aceleração imposta pela máquina e os seus consequentes problemas, impõe-se perguntar: que designers conseguirão efetivamente sustentar e cultivar uma prática desta natureza? Como lembra Afonso Matos, exigir criticidade ao designer sem questionar as condições materiais e económicas que limitam a sua margem de ação ignora os constrangimentos reais da profissão [7].

    Notas:

    [1] Flusser, Vilém — Filosofia da Caixa Preta: Ensaios para uma futura filosofia da fotografia. Lisboa: Relógio D’Água, 2011.

    [2] Dockray, Sean — “Learning from YouTube.” Rivers of Emotion, Bodies of Ore. Oslo: Uten Tittel (Not Yet Titled Press) in collaboration with Kunsthall Trondheim, 2018

    [3] Colomina, Beatriz; WIGLEY, Mark — Are We Human? Notes on an Archaeology of Design. Zurique: Lars Müller Publishers, 2016.

    [4] Crawford, Kate — Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press, 2021.

    [5] Chun, Wendy Hui Kyong — Discriminating Data: Correlation, Neighborhoods, and the New Politics of Recognition. Cambridge, MA: MIT Press, 2021.

    [6] Cardoso, Rafael — Design para um mundo complexo. São Paulo: Cosac Naify, 2012.

    [7] Matos, Afonso — Who Can Afford to Be Critical?. Eindhoven: Set Margins’, 2022.

  • IA e a cultura visual

    Ricardo Machaqueiro

    O uso de ferramentas de inteligência artificial generativa tem vindo a crescer em todas as áreas nos últimos anos, incluindo o design. A consequência deste uso tem-se traduzido numa uniformidade visual entre projetos que deviam, pelos seus conteúdos e mensagens, distinguir-se de alguma forma no que toca à parte visual (Porter, 2026; Northeast Times, 2026).

    Websites, interfaces e marcas de setores diferentes têm vindo a surgir com organizações e utilizações tipográficas semelhantes, um fenómeno que reduz a diversidade de linguagens visuais que o design gráfico como disciplina deveria criar. Como ferramentas treinadas para reproduzir linguagens visuais já existentes, a sua utilização contribui para que uma norma estética, mesmo que temporária, se venha a tornar “bom design”.

    Deste enquadramento surge a preocupação com a redução da produção cultural e uma convergência estética mais aparente a cada dia que passa. Este artigo tem como objetivo explorar este tema e apresentar algumas respostas para o problema da perda de identidade visual própria, bem como ver que limites devemos criar dentro do design e da sua utilização de ferramentas generativas de forma a não alimentar esta “convergência”.

    A tendência de convergência da linguagem visual no design já existia antes do aparecimento das ferramentas de IA: segundo Porter (2026), grandes empresas como a Google, a Microsoft e a Apple já tinham estabelecido uma norma na sua comunicação que utilizava padrões seguros que produziam resultados aceitáveis sem grande esforço, mas também sem grande distinção. Porter (2026) argumenta que a inteligência artificial não inventa, apenas explora o resultado estatisticamente mais provável de ter sucesso e reconstrói algo a partir do que já existe na web. Uma vez que as grandes marcas com mais sucesso já caminhavam para padrões visualmente parecidos, esse é o resultado que a IA irá recriar.

    A autora acrescenta que, quando tudo é visualmente semelhante, o consumidor tende a escolher algo com que já esteja familiarizado (Porter, 2026). Esta homogeneização não é apenas um efeito colateral das ferramentas, mas também o resultado de um sistema que recompensa a média.

    As respostas encontradas na literatura e na imprensa da área partem de um ponto comum: o problema não está inerentemente na utilização da inteligência artificial, mas sim na aceitação dos seus resultados por defeito. Porter (2026) argumenta que a solução não se deve basear em evitar estas novas tecnologias, mas sim em compreender como agem quando deixadas às suas predefinições e em interromper estes processos.

    A autora propõe três práticas: a primeira, procurar referências sem auxílio de algoritmos, recorrendo a fontes mais orgânicas como o cinema, a arquitetura ou a cultura material em oposição a plataformas como o Pinterest e o Behance, onde o conteúdo é apresentado conforme o seu desempenho. A segunda sustenta que a utilização de inteligência artificial deve limitar-se às fases de exploração e não ser aplicada no resultado final, pois a distinção visual é, por definição, estatisticamente invulgar e estes modelos são pouco eficazes a avaliá-la. A terceira assenta em aceitar as imperfeições do trabalho como características humanas e provas intencionais de cuidado.

    Nas propostas apresentadas por Shin et al. (2026), em que se associa a homogeneização à geração de conteúdo visual sem fricção, é defendida a introdução propositada de fricção que possa ser produtiva no processo criativo, de modo que sejam desafiados os resultados já predefinidos, almejando preservar a diversidade da expressão.

    O problema é analisado a nível individual, organizacional e do ecossistema, de forma a identificar riscos tais como a sobrecarga cognitiva e a dependência em resultados gerados, que facilitam que indivíduos sem formação na área aceitem os primeiros resultados em vez de questionarem o processo. Importa notar que se trata de um preprint, sem revisão por pares, centrado na criação de websites por pessoas sem formação em design.

    No plano da prática profissional, o estúdio How&How deu origem a uma identidade para a Ideogram, plataforma de geração de imagens, centrada no julgamento humano, com a letra “I” escondida no espaço negativo do seu logótipo, uma espécie de lembrete de que as ideias e decisões continuam a pertencer a pessoas (Creative Review, 2026). Os designers citados na New Yorker não se opõem à utilização de inteligência artificial e defendem que é possível obter resultados distintos se houver esforço por parte dos designers (Northeast Times, 2026).

    Estas respostas têm limitações, ao assentarem, em maior ou menor grau, no esforço e na disciplina de quem projeta, num contexto em que a promessa destas ferramentas é poupar esforço e trabalho numa indústria onde a pressão incentiva a aceitação dos resultados entregues no mais curto espaço de tempo (Shin et al., 2026). A isto acrescenta-se o caso da Ideogram, uma empresa que vende serviços de geração de conteúdo, mas que recorre a um estúdio para se distinguir de ferramentas semelhantes, o que revela uma tensão e levanta questões sobre a resposta individual, que, sendo necessária, pode não ser suficiente.

    A utilização de ferramentas generativas facilita um processo que, pela sua natureza, não deve ser fácil: a criatividade é um músculo que exige constante utilização e que beneficia do esforço que fazemos para absorver o que nos rodeia e a partir disso criar algo novo. Na facilitação deste processo, os estilos visuais resultantes perdem originalidade, pois dependem do próprio funcionamento das ferramentas, que por si devolvem um resultado estatisticamente mais provável (Porter, 2026) e sem contexto aplicado, substituindo escolhas adequadas por uma predefinição geral. O design moderno já procurava eliminar o atrito (Colomina & Wigley, 2018), e a geração sem fricção, associada à homogeneização (Shin et al., 2026), leva essa lógica ao extremo.

    Pode argumentar-se que as ferramentas sempre facilitaram o processo criativo, do Photoshop aos seus templates, sem que tenham acabado com a originalidade; a diferença é que estas ferramentas facilitam a execução de uma ideia, enquanto a IA generativa facilita a criação dessa mesma ideia. Um estudo da Microsoft Research e da Carnegie Mellon, com 319 profissionais, associa a confiança na inteligência artificial a um menor esforço de pensamento crítico e refere resultados menos diversos para a mesma tarefa (Lee et al., 2025), embora se baseie em respostas autorrelatadas.

    Como responsáveis por comunicar e pela estruturação da informação, devemos pensar nos impactos e nas alterações que a utilização de ferramentas que mudam fundamentalmente o nosso processo tem nas ideias que queremos transmitir. Esta é uma questão que não será resolvida apenas ao nível individual (Shin et al., 2026), mas por decisões que estruturam a forma como o design é ensinado, trabalhado e pensado, como a Declaração de Uso de IA exigida nesta unidade curricular. Na prática, passa por procurar referências fora das plataformas algorítmicas antes de gerar (Porter, 2026), de forma a estruturar ideias mais orgânicas, ou seja, menos condicionadas pelo que já é frequente. Algo não deve ser adotado por ser mais fácil, mas sim por entregar resultados com maior qualidade, entendida como adequação à mensagem e distinção, e não como acabamento polido.

    A uniformidade visual atribuída às ferramentas generativas não resulta de um defeito técnico, mas do próprio funcionamento destas ferramentas (Porter, 2026). As respostas existentes, da procura de referências fora dos algoritmos à introdução de fricção no processo, são necessárias, mas dependem de um contexto que incentiva a aceitação de resultados predefinidos (Shin et al., 2026).

    A preservação de uma cultura visual não se resolve com a exclusão destas ferramentas, mas com decisões deliberadas, individuais e institucionais, sobre o lugar que ocupam no processo, como decidir a direção visual antes de gerar. A questão deixa de ser o que os algoritmos conseguem gerar e passa a ser o que devemos decidir.