💻 computer science

Exploring Creativity in Human-Human-LLM Collaborative Software Design

Este estudo de 18 pares de designers revela que, embora os Modelos de Linguagem de Grande Escala possam gerar ideias novas e elaborar conceitos humanos para apoiar a criatividade no design colaborativo de software, traços humanos como experiência e empatia permanecem os principais impulsionadores dos resultados criativos, com os LLMs às vezes prejudicando o progresso se não forem usados intencionalmente.

Autores originais: Victoria Jackson, Grischa Liebel, Rafael Prikladnicki, Andre van der Hoek

Publicado 2026-04-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Victoria Jackson, Grischa Liebel, Rafael Prikladnicki, Andre van der Hoek

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é uma equipe de dois arquitetos tentando projetar um novo estacionamento de bicicletas seguro para uma universidade. Você tem uma lista de regras básicas (como "as pessoas precisam encontrar vagas" e "as pessoas precisam deixar avaliações"), mas é livre para descobrir os detalhes. Agora, imagine que você tem um assistente robótico superinteligente e de fala rápida que pode desenhar plantas baixas e sugerir ideias instantaneamente.

Isso é exatamente o que os pesquisadores deste artigo fizeram. Eles observaram 18 pares de designers de software trabalhando em uma tarefa semelhante: projetar um aplicativo de estacionamento de bicicletas. Alguns pares usaram o assistente robótico (um Modelo de Linguagem Grande, ou LLM), e outros não. O objetivo não era ver se o robô podia escrever código, mas sim observar onde e como a criatividade acontecia quando humanos e robôs trabalhavam juntos.

Aqui está o que eles descobriram, dividido em conceitos simples:

1. Os Humanos eram as "Velas de Ignição"

Embora o assistente robótico estivesse presente, a verdadeira criatividade vinha dos humanos. Pense nos humanos como os maestros de uma orquestra e no robô como um músico muito rápido que pode tocar qualquer nota que você pedir.

Os Humanos: Usavam suas experiências passadas, empatia (imaginando-se como o usuário) e analogias (comparando o aplicativo a coisas como Google Maps ou Yelp) para gerar as grandes ideias surpreendentes.
O Robô: Era ótimo em expandir essas ideias ou sugerir pequenos detalhes novos, mas raramente surgia com o "grande salto" por conta própria.

2. O Robô Era às vezes um "Quebra-Molas"

O robô nem sempre era útil. Às vezes, ele agia como um guia turístico distraído.

O Bom: Ele podia fazer o trabalho chato e repetitivo (como escrever código padrão ou listar funcionalidades básicas) rapidamente. Isso libertava o cérebro dos humanos para pensar nos problemas criativos difíceis.
O Ruim: Às vezes, o robô sugeria soluções excessivamente complicadas ou fazia os humanos discutirem sobre coisas que já tinham decidido. Era como um guia turístico que fica parando para falar sobre uma rua lateral quando você está tentando chegar à atração principal. Isso às vezes matava o fluxo criativo.

3. A "Receita" vs. O "Chef"

Os pesquisadores notaram algo interessante sobre como as equipes usavam o robô:

As Equipes "Receita": Algumas equipes deram ao robô uma lista muito estrita e detalhada de requisitos (como uma receita rigorosa). O robô seguia a receita perfeitamente, mas produzia um prato chato e previsível. Essas equipes acabaram com menos criatividade.
As Equipes "Chef": Outras equipes deram ao robô um prompt vago e aberto (como "Faça-me algo legal"). Essas equipes tinham maior probabilidade de obter ideias surpreendentes e criativas.
A Lição: Se você tratar o robô como uma calculadora estrita, ele lhe dará a resposta de uma calculadora. Se você o tratar como um parceiro de brainstorming, ele pode surpreendê-lo.

4. A Criatividade Ocorria Mesmo sem "Tentar"

Os pesquisadores não disseram aos participantes: "Por favor, sejam criativos hoje". Eles apenas disseram: "Termine este projeto".

O Resultado: A criatividade surgiu naturalmente em todos os pares, mesmo quando não estavam tentando ser criativos.
O Desfecho: 13 dos 18 pares produziram um projeto final que tinha pelo menos um fator "uau" (algo novo, surpreendente e útil). No entanto, o robô não garantia isso. Dois pares que não usaram o robô de todo ainda criaram projetos criativos, enquanto alguns pares que usaram o robô criaram projetos chatos.

5. A Criatividade "Mini-C" vs. "Big-C"

O artigo observa que a criatividade que eles viram foi principalmente "Mini-C" ou "Pro-C" (criatividade pessoal ou profissional).

O que isso significa: Os designers trouxeram melhorias práticas e excelentes (como adicionar uma funcionalidade para rastrear roubo de bicicletas ou tornar o aplicativo mais rápido).
O que não foi: Eles não trouxeram criatividade "Big-C" (invenções que mudam o mundo, revolucionárias). O robô não inventou repentinamente uma nova maneira de pensar sobre estacionamento de bicicletas; ele apenas ajudou a refinar a ideia atual.

A Conclusão

Pense no LLM como uma ferramenta poderosa em uma caixa de ferramentas, não como o construtor em si.

Os humanos são os construtores que decidem o que construir, como resolver os problemas difíceis e quando ignorar a ferramenta.
O robô é ótimo em passar o martelo ou sugerir um novo tipo de prego, mas se você deixar que ele dirija a construção, você pode acabar com uma casa que se parece exatamente com todas as outras casas do quarteirão.

Para obter os melhores resultados, o artigo sugere que os designers sejam intencionais: usem o robô para lidar com as coisas chatas para que possam focar no pensamento profundo, mas não deixem que a primeira sugestão do robô os impeça de explorar outras ideias, melhores.

1. Declaração do Problema

Embora os Modelos de Linguagem Grandes (LLMs) sejam extensivamente estudados por sua capacidade de acelerar tarefas de desenvolvimento de software (por exemplo, geração de código, depuração), há uma lacuna significativa na compreensão de como os LLMs influenciam a criatividade colaborativa dentro da engenharia de software. O design de software é inerentemente uma atividade criativa de resolução de problemas que exige a geração de artefatos novos, surpreendentes e valiosos. Os autores investigam se os LLMs atuam como catalisadores para a criatividade ou se meramente automatizam tarefas rotineiras, potencialmente prejudicando o processo criativo ao ancorar designers em soluções convencionais ou causar divagações improdutivas.

Pergunta de Pesquisa: Como e onde a criatividade aparece naturalmente ao projetar com um LLM?

2. Metodologia

Os autores conduziram um estudo laboratorial controlado simulando um ambiente de trabalho remoto.

Participantes: 18 pares de profissionais de software ( $N=36$ ) com experiência em design (variando de 5 a mais de 20 anos). Os pares foram recrutados para mimetizar dinâmicas de equipe do mundo real.
Tarefa: Os pares tiveram 90 minutos para produzir um documento de design de software para um "Aplicativo de Estacionamento de Bicicletas" com base em um Documento de Requisitos de Produto (PRD). O PRD incluía funcionalidades específicas (por exemplo, encontrar estacionamento, avaliações, direções), mas deixava espaço para expansão arquitetural e de funcionalidades.
Condições:
- Acesso ao LLM: Todos os pares tiveram acesso a um wrapper personalizado de LLM (ChatGPT 3.5 Turbo da OpenAI), mas não foram obrigados a usá-lo.
- Priming: Os participantes não foram instruídos a ser criativos; foi dito que o design seria julgado com base na completude. Isso garantiu que a criatividade emergisse naturalmente em vez de ser forçada.
Coleta de Dados:
- Gravações de tela das sessões de design e entrevistas de saída.
- Documentos finais de design.
- Registros de todos os prompts e respostas do LLM.
Estrutura de Análise:
- Análise de Processo: Utilizou o conceito de "Eventos Criativos" de Dorst e Cross (momentos em que os espaços do problema e da solução co-evoluem por meio de um "salto" ou insight).
- Análise de Produto: Utilizou a definição de criatividade de Boden: artefatos que são Novos, Surpreendentes e Valiosos.
- Codificação: Dois pesquisadores codificaram qualitativamente transcrições e artefatos de design para identificar fontes de criatividade (iniciadas por humanos vs. assistidas por LLM).

3. Principais Contribuições

O artigo faz três contribuições primárias para o campo da Interação Humano-Computador (IHC) e Engenharia de Software:

Evidência Empírica de Criatividade Natural: Demonstra que a criatividade emerge naturalmente no design colaborativo de software mesmo sem priming explícito, ocorrendo tanto no processo de design quanto no produto final.
Atribuição de Fonte: Fornece uma taxonomia granular de fontes de criatividade, distinguindo entre insights impulsionados por humanos (experiência, empatia, analogias) e contribuições impulsionadas por LLMs (inspiração, elaboração, fornecimento).
A "Espada de Duplo Fio" dos LLMs: Revela que, embora os LLMs possam automatizar trabalho rotineiro para liberar espaço cognitivo para pensamento profundo, eles também podem prejudicar a criatividade ao introduzir complexidade, ancorar designers em soluções subótimas ou causar divagações improdutivas.

4. Principais Resultados

A. Prevalência de Criatividade

Processo: A criatividade (na forma de eventos criativos) esteve presente em todos os 18 pares.
Produto: 13 dos 18 pares produziram documentos de design contendo pelo menos um elemento criativo (Novo, Surpreendente e Valioso).
Uso do LLM: Dois pares não usaram o LLM. Três pares usaram-no para gerar todo o design. Os demais usaram-no para tarefas específicas (busca de informações, geração parcial).

B. Fontes de Criatividade (O "Quem" e o "Como")

O estudo identificou 8 fontes de elementos criativos (Tabela 1 no artigo):

Iniciadas por Humanos (Dominante):
- Conhecimento/Experiência Prévia: A fonte mais frequente (por exemplo, aplicar padrões da indústria para segurança ou escalabilidade).
- Empatia: Designers imaginando-se como usuários (por exemplo, adicionar um "pino na tela inicial" para acesso rápido).
- Analogias: Comparar o problema com aplicativos existentes (por exemplo, Google Maps, Yelp) para resolver desafios de design.
- Ambiguidade e Objetivos Subjacentes: Interpretar requisitos vagos ou focar no problema raiz em vez de apenas nos requisitos declarados.
Assistidas por LLM (Minoritária):
- Faíscas do LLM: Uma resposta do LLM desencadeou uma nova ideia humana (por exemplo, sugerir uma CDN levou a um insight de desempenho).
- Elaboração do LLM: O LLM expandiu uma ideia iniciada por humanos (por exemplo, detalhar métricas de custo).
- Fornecimento pelo LLM: O LLM sugeriu uma ideia nova diretamente (por exemplo, moderação de conteúdo).

Descoberta Estatística: Dos 29 elementos criativos identificados nos designs finais, 15 foram iniciados por humanos, 5 foram conjuntos humano-LLM e 9 foram fornecidos diretamente pelo LLM. Traços humanos (experiência, empatia) foram os principais impulsionadores.

C. Impacto do LLM no Processo de Design

Positivo: Os LLMs frequentemente automatizaram trabalho "burocrático" (por exemplo, definições de API, modelos de dados), liberando espaço cognitivo para os designers se engajarem em resolução de problemas mais profunda e pensamento estratégico.
Negativo:
- Ancoragem: Os designers às vezes aceitaram a primeira solução do LLM sem explorar alternativas.
- Divagações: Respostas do LLM ocasionalmente desencadearam discussões improdutivas (por exemplo, re-debater contas de usuário já resolvidas).
- Sobrecarga de Complexidade: Os LLMs às vezes sugeriram arquiteturas excessivamente complexas (por exemplo, misturar múltiplos provedores de nuvem) que os designers tiveram que simplificar.

D. Descobertas sobre Criatividade do Produto

Novidade vs. Surpresa: Ideias geradas por LLMs eram frequentemente "novas" em relação ao PRD, mas raramente "surpreendentes" ou revolucionárias. Elas tendiam a ser funcionalidades de commodity (por exemplo, moderação de conteúdo padrão).
A Armadilha dos "Requisitos Fixos": Pares que colaram o PRD inteiro nos prompts do LLM tenderam a produzir designs restritos e não criativos. Por outro lado, pares que usaram prompts de final aberto ou confiaram em seu próprio julgamento produziram resultados mais criativos.
Sucesso sem LLM: Curiosamente, os dois pares que não usaram o LLM ainda produziram designs criativos, provando que a disponibilidade de LLM não garante criatividade.

5. Significado e Implicações

Criatividade Centrada no Humano: O estudo reforça que o insight humano permanece central no design de software. Os LLMs atuam como amplificadores em vez de substitutos da criatividade humana.
Estratégia de Engenharia de Prompt: Para fomentar a criatividade, os praticantes devem usar prompts de final aberto e expansivos com contexto mínimo, em vez de alimentar rigidamente requisitos detalhados ao LLM. Isso impede que o LLM restrinja o espaço de soluções.
Descarga Cognitiva: Usar LLMs para lidar com tarefas rotineiras (código burocrático, documentação) é benéfico, pois cria o "espaço" necessário para pensamento profundo e criativo.
Engajamento Crítico: Os designers devem permanecer críticos das saídas do LLM para evitar viés de ancoragem e divagações improdutivas.
Ferramentas Futuras: Os autores sugerem a necessidade de "Ferramentas de Suporte à Criatividade" construídas sobre LLMs que sejam especificamente projetadas para encorajar a exploração do espaço do problema, mitigar a fixação de design e manter a agência humana.

Conclusão:
O artigo conclui que, embora os LLMs possam apoiar o design colaborativo de software gerando ideias novas e elaborando conceitos humanos, eles não impulsionam inerentemente a criatividade de alto nível. Os saltos criativos mais significativos vieram de designers humanos que aproveitaram experiência, empatia e analogias. A integração eficaz de LLMs requer estratégias de engajamento intencionais que priorizem a agência humana e o pensamento crítico sobre a aceitação passiva de sugestões de IA.