Extending the UXR Point of View Pyramid: A Generative AI-Augmented Methodology for Human-Centred AI Systems

Resumo Técnico: Extensão da Pirâmide de Ponto de Vista (PoV) de UXR para Sistemas de IA Centrados no Ser Humano

Declaração do Problema
A Pesquisa de Experiência do Usuário (UXR) enfrenta um desafio persistente em traduzir evidências empíricas complexas em narrativas estratégicas que informem de forma credível o design e a governança. Este desafio é exacerbado em contextos financeiros de alto risco, especificamente no setor de gestão de dívidas do Reino Unido. O aumento das dívidas domésticas e das pressões do custo de vida intensificou a dependência de tecnologias financeiras impulsionadas por IA para avaliação de crédito, estruturação de pagamentos e detecção de vulnerabilidade. Estes sistemas operam dentro de ambientes sociotécnicos complexos, caracterizados por restrições regulatórias, opacidade algorítmica e riscos elevados para consumidores vulneráveis.

O framework existente de Ponto de Vista (PoV) de UXR, embora eficaz para o design de produtos em geral, não foi originalmente projetado para sistemas financeiros mediados por IA, onde a interpretabilidade, a equidade e a responsabilidade são primordiais. Além disso, a integração da IA Generativa (GenAI) nos fluxos de trabalho de pesquisa introduz riscos de "terceirização epistêmica", redução da rastreabilidade e amplificação de vieses estruturais. Na gestão de dívidas, o uso não estruturado de IA corre o risco de gerar narrativas persuasivas, mas fracamente fundamentadas, que poderiam influenciar negativamente as políticas de reembolso e as estratégias de tratamento do usuário. O problema central abordado é como integrar sistematicamente a GenAI na pirâmide de PoV de UXR para apoiar tecnologias de gestão de dívidas de IA Centrada no Ser Humano (HCAI), preservando a responsabilidade humana, o rigor metodológico e a defensibilidade regulatória.

Metodologia
O estudo utiliza uma metodologia de workshop de PoV de UXR aumentada por IA Generativa, fundamentada em serviços financeiros do Reino Unido e sistemas de suporte à dívida mediados por IA. Em vez de adotar uma única lente analítica, a pesquisa aplica uma síntese de múltiplas perspectivas combinando princípios de HCAI, frameworks de vulnerabilidade financeira, requisitos de defensibilidade regulatória e modelos de ciclo de decisão situacional.

A metodologia é estruturada em quatro estágios distintos, formalizando uma Pirâmide de PoV Aumentada por IA:

1. Mapeamento de Práticas e Geração de Hipóteses Suportadas por GenAI:

   • Input: Artefatos de workshop estruturados, conhecimento operacional específico do domínio (ex: modelagem de acessibilidade, entrevistas de dificuldade financeira) e documentação de governança.
   • Processo: A GenAI é direcionada via prompts estruturados para sintetizar práticas existentes, identificar lacunas epistêmicas e propor hipóteses que liguem os insights apoiados por IA à defensibilidade regulatória.
   • Restrição: As hipóteses geradas por IA são tratadas como provisórias e requerem validação humana contra o conhecimento do domínio e requisitos de governança.

2. Governança Fundamental e Mapeamento de Estrutura de Stakeholders:

   • Processo: A GenAI simula o mapeamento de stakeholders, análise de impacto de vulnerabilidade e planejamento de alinhamento regulatório.
   • Output: Um roteiro compartilhado que vincula objetivos de pesquisa, responsabilidade institucional e salvaguardas de mitigação de danos. Este estágio identifica riscos cognitivos, emocionais e financeiros introduzidos por sistemas de decisão de IA opacos.

3. Geração de Insights e Desenvolvimento de Playbooks Focados em Dívidas:

   • Processo: O estudo operacionaliza o modelo de "Blocos de Construção" (Fundação, Coleta de Dados, Geração de Insights, Tradução de PoV) para produzir "Cartões de Playbook" estruturados.
   • Mecanismo: A GenAI agrupa iterativamente insights empíricos e traduz achados validados em artefatos orientados ao design e à governança.
   • Validação: Um fluxo de trabalho estruturado exige a triangulação entre narrativas qualitativas de dificuldades financeiras, métricas quantitativas de reembolso e padrões de conformidade antes da aceitação.

4. Construção de Narrativa de PoV e Comunicação com Stakeholders:

   • Processo: Os "Plays" validados são sintetizados em narrativas de PoV de UXR específicas para cada stakeholder.
   • Papel da GenAI: Apoia o refinamento estrutural e de fraseologia, enquanto a autoridade interpretativa permanece estritamente com a equipe de pesquisa humana.
   • Output: Narrativas coerentes adequadas para instituições financeiras, oficiais de conformidade e equipes de produto, garantindo o alinhamento com a defensibilidade regulatória do Reino Unido.

Principais Contribuições
O artigo contribui com um framework metodológico formalizado para a integração de GenAI em fluxos de trabalho de UXR em ambientes financeiros regulados:

• A Pirâmide de PoV Aumentada por IA: Uma extensão do framework tradicional de PoV de UXR que incorpora a GenAI como um "mecanismo de suporte epistêmico" em vez de uma autoridade analítica.
• Arquitetura de Prompt Estruturada: Um conjunto específico de estratégias de prompt (exploratórias, contrastivas, contrafatuais e de interrogação ética) projetadas para mitigar o viés de compressão narrativa, identificar inequidades de limiares de acessibilidade e garantir a rastreabilidade da evidência.
• Sistema de Cartões de Playbook Habilitado por IA: Um conjunto de 10 objetos de fronteira (Cartões de Play) que funcionam entre as equipes de UX, conformidade e governança de IA. Esses cartões formalizam a integração defensável de GenAI, detalhando propósito, templates de prompt, etapas de validação humana e checkpoints éticos.
• Pilares de PoV Alinhados aos Stakeholders: A identificação de quatro pilares transversais para PoVs de gestão de dívidas: Rastreabilidade, Sensibilidade à Equidade, Interpretabilidade e Teste de Estresse Ético.

Resultados
A aplicação desta metodologia gerou outputs específicos e acionáveis:

• Dez Hipóteses Estruturadas: Geradas a partir de padrões analíticos recorrentes, estas hipóteses ligam fluxos de trabalho apoiados por IA a resultados como redução do viés de compressão narrativa (H1), melhor identificação de inequidades de acessibilidade via prompting contrafatual (H2) e aumento da rastreabilidade de auditoria através de etiquetagem de evidências (H5).
• Mapeamento de Stakeholders: Um mapeamento detalhado de cinco grupos primários (Clientes Financeiramente Vulneráveis, Oficiais de Conformidade, Pesquisadores de UX, Cientistas de Dados e Líderes de Produto), destacando tensões sistêmicas como "Transparência vs. segredo do modelo competitivo" e "Eficiência da automação vs. proteção da vulnerabilidade".
• Dez Cartões de Playbook: Artefatos concretos que abordam questões específicas como "Compressão de Narrativa de Dificuldade", "Viés de Volatilidade de Renda" e "Síntese de IA Não Rastreável". Cada cartão prescreve uma intervenção de governança específica (ex: simulações contrafatuais de renda, prompts de interrogação de viés).
• Quatro Pilares de PoV: A síntese de plays validados em um framework narrativo enfatizando que todo insight apoiado por IA deve ser auditável, a modelagem de acessibilidade deve considerar a volatilidade da renda, os outputs do modelo devem ser comunicáveis entre as equipes e a simulação contrafatual deve estar incorporada pré-implantação.

Significância e Alegações
O artigo posiciona sua significância como um avanço na metodologia de UXR para ambientes de IA financeira de alto risco. Ele alega:

• Operacionalizar a IA Centrada no Ser Humano (HCAI): Ao posicionar a GenAI como uma camada de aumento em vez de uma autoridade epistêmica, o framework alinha-se com as diretrizes que defendem a supervisão estruturada em ambientes de decisão apoiados por IA.
• Mover a Avaliação de Equidade para o Fluxo Inicial (Upstream): Ao incorporar o prompting contrafatual e a interrogação de viés na fase de síntese de pesquisa (construção de PoV), o framework move a avaliação de equidade para longe da auditoria post-hoc e para dentro do ciclo de design e governança.
• Reenquadrar Artefatos de UXR como Infraestrutura de Governança: O trabalho redefine os outputs de UXR não apenas como guias de design, mas como infraestrutura crítica que medeia entre modelagem financeira, conformidade regulatória (especificamente o Dever de Consumo da FCA) e proteção ao consumidor.

Os autores mantêm uma postura modesta quanto às limitações, reconhecendo que a GenAI permanece probabilística e vulnerável a alucinações e amplificação de vieses. Eles afirmam que o prompting estruturado e os fluxos de trabalho de validação mitigam, mas não eliminam, esses riscos. Consequentemente, o framework é apresentado como uma disciplina metodológica que aumenta a rastreabilidade e o rigor interpretativo, mas depende da maturidade organizacional e da supervisão humana para funcionar efetivamente. O artigo conclui que trabalhos futuros exigem validação longitudinal através de estudos de caso aplicados para avaliar melhorias mensuráveis em métricas de equidade e desempenho de auditoria regulatória.