Design de Interface para Sistemas Robóticos: Usabilidade e Interação Humano-Máquina

Contexto

A Pergunta de Pesquisa

À medida que sistemas robóticos migram dos ambientes industriais para o cotidiano — manutenção, infraestrutura, saúde — as interfaces que os humanos usam para controlá-los e monitorá-los tornam-se críticas. Um design de interface inadequado em contextos robóticos de alto risco não gera apenas frustração: gera risco.

Esta pesquisa explorou o design de GUI para sistemas de robótica de serviço, com foco em usabilidade e interação humano-máquina em contextos cotidianos. A questão central: quais diretrizes de design produzem interfaces simultaneamente aprendíveis para operadores novatos e eficientes para os experientes?

Método

Abordagem de Pesquisa

A pesquisa foi conduzida em dois contextos principais: EMMA (sistema robótico para manutenção de turbinas na 13 Robotics) e ROSA (sistema de monitoramento de usinas hidrelétricas no LEAD Coppe/UFRJ). Ambos envolviam ambientes operacionais reais com usuários não especialistas.

• Análise de tarefas: mapeamento dos fluxos dos operadores para identificar picos de carga cognitiva e pontos de decisão
• Estudos de usabilidade: testes estruturados em laboratório com operadores de diferentes níveis de habilidade
• Pesquisa de campo: observação em ambientes operacionais para capturar padrões de uso real vs. uso projetado
• Métodos quantitativos: surveys e testes A/B para validar decisões de design

Achados

Diretrizes de Design para HMI

A pesquisa produziu um conjunto de diretrizes para interfaces de sistemas robóticos, organizadas em torno de três princípios:

• Transparência do estado do sistema: operadores precisam de feedback inequívoco sobre o que o robô está fazendo, por quê e o que fará a seguir. A ambiguidade no feedback de estado foi a principal causa de erros dos operadores.
• Degradação graciosa: interfaces devem comunicar estados de falha com clareza sem desencadear respostas de pânico. O design de alertas exigiu calibração cuidadosa dos sinais de urgência.
• Mínima troca de modos: sistemas robóticos complexos frequentemente exigem que operadores alternem entre modos de monitoramento e controle. Reduzir as transições de modo melhorou significativamente o tempo de conclusão de tarefas e a taxa de erros.

Framework

O Paradigma de Controle de Supervisão

O eixo teórico da pesquisa foi o paradigma de Controle de Supervisão, dentro do modelo de Interação Humano-Automação (HAI) de Parasuraman e Sheridan. Nele, o humano deixa de ser o executor da tarefa e passa a ser estrategista: planeja, ensina o sistema, monitora a execução, intervém quando necessário e aprende com o resultado. A máquina assume a operação; a pessoa permanece no controle das decisões.

O ciclo cognitivo do operador foi modelado pelo OODA Loop (Observar, Orientar, Decidir, Agir), e a qualidade da supervisão medida por três fatores humanos: consciência situacional, carga mental e confiança na automação. Essas diretrizes foram aplicadas diretamente à interface do operador da EMMA e validadas em rodadas subsequentes de usabilidade.

Hoje

De HMI a Agentic Flows

O mesmo framework que estruturou a supervisão de robôs industriais descreve, quase sem tradução, o desenho de agentic flows em produtos de IA. Um agente é um sistema autônomo que executa etapas operacionais e delega ao humano o papel de estrategista: exatamente o paradigma de controle de supervisão, agora aplicado a software.

As diretrizes que testei entre 2016 e 2019 são as mesmas decisões que definem um bom fluxo agêntico hoje:

• Transparência do estado do sistema → tornar visível o que o agente está fazendo, por quê e qual será o próximo passo, evitando a caixa-preta que quebra a confiança.
• Pontos de intervenção (human-in-the-loop) → desenhar onde a pessoa aprova, corrige ou assume o controle antes de uma ação irreversível.
• Degradação graciosa → comunicar falhas e incertezas do agente com clareza calibrada, sem alarme nem falsa confiança.
• Confiança calibrada → ajustar o nível de autonomia ao risco da tarefa, um dos fatores humanos centrais da pesquisa original.

É esse rigor — task analysis, avaliação de carga cognitiva e o vocabulário de controle de supervisão — que levo hoje ao desenho de produtos de IA e experiências agênticas de alto risco em fintech e crypto.