Em setembro de 2025, Dulanjala Aluthge publicou no UX Collective o ensaio Intelligent accessibility, what if accessibility could adapt to you?. A tese do texto é que acessibilidade digital precisa deixar de ser um conjunto de diretrizes estáticas e passar a ser uma experiência adaptativa, movida por IA. Em vez de uma interface única que depois recebe acomodações para quem está fora do padrão, o sistema observaria o usuário e se ajustaria.
Vale separar o que já existe hoje do que ainda é promessa. É isso que esse artigo faz. E porque esse tipo de decisão tem custo, também vou dizer onde a ideia quebra.
O fato: do checklist estático para o ajuste em tempo real
O argumento central do artigo é claro. Hoje, identificamos as barreiras que um grupo de usuários enfrenta, projetamos contra elas e depois testamos se foram removidas. Essa abordagem funcionou bem para muitos problemas estáticos de acessibilidade ao longo da história. O que a autora questiona é se esse processo basta num mundo em que o conteúdo já é dinâmico e personalizado por padrão.
Essa não é uma ideia nova. Em 2011, um workshop no CHI já descrevia o problema com precisão cirúrgica: habilidades humanas são idiossincráticas e podem mudar com frequência. Soluções estáticas de acessibilidade do tipo tamanho único deixam passar oportunidades que surgiriam de considerar as habilidades de um indivíduo, e falham em lidar com o aspecto às vezes dinâmico dessas habilidades, como quando a atividade ou o contexto do usuário causa uma deficiência situacional. O que mudou de lá para cá foi a infraestrutura: o navegador agora expõe sinais que antes só o sistema operacional via, e modelos conseguem inferir preferência a partir de comportamento.
Como funciona o mecanismo
Para entender o que significa uma interface adaptativa, pense num termostato residencial comum. Você define 22 graus, e ele liga e desliga o compressor para manter aquilo. É regra fixa. Um termostato aprendiz é diferente: ele percebe que todo dia por volta das 18h você baixa dois graus, e começa a antecipar o ajuste. Interface adaptativa segue a mesma lógica. A camada declarativa é a regra (se o usuário pediu alto contraste, aplique este tema). A camada aprendida é a inferência (se o usuário aumenta a fonte toda vez que o sol começa a bater na tela, comece a aumentar antes). A analogia quebra num ponto importante: termostato tem uma única variável de saída, interface tem dezenas, e cada uma pode criar efeito colateral na outra.
A camada declarativa: preferências do sistema que o navegador já entrega
Essa parte não é promessa, é implementação disponível hoje. O navegador expõe o que o usuário configurou no sistema operacional através de media queries. As principais estão em Media Queries Level 5 e têm suporte amplo.
A feature prefers-reduced-motion detecta se o usuário habilitou uma configuração no dispositivo para minimizar movimento não essencial. A configuração comunica ao navegador que o usuário prefere uma interface que remove, reduz ou substitui animações. Ela está disponível em navegadores desde janeiro de 2020.
De forma análoga, a feature prefers-contrast detecta se o usuário solicitou que o conteúdo seja apresentado com contraste maior ou menor, com os valores more (prefere interface com nível mais alto de contraste), less (prefere nível mais baixo) e custom (usa um conjunto específico de cores definido pelo usuário).
Em código, a implementação mínima que respeita isso é curta:
/* Variante com contraste reforçado quando o SO pede */
@media (prefers-contrast: more) {
:root {
--text: #000;
--bg: #fff;
--link: #0000ee;
}
.btn {
outline: 2px solid currentColor;
}
}
/* Reduzir, não eliminar, animação quando o SO pede */
@media (prefers-reduced-motion: reduce) {
*, *::before, *::after {
animation-duration: 0.01ms !important;
animation-iteration-count: 1 !important;
transition-duration: 0.01ms !important;
scroll-behavior: auto !important;
}
}Existe também equivalente no transporte HTTP. Algumas media queries têm client hints correspondentes, cabeçalhos HTTP que pedem conteúdo pré-otimizado para aquela necessidade, como Sec-CH-Prefers-Color-Scheme e Sec-CH-Prefers-Reduced-Motion. Isso permite que o servidor já entregue a variante certa, sem flash de estilo errado na primeira renderização.
A camada aprendida: inferir a partir do comportamento
Aqui a coisa fica mais ambiciosa, e é o que o artigo do UX Collective está realmente propondo. A ideia é que esses sistemas se adaptam não só a preferências declaradas, mas a padrões implícitos em como o usuário interage com o conteúdo, ajustando contraste automaticamente para alguém com baixa visão à noite, simplificando a complexidade da linguagem para quem precisa, ou prevendo quando alguém pode precisar de suporte adicional de navegação.
O movimento é passar de acomodações reativas, em que o usuário pede o suporte, para acessibilidade proativa, em que o sistema antecipa e fornece o suporte automaticamente. Um usuário não precisa saber que precisa de escala de fonte de 1,7x ou contraste de 85%, o sistema aprende os ajustes ideais pela interação natural.
Como isso é feito na prática? Alguns sinais possíveis: o sistema observa padrões de interação e ajusta elementos de interface com base no uso real. Quando alguém consistentemente dá zoom em páginas para 150%, o sistema começa a entregar conteúdo nesse zoom por padrão. Se taxas de erro aumentam em luz baixa, o contraste é reforçado além dos mínimos de WCAG. Padrões de velocidade de leitura informam o tamanho de fonte e o espaçamento ótimos. Dificuldades de navegação disparam estruturas de menu simplificadas.
Pesquisa recente formaliza isso. Um framework chamado AURA, descrito em artigo de 2025, foi desenhado como assistente de voz responsivo a comportamento. A observação é que a maior parte das interfaces adaptativas depende de sistemas baseados em regra ou perfis fixos, sem capacidade de evoluir com o comportamento em tempo real. Pesquisa recente sugere que rastrear sinais como replays de resposta, conteúdo pulado e tempo gasto em tarefas melhora bastante a personalização.
O que isso significa na prática
Pega um caso concreto que não precisa de IA alguma para começar a existir: dark mode em ambiente externo. Num projeto recente num ambiente operacional, funcionários preferiram interfaces em dark mode, ao contrário do desenho claro inicial. Isso tinha razão prática, a maior parte dos trabalhadores operava ao ar livre, onde a luz solar reduzia visibilidade.
Olha o que o navegador já consegue decidir sozinho se você escrever a media query:
/* Tema padrão */
:root {
--bg: #ffffff;
--text: #1a1a1a;
}
/* Se o SO declara preferência por escuro, aplica */
@media (prefers-color-scheme: dark) {
:root {
--bg: #0b0b0b;
--text: #f2f2f2;
}
}
/* E se o SO declara preferência por contraste alto, reforça ainda mais */
@media (prefers-color-scheme: dark) and (prefers-contrast: more) {
:root {
--bg: #000000;
--text: #ffffff;
}
}Isso é adaptativo e não envolve IA. Envolve respeitar sinal que o usuário já deu em outro lugar. É aqui que mora grande parte do ganho prático que o texto do UX Collective descreve, mesmo antes de qualquer modelo entrar em cena.
A camada aprendida entra quando você quer ir além da preferência declarada. Em um construtor de landing page que tirou a criação de página da fila da engenharia, o problema não é só acessibilidade, é consistência. Mas o princípio é o mesmo: se você dá liberdade de montagem, o próprio sistema precisa impor onde a liberdade termina. Uma política adaptativa de acessibilidade funciona igual. Você não deixa o modelo encolher a fonte abaixo do mínimo legível porque o usuário clicou em diminuir três vezes, você define o piso em código e o modelo opera dentro daquilo.
Onde quebra
Agora a parte difícil. Interface que se adapta sozinha tem três custos reais, e qualquer um deles destrói a experiência se não for respeitado.
1. Perda de previsibilidade. Interface adaptativa quebra a memória muscular. Se o botão de confirmar muda de posição, tamanho ou cor baseado em inferência do modelo, o usuário que já conhecia a interface vira iniciante de novo. A mesma literatura que defende adaptação reconhece isso implicitamente ao insistir que, segundo quem escreveu sobre o tema, boa IA adaptativa é feita de ajustes silenciosos e cuidadosos, que parecem naturais. Natural aqui significa pequeno, e isso vai contra o impulso de impressionar com adaptação visível.
2. Confusão entre adaptação e punição. Isso é o core do que escrevo sobre interface: sistema bom declara onde ele para e não pune o usuário por aquilo que ele mesmo deixou acontecer. Se o modelo decide simplificar o menu porque achou que você teve dificuldade de navegação, e com isso esconde a opção que você estava procurando, o sistema punir você pela sua própria inferência errada. A adaptação virou obstáculo. Em dashboard denso em dados de medição de mídia, essa é a diferença entre render que funciona e render que vira processo de suporte. Virtualizar lista melhora render, mas quebra busca do navegador e acessibilidade se feito sem cuidado. O mesmo princípio vale para adaptação: cada economia visual que o modelo faz, ele precisa saber desfazer sob demanda.
3. Viés embutido na inferência. Isso aparece explícito na literatura recente: a integração de IA no design de UX traz oportunidades e desafios, particularmente em acessibilidade e inclusividade. À medida que a IA é usada para personalizar experiências, cabe aos designers garantir que essas tecnologias não perpetuem vieses ou excluam grupos de usuários, o que exige medidas proativas para identificar e mitigar vieses. Em termos práticos, um modelo treinado com dados onde a maioria dos usuários rola rápido vai interpretar quem rola devagar como erro, e começar a esconder conteúdo que a pessoa estava justamente lendo com atenção.
Tem ainda o problema de contexto. Deficiência situacional é real: é a dificuldade de acessar computadores por conta do contexto ou da situação, em oposição a uma deficiência física. Exemplos incluem ruído, iluminação ruim, distrações, outras tarefas que exigem uso de mãos ou olhos, e restrições sociais como o uso inadequado de dispositivos com áudio durante uma palestra. O ponto é que esses sinais mudam de minuto a minuto. Modelo que adapta demais com base em comportamento de agora talvez esteja aprendendo o errado para daqui a dez minutos.
O que não dá para afirmar ainda
O artigo do UX Collective é um ensaio de proposta, não um estudo com dados. Ele descreve bem a direção, mas não traz medição de impacto. Algumas coisas específicas que ficam em aberto:
- Não existe, no texto, demonstração de que o ganho da camada aprendida justifica o custo de previsibilidade perdida. É uma hipótese razoável, não um resultado medido.
- Pesquisa acadêmica como o AURA já mostrou ganhos em contextos específicos (voz, usuário cego), mas avaliações de usabilidade mostraram taxa de conclusão de tarefa variando de 10% a 91,69% entre classes de deficiência, o que indica que o ganho não é uniforme e depende muito do perfil.
- Nenhuma das fontes trata com profundidade a questão de consentimento. Se o modelo infere que você tem dificuldade cognitiva, essa inferência é um dado sensível. Nenhum padrão hoje regula isso de forma clara.
Como testar isso você mesmo
Antes de pensar em IA, exercite a camada declarativa que já funciona. Dá para fazer num fim de tarde:
- Pega uma página sua existente e abre o DevTools. No Chrome, em Rendering, procure a seção Emulate CSS media feature. Dá para forçar prefers-reduced-motion, prefers-contrast e prefers-color-scheme nos valores possíveis.
- Veja o que quebra. Provavelmente alguma animação continua rodando, algum texto fica ilegível em contraste alto, alguma imagem decorativa some sem texto alternativo.
- Adicione as media queries para cada um desses três sinais. Comece pelo prefers-reduced-motion, é o mais barato e o que menos envolve decisão de design.
- Depois disso, se quiser ir para a camada aprendida, instrumentalize um sinal só. Por exemplo: registrar zoom aplicado pelo usuário e persistir o último valor usado, oferecendo a opção de aplicar por padrão no próximo acesso. Não automatize isso ainda. Pergunte. É a diferença entre adaptação respeitosa e sistema que decide por você.
Interface que aprende é um objetivo defensável. O caminho até lá começa, de forma menos glamourosa, por respeitar o que o usuário já declarou no sistema operacional dele.
