A Nielsen Norman Group abriu as inscrições do evento de treinamento online de março de 2026, que vai do dia 1 ao dia 4, com horários pensados para Ásia, Austrália e Costa Oeste dos EUA. A página oficial lista oito cursos de 3,5 horas por dia em duas sessões consecutivas, e três deles entram dentro do que a NN/g chama de especialidade de Inteligência Artificial. O que me interessa aqui, e o que vou destrinchar neste artigo, é o curso chamado Context Engineering: Shaping AI-Generated Designs, porque ele toca em um problema que a maioria dos times que usa agente para gerar interface ignora.
O fato, direto
A NN/g publicou a agenda do evento March Virtual Training, com sessões ao vivo via Zoom, exercícios em ferramentas colaborativas e comunidade no Slack. O curso Context Engineering: Shaping AI-Generated Designs está na grade da segunda metade do evento (3 e 4 de março, horário Ásia/AU 4 e 5 de março) e é classificado dentro da trilha de Inteligência Artificial. A proposta oficial é ensinar como entregáveis voltados para IA se diferenciam dos tradicionais, como diferentes tipos de contexto afetam a qualidade de interfaces geradas por IA, e como estruturar conhecimento de UX para agentes de IA.
Esse curso não existia há dois anos. Ele apareceu como resposta a um problema concreto que ficou visível quando times começaram a usar Claude, Cursor, v0 e similares para gerar tela. A resposta genérica dessas ferramentas é feia, inconsistente e ignora o design system da empresa. A NN/g está nomeando a camada que resolve isso.
Como funciona context engineering para design
Antes de qualquer coisa, uma distinção que a própria ementa cobra do aluno: o curso pede para diferenciar UX context design, context engineering e prompt engineering, e ver como cada um encaixa na construção de produtos com IA. Isso não é firula de taxonomia. É a diferença entre escrever um prompt melhor e construir a infraestrutura que faz qualquer prompt gerar coisa decente.
Prompt engineering é o que você digita na hora. Context engineering é tudo que o modelo tem acesso antes de você digitar: tokens de design, componentes do sistema, exemplos de uso correto, restrições de acessibilidade, resultados de pesquisa com usuários, padrões de erro aceitáveis. UX context design é a atividade de decidir o que desse conhecimento precisa virar material legível por máquina.
Uma analogia que carrega a mecânica
Pense num estagiário novo no primeiro dia. Se você pede para ele desenhar uma tela de recuperação de senha e entrega só o pedido, ele vai copiar algo que já viu em outro lugar, provavelmente um banco grande. Se você entrega o design system impresso, o Figma com os componentes, três exemplos de telas parecidas já aprovadas e uma nota dizendo que o campo de email precisa ter validação em tempo real porque teve problema de suporte com isso, ele produz algo utilizável. O modelo de IA é o estagiário. Context engineering é montar essa pasta de onboarding de um jeito que o modelo consiga ler.
Onde a analogia quebra: o estagiário tem bom senso lateral e pergunta quando não entende. O modelo não pergunta. Ele preenche a lacuna com o palpite estatisticamente mais comum. Por isso o material precisa ser mais explícito do que você acha necessário.
O que entra no contexto, na prática
A NN/g sinaliza que o formato do contexto influencia a qualidade da interface gerada, variando de dados brutos de pesquisa até arquivos .md estruturados. Isso é importante. Jogar a transcrição crua de 15 entrevistas com usuário dentro do contexto não gera a mesma coisa que entregar um documento sintetizado com as três dores principais, cada uma com um exemplo de citação e uma regra de interface associada.
Um arquivo de contexto para componente de formulário, por exemplo, tende a ficar assim na prática:
# Form Field Component
## Quando usar
Entrada de dados do usuário em fluxo transacional.
## Estados obrigatórios
- default
- focus (border 2px, cor primary-500)
- error (border 2px, cor danger-500, mensagem abaixo)
- disabled (opacidade 0.5, cursor not-allowed)
## Regras de validação
- Nunca apagar o valor digitado ao detectar erro
- Mensagem de erro precisa dizer QUAL campo e O QUE corrigir
- Validação em tempo real apenas após primeiro blur
## Acessibilidade
- Label sempre visível (nunca só placeholder)
- aria-describedby apontando para mensagem de erro
- aria-invalid="true" quando em estado de erro
Esse tipo de arquivo entra no contexto do agente junto com os tokens do design system e com exemplos de código já aprovado. O modelo passa a produzir componente alinhado porque a referência está ali, não porque ele adivinhou.
O que isso significa na prática
A parte que me parece subestimada no mercado é que context engineering para design é, na raiz, uma obrigação de escrever o design system de um jeito que máquina consegue ler. Publicando design system e style guide de interface, já vi de perto que quase nenhum engenheiro de IA tem isso montado, e é por isso que quase toda interface de produto com agente é feia. Não é falta de talento. É falta da camada de contexto que o curso da NN/g está nomeando.
Um teste reproduzível que você pode rodar hoje, sem pagar curso nenhum, é este:
- Pegue um prompt simples, por exemplo “gere um formulário de cadastro de cartão de crédito em React com Tailwind”.
- Rode esse prompt em um modelo (Claude, GPT, Gemini) sem nenhum contexto adicional. Guarde a saída.
- Monte um arquivo
context.mdcom três coisas: tokens do seu design system (cores, espaçamentos, raios), regras de validação de formulário (incluindo “nunca apagar o valor em caso de erro”) e um exemplo de componente já aprovado. - Rode o mesmo prompt entregando esse contexto junto. Compare.
A diferença entre as duas saídas é o valor concreto de context engineering. Não é teoria, é mensurável em quantos minutos você vai gastar corrigindo manualmente depois.
Isso conecta com algo que vivi num construtor de landing page que tirou a criação de página da fila da engenharia, com redução de mais de 70% no esforço de desenvolvimento por página. Dar liberdade de montagem ao marketing significou aceitar página fora do design system, a menos que o próprio builder impusesse o limite. Com agente é a mesma coisa: ou você impõe o limite via contexto estruturado, ou o agente produz algo que viola suas regras e você vira revisor em tempo integral.
Onde isso quebra
Três coisas que quem for fazer o curso ou tentar aplicar precisa manter no radar.
Primeiro, janela de contexto. Tem um limite técnico de quantos tokens o modelo consegue segurar por chamada. Design system grande, com dezenas de componentes e tokens, não cabe inteiro. Você vai ter que decidir o que entra em cada chamada, provavelmente por recuperação semântica (RAG) ou por fragmentação por tipo de tela. A NN/g não necessariamente vai resolver essa parte de infraestrutura no curso, porque o escopo é UX, não engenharia de retrieval.
Segundo, o custo de manutenção do contexto. Design system vira documento vivo. Se ele muda e o arquivo de contexto não muda junto, o agente vai gerar interface com a versão antiga e você vai ter dívida gerada por máquina, em escala. Isso é novo. Design system só se paga quando tem mais de um time consumindo, e context engineering adiciona o agente como mais um consumidor, com exigências próprias.
Terceiro, o preço do evento em si. A página lista valores em dólar, começando em 1235 dólares para um curso até 12 de fevereiro e subindo até 1335 dólares perto da data. Dois cursos saem por 2223 dólares com 10% de desconto em cada, na janela de preço mais barata. Mais 95 dólares por exame se você for atrás da certificação. É dinheiro, e vale pesar contra material que a própria NN/g publica de graça no blog e no YouTube sobre o mesmo assunto, mais as publicações recentes que eles citam, como The 3 Roles of Context for AI Agents e Context Libraries: How AI Power Users Manage Context Engineering, ambos de Tanner Kohler.
O que ainda não dá para afirmar
A página de curso descreve objetivos, mas não detalha quais ferramentas específicas serão usadas em sala, quais LLMs os exercícios vão rodar, nem entrega amostra de material. A ementa fala em rodar experimentos de comparação de contexto para testar o que melhora os designs gerados por IA, o que sugere exercício prático, mas o formato exato eu não vi documentado. Também não encontrei, até o fechamento deste texto, review pública de alunos da primeira turma desse curso específico, então não tenho como dizer se a profundidade técnica bate com o preço.
Outra coisa que fica em aberto: a NN/g está tratando context engineering como disciplina de UX, não de engenharia. Isso faz sentido pela origem deles, mas na prática, para funcionar, precisa de implementação do lado de código (RAG, chunking, integração com o IDE ou com o agente). Quem for esperando sair do curso sabendo configurar um pipeline de contexto vai se frustrar. Quem for esperando sair sabendo o que colocar dentro desse pipeline, esse sim vai aproveitar.
Como testar isso você mesmo
Sem gastar os mil e tanto dólares, dá para experimentar o conceito em uma tarde:
- Leia o artigo UX-Context Design: Using UX Knowledge to Inform AI-Generated Design no site da NN/g, que a própria ementa do curso usa como leitura introdutória.
- Escolha um componente do seu produto, de preferência um que você sabe que o agente costuma errar (formulário com validação, tabela com paginação, modal de confirmação destrutiva).
- Escreva um arquivo markdown de 30 a 80 linhas documentando esse componente: quando usar, estados, regras de interação, acessibilidade, exemplos de uso correto e incorreto.
- Rode o mesmo prompt duas vezes no modelo que você usa no dia a dia, uma sem o arquivo, outra com o arquivo colado no contexto. Compare a saída linha por linha.
- Repita com três componentes diferentes. No terceiro, você já vai ter uma intuição clara do que o modelo captura bem a partir do contexto e do que ele ignora.
Se depois disso o curso continuar fazendo sentido, aí você paga sabendo o que está comprando. Se já ficou claro, você economizou. Em qualquer dos dois casos, saiu do lugar.





