O artigo Beyond chatbots: UX for deep AI research, publicado no UX Collective, discute como Google, Perplexity e Microsoft estão desenhando interfaces para pesquisa profunda com IA, aquela que leva minutos e não segundos. A documentação oficial da Gemini, da OpenAI, análises comparativas e padrões de interface já publicados sobre agentes foram consultados para reconstruir o pano de fundo. Vamos explorar o mecanismo primeiro, depois o que isso significa na implementação.
O problema real que uma interface de deep research precisa resolver
Chatbot comum é pergunta e resposta em segundos. Deep research é outra coisa. Sistemas de deep research investigam uma pergunta em muitas fontes ao longo de minutos ou horas e retornam um relatório com citações verificáveis, uma operação diferente de um chatbot respondendo instantaneamente. A própria OpenAI reconhece esse trade-off: recomenda usar para perguntas difíceis em que confiabilidade importa mais que velocidade, e esperar alguns minutos vale a pena.
Isso cria três problemas de interface que não existem no chat normal:
- O usuário precisa confiar o suficiente pra esperar cinco, dez, trinta minutos sem fechar a aba.
- O sistema precisa chegar ao escopo certo antes de gastar esses minutos, porque errar escopo é caro em tempo e em custo de tokens.
- O resultado final é longo e precisa deixar claro de onde cada afirmação veio, caso contrário vira um blob de texto que ninguém verifica.
Cada um dos três players ataca esses problemas com uma escolha diferente, e a diferença é observável.
Como funciona o mecanismo em cada ferramenta
Gemini: plano explícito antes de executar
Gemini pode gerar autonomamente um plano multi-etapa a partir da interpretação da query inicial. Esse plano lista as sub-tarefas e ângulos que o sistema pretende explorar. O Gemini então apresenta esse plano ao usuário para revisão e aprovação. O usuário pode ler, editar, adicionar restrições ou remover sub-tarefas. Quando aprova, o sistema começa a pesquisa.
Na prática da interface, depois que você submete, o Gemini monta o plano e mostra num card com botões Edit plan e Start research. O card lista os estágios do plano, tipicamente Research Websites com sub-perguntas, depois Analyze Results, depois Create Report, com um tempo estimado.
O mecanismo aqui é separar “interpretar a intenção” de “gastar tempo e tokens executando”. A intenção é barata de errar, dá pra editar em dez segundos. A execução é cara. Então existe um ponto de aprovação explícito entre as duas.
OpenAI: pergunta de clarificação antes de começar
OpenAI escolheu outro caminho. A arquitetura da Deep Research da OpenAI usa clarificação interativa. O agente não começa um processo longo de pesquisa imediatamente. Em vez disso, pode fazer perguntas de acompanhamento ao usuário. Essas perguntas são desenhadas pra refinar o escopo, clarificar objetivos e confirmar exatamente qual informação o usuário quer.
Isso é diferente do plano do Gemini. O Gemini mostra uma hipótese completa do que vai fazer e deixa você editar. A OpenAI mostra as lacunas da sua pergunta e te obriga a fechar antes. As duas resolvem o mesmo problema (não gastar dez minutos pesquisando a coisa errada), mas uma coloca o ônus no sistema (propor um plano) e a outra no usuário (responder perguntas).
Vale notar que isso é escolha de produto, não de modelo. A Deep Research API da OpenAI pula a etapa de clarificação. Como desenvolvedor, você pode configurar esse passo de processamento para reescrever o prompt do usuário ou fazer perguntas de clarificação, já que o modelo espera prompts totalmente formados e não vai pedir contexto adicional; ele simplesmente começa a pesquisa com o input que recebe. Ou seja, o que parece comportamento do modelo é na verdade um wrapper acima dele.
Perplexity: resposta primeiro, trilha depois
Perplexity tem a herança de buscador. A escolha de interface reflete isso: as respostas colocam as fontes no topo de cada resposta. No modo deep research, o padrão é o mesmo levado adiante: resposta primeiro; passos da pesquisa e links disponíveis como camadas mais profundas.
Isso é progressive disclosure aplicada a resultado de agente. O usuário comum vê a resposta. O usuário que precisa auditar expande e vê os passos. Essa separação não é cosmética, é o que impede que o sistema puna o usuário casual com uma parede de logs sem perder a auditabilidade pra quem precisa.
O padrão por trás das três escolhas
Se você olhar as três interfaces lado a lado, aparece um padrão comum: operação longa precisa ser quebrada em fases visíveis, e cada fase tem um tipo de affordance diferente.
A documentação de padrões de API do Google chama isso de long-running operation: o padrão retorna uma operação que clientes podem usar pra checar progresso e recuperar o resultado eventual, em vez de tratar a resposta inicial como o resultado. Metadados podem descrever progresso e falhas parciais. Isso é backend. A interface precisa espelhar isso, caso contrário o usuário olha pra tela parada e assume que travou.
A Smashing Magazine descreveu uma estrutura prática pra isso: a fórmula de update de agente tem três partes: uma palavra de ação forte, o item específico em que a IA está trabalhando, e quaisquer limites ou regras que ela precisa seguir. E pra tarefas com muitos passos, em vez de uma barra simples, o Dynamic Checklist expõe cada passo planejado que o agente vai dar. Destaca claramente o passo atual, marca os anteriores como completos e lista os futuros como pendentes.
É o que o Gemini faz com o card de plano, o que a Perplexity faz com os passos expansíveis e o que o ChatGPT Deep Research faz com o feed de “procurando sobre X”. Três implementações, mesmo mecanismo: declare o que vai acontecer, mostre em que fase está, deixe espaço pra inspecionar.
O que isso significa quando você vai implementar
Vou traduzir isso em código. Se você está construindo uma interface pra uma operação longa de IA, três coisas precisam estar presentes no DOM desde o primeiro segundo:
<section aria-live="polite" aria-busy="true" data-phase="planning">
<h2>Pesquisando: impacto do PIX em bancos de médio porte</h2>
<ol class="research-plan">
<li data-status="done">Definir escopo e período</li>
<li data-status="active" aria-current="step">
Buscar relatórios do Banco Central (2021-2024)
</li>
<li data-status="pending">Comparar com dados de bancos listados</li>
<li data-status="pending">Sintetizar relatório</li>
</ol>
<details>
<summary>Ver logs da busca atual</summary>
<pre>...</pre>
</details>
</section>
Pontos que não são decorativos:
aria-live="polite"faz o leitor de tela anunciar mudanças de fase sem interromper o usuário. Sem isso, pessoa cega não sabe que algo mudou.aria-busycomunica estado de operação em andamento. Reflete odata-phase, que é o que seu CSS e seu JS consultam.aria-current="step"no item ativo é a semântica que o leitor de tela entende como “estou aqui”.<details>é o progressive disclosure nativo. Não precisa de JS pra expandir e já vem acessível de fábrica.
No Gemini Deep Research, fontes adicionais aparecem só depois que o usuário expande o sumário. É o mesmo princípio do <details>, só que escrito num framework. Não há mágica.
Em dashboard denso em dados de medição de mídia, eu já vi o custo oposto desse padrão. Quando você virtualiza lista pra ganhar performance de render, o Ctrl+F do navegador para de achar texto que não está no DOM, e leitor de tela também não encontra. Progressive disclosure com <details> não tem esse problema porque o conteúdo está no DOM, só está colapsado. Vale a pena preferir isso antes de partir pra virtualização.
Onde esse padrão quebra
Interface boa de deep research não é só uma pergunta de design, tem três lugares onde ela quebra na vida real.
Primeiro, trace bruto confunde mais do que esclarece. Mostrar “estou pensando em X, não, melhor Y, voltando pra X” dá a sensação de sistema confuso. Pesquisa mostra que traces brutos de raciocínio podem levar usuários a pensar que o modelo está indo pra um beco sem saída quando na verdade está convergindo pra resposta certa. A camada visível tem que ser mais editada que a trace de execução.
Segundo, apresentar saída de IA com o mesmo tratamento visual que conteúdo verificado. Quando uma interface apresenta conteúdo gerado por IA com o mesmo tratamento visual que conteúdo verificado por humano, implicitamente sinaliza finalidade. Essa é a falha de design por trás da automação ingênua: a interface não distingue entre “o agente produziu isso” e “um humano revisou e aprovou isso”. Progressive disclosure resolve isso tornando a proveniência visível, um indicador sutil de que o conteúdo é gerado por IA, com caminho pra evidência.
Num construtor de landing page que tirou a criação de página da fila da engenharia, esse foi exatamente o custo invisível. Dar liberdade de montagem ao marketing significa aceitar página fora do design system, a menos que o próprio builder imponha o limite. É o mesmo mecanismo: se a interface não sinaliza o que foi gerado automaticamente, o usuário trata tudo como validado, e aí o erro aparece lá na frente, caro.
Terceiro, follow-up em sessão longa degrada. A capacidade de follow-up do Gemini pode deteriorar. Se as respostas parecem estranhas, comece uma sessão nova. Isso é um limite de contexto, não de interface, mas a interface precisa comunicar. Se o seu produto deixa o usuário conversar indefinidamente sobre o relatório, em algum momento o modelo vai perder o fio e começar a inventar. Botão de “nova sessão com este relatório como contexto” é melhor que fingir que a conversa é infinita.
O que ainda não dá pra afirmar
Não testei lado a lado qual abordagem (plano aprovável do Gemini versus clarificação da OpenAI) resulta em melhor qualidade final de relatório. Comparações públicas existem mas são anedóticas, e a qualidade depende muito do domínio da pergunta.
Também não há dado público sólido sobre taxa de abandono em operações longas de deep research. Faz sentido supor que progresso visível reduz abandono, mas supor não é medir. Se você está construindo um produto desses, instrumente isso você mesmo antes de decidir onde investir.
O artigo original do UX Collective mencionava a Microsoft, mas não há acesso ao texto devido a bloqueio de Cloudflare, então não vou especular sobre o que ele diz especificamente da abordagem da Microsoft. O padrão geral descrito aqui, com plano, progresso visível e proveniência das fontes, aparece também no Copilot Research, mas confirme na documentação oficial antes de citar.
Como testar isso você mesmo
Um experimento pequeno pra sentir o padrão na pele:
- Faça a mesma pergunta de pesquisa, com escopo mal definido de propósito, no Gemini Deep Research e no ChatGPT Deep Research. Algo como “compare bancos digitais brasileiros”.
- Observe como cada um reage antes de começar. Anote: o Gemini te mostra um plano? O ChatGPT faz pergunta?
- Edite o plano do Gemini pra restringir a 2023-2024 e a bancos com carteira acima de X. Veja se o relatório final respeita.
- No ChatGPT, responda a clarificação com as mesmas restrições. Compare o relatório final.
- Pra cada relatório, conte quantas afirmações têm citação clicável e quantas aparecem sem fonte. Isso é a métrica de proveniência que a interface deveria tornar óbvia.
Depois, tente reproduzir o mínimo da interface no seu próprio projeto. O snippet HTML acima roda sem framework. Troque o data-status dos passos via JS enquanto chama uma API longa, e você tem o esqueleto do padrão. A partir daí, as decisões difíceis (quanto detalhe mostrar, quando pedir clarificação, como marcar proveniência) são contextuais ao seu domínio, não copiáveis.





