{"id":813,"date":"2026-10-31T18:33:34","date_gmt":"2026-10-31T21:33:34","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/interface-deep-research-google-perplexity-openai\/"},"modified":"2026-10-31T18:33:34","modified_gmt":"2026-10-31T21:33:34","slug":"interface-deep-research-google-perplexity-openai","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/interface-deep-research-google-perplexity-openai\/","title":{"rendered":"Interface de Deep Research: Como Google, Perplexity e OpenAI Resolvem o Problema da Espera Longa"},"content":{"rendered":"<p>O artigo <em>Beyond chatbots: UX for deep AI research<\/em>, publicado no UX Collective, discute como Google, Perplexity e Microsoft est\u00e3o desenhando interfaces para pesquisa profunda com IA, aquela que leva minutos e n\u00e3o segundos. A documenta\u00e7\u00e3o oficial da Gemini, da OpenAI, an\u00e1lises comparativas e padr\u00f5es de interface j\u00e1 publicados sobre agentes foram consultados para reconstruir o pano de fundo. Vamos explorar o mecanismo primeiro, depois o que isso significa na implementa\u00e7\u00e3o.<\/p>\n<h2>O problema real que uma interface de deep research precisa resolver<\/h2>\n<p>Chatbot comum \u00e9 pergunta e resposta em segundos. Deep research \u00e9 outra coisa. Sistemas de deep research investigam uma pergunta em muitas fontes ao longo de minutos ou horas e retornam um relat\u00f3rio com cita\u00e7\u00f5es verific\u00e1veis, uma opera\u00e7\u00e3o diferente de um chatbot respondendo instantaneamente. A pr\u00f3pria OpenAI reconhece esse trade-off: recomenda usar para perguntas dif\u00edceis em que confiabilidade importa mais que velocidade, e esperar alguns minutos vale a pena.<\/p>\n<p>Isso cria tr\u00eas problemas de interface que n\u00e3o existem no chat normal:<\/p>\n<ul>\n<li>O usu\u00e1rio precisa confiar o suficiente pra esperar cinco, dez, trinta minutos sem fechar a aba.<\/li>\n<li>O sistema precisa chegar ao escopo certo antes de gastar esses minutos, porque errar escopo \u00e9 caro em tempo e em custo de tokens.<\/li>\n<li>O resultado final \u00e9 longo e precisa deixar claro de onde cada afirma\u00e7\u00e3o veio, caso contr\u00e1rio vira um blob de texto que ningu\u00e9m verifica.<\/li>\n<\/ul>\n<p>Cada um dos tr\u00eas players ataca esses problemas com uma escolha diferente, e a diferen\u00e7a \u00e9 observ\u00e1vel.<\/p>\n<h2>Como funciona o mecanismo em cada ferramenta<\/h2>\n<h3>Gemini: plano expl\u00edcito antes de executar<\/h3>\n<p>Gemini pode gerar autonomamente um plano multi-etapa a partir da interpreta\u00e7\u00e3o da query inicial. Esse plano lista as sub-tarefas e \u00e2ngulos que o sistema pretende explorar. O Gemini ent\u00e3o apresenta esse plano ao usu\u00e1rio para revis\u00e3o e aprova\u00e7\u00e3o. O usu\u00e1rio pode ler, editar, adicionar restri\u00e7\u00f5es ou remover sub-tarefas. Quando aprova, o sistema come\u00e7a a pesquisa.<\/p>\n<p>Na pr\u00e1tica da interface, depois que voc\u00ea submete, o Gemini monta o plano e mostra num card com bot\u00f5es Edit plan e Start research. O card lista os est\u00e1gios do plano, tipicamente Research Websites com sub-perguntas, depois Analyze Results, depois Create Report, com um tempo estimado.<\/p>\n<p>O mecanismo aqui \u00e9 separar &#8220;interpretar a inten\u00e7\u00e3o&#8221; de &#8220;gastar tempo e tokens executando&#8221;. A inten\u00e7\u00e3o \u00e9 barata de errar, d\u00e1 pra editar em dez segundos. A execu\u00e7\u00e3o \u00e9 cara. Ent\u00e3o existe um ponto de aprova\u00e7\u00e3o expl\u00edcito entre as duas.<\/p>\n<h3>OpenAI: pergunta de clarifica\u00e7\u00e3o antes de come\u00e7ar<\/h3>\n<p>OpenAI escolheu outro caminho. A arquitetura da Deep Research da OpenAI usa clarifica\u00e7\u00e3o interativa. O agente n\u00e3o come\u00e7a um processo longo de pesquisa imediatamente. Em vez disso, pode fazer perguntas de acompanhamento ao usu\u00e1rio. Essas perguntas s\u00e3o desenhadas pra refinar o escopo, clarificar objetivos e confirmar exatamente qual informa\u00e7\u00e3o o usu\u00e1rio quer.<\/p>\n<p>Isso \u00e9 diferente do plano do Gemini. O Gemini mostra uma hip\u00f3tese completa do que vai fazer e deixa voc\u00ea editar. A OpenAI mostra as lacunas da sua pergunta e te obriga a fechar antes. As duas resolvem o mesmo problema (n\u00e3o gastar dez minutos pesquisando a coisa errada), mas uma coloca o \u00f4nus no sistema (propor um plano) e a outra no usu\u00e1rio (responder perguntas).<\/p>\n<p>Vale notar que isso \u00e9 escolha de produto, n\u00e3o de modelo. A Deep Research API da OpenAI pula a etapa de clarifica\u00e7\u00e3o. Como desenvolvedor, voc\u00ea pode configurar esse passo de processamento para reescrever o prompt do usu\u00e1rio ou fazer perguntas de clarifica\u00e7\u00e3o, j\u00e1 que o modelo espera prompts totalmente formados e n\u00e3o vai pedir contexto adicional; ele simplesmente come\u00e7a a pesquisa com o input que recebe. Ou seja, o que parece comportamento do modelo \u00e9 na verdade um wrapper acima dele.<\/p>\n<h3>Perplexity: resposta primeiro, trilha depois<\/h3>\n<p>Perplexity tem a heran\u00e7a de buscador. A escolha de interface reflete isso: as respostas colocam as fontes no topo de cada resposta. No modo deep research, o padr\u00e3o \u00e9 o mesmo levado adiante: resposta primeiro; passos da pesquisa e links dispon\u00edveis como camadas mais profundas.<\/p>\n<p>Isso \u00e9 progressive disclosure aplicada a resultado de agente. O usu\u00e1rio comum v\u00ea a resposta. O usu\u00e1rio que precisa auditar expande e v\u00ea os passos. Essa separa\u00e7\u00e3o n\u00e3o \u00e9 cosm\u00e9tica, \u00e9 o que impede que o sistema puna o usu\u00e1rio casual com uma parede de logs sem perder a auditabilidade pra quem precisa.<\/p>\n<h2>O padr\u00e3o por tr\u00e1s das tr\u00eas escolhas<\/h2>\n<p>Se voc\u00ea olhar as tr\u00eas interfaces lado a lado, aparece um padr\u00e3o comum: opera\u00e7\u00e3o longa precisa ser quebrada em fases vis\u00edveis, e cada fase tem um tipo de affordance diferente.<\/p>\n<p>A documenta\u00e7\u00e3o de padr\u00f5es de API do Google chama isso de long-running operation: o padr\u00e3o retorna uma opera\u00e7\u00e3o 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 \u00e9 backend. A interface precisa espelhar isso, caso contr\u00e1rio o usu\u00e1rio olha pra tela parada e assume que travou.<\/p>\n<p>A Smashing Magazine descreveu uma estrutura pr\u00e1tica pra isso: a f\u00f3rmula de update de agente tem tr\u00eas partes: uma palavra de a\u00e7\u00e3o forte, o item espec\u00edfico em que a IA est\u00e1 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 exp\u00f5e cada passo planejado que o agente vai dar. Destaca claramente o passo atual, marca os anteriores como completos e lista os futuros como pendentes.<\/p>\n<p>\u00c9 o que o Gemini faz com o card de plano, o que a Perplexity faz com os passos expans\u00edveis e o que o ChatGPT Deep Research faz com o feed de &#8220;procurando sobre X&#8221;. Tr\u00eas implementa\u00e7\u00f5es, mesmo mecanismo: declare o que vai acontecer, mostre em que fase est\u00e1, deixe espa\u00e7o pra inspecionar.<\/p>\n<h2>O que isso significa quando voc\u00ea vai implementar<\/h2>\n<p>Vou traduzir isso em c\u00f3digo. Se voc\u00ea est\u00e1 construindo uma interface pra uma opera\u00e7\u00e3o longa de IA, tr\u00eas coisas precisam estar presentes no DOM desde o primeiro segundo:<\/p>\n<pre><code>&lt;section aria-live=\"polite\" aria-busy=\"true\" data-phase=\"planning\"&gt;\n &lt;h2&gt;Pesquisando: impacto do PIX em bancos de m\u00e9dio porte&lt;\/h2&gt;\n\n &lt;ol class=\"research-plan\"&gt;\n &lt;li data-status=\"done\"&gt;Definir escopo e per\u00edodo&lt;\/li&gt;\n &lt;li data-status=\"active\" aria-current=\"step\"&gt;\n Buscar relat\u00f3rios do Banco Central (2021-2024)\n &lt;\/li&gt;\n &lt;li data-status=\"pending\"&gt;Comparar com dados de bancos listados&lt;\/li&gt;\n &lt;li data-status=\"pending\"&gt;Sintetizar relat\u00f3rio&lt;\/li&gt;\n &lt;\/ol&gt;\n\n &lt;details&gt;\n &lt;summary&gt;Ver logs da busca atual&lt;\/summary&gt;\n &lt;pre&gt;...&lt;\/pre&gt;\n &lt;\/details&gt;\n&lt;\/section&gt;\n<\/code><\/pre>\n<p>Pontos que n\u00e3o s\u00e3o decorativos:<\/p>\n<ul>\n<li><code>aria-live=\"polite\"<\/code> faz o leitor de tela anunciar mudan\u00e7as de fase sem interromper o usu\u00e1rio. Sem isso, pessoa cega n\u00e3o sabe que algo mudou.<\/li>\n<li><code>aria-busy<\/code> comunica estado de opera\u00e7\u00e3o em andamento. Reflete o <code>data-phase<\/code>, que \u00e9 o que seu CSS e seu JS consultam.<\/li>\n<li><code>aria-current=\"step\"<\/code> no item ativo \u00e9 a sem\u00e2ntica que o leitor de tela entende como &#8220;estou aqui&#8221;.<\/li>\n<li><code>&lt;details&gt;<\/code> \u00e9 o progressive disclosure nativo. N\u00e3o precisa de JS pra expandir e j\u00e1 vem acess\u00edvel de f\u00e1brica.<\/li>\n<\/ul>\n<p>No Gemini Deep Research, fontes adicionais aparecem s\u00f3 depois que o usu\u00e1rio expande o sum\u00e1rio. \u00c9 o mesmo princ\u00edpio do <code>&lt;details&gt;<\/code>, s\u00f3 que escrito num framework. N\u00e3o h\u00e1 m\u00e1gica.<\/p>\n<p>Em dashboard denso em dados de medi\u00e7\u00e3o de m\u00eddia, eu j\u00e1 vi o custo oposto desse padr\u00e3o. Quando voc\u00ea virtualiza lista pra ganhar performance de render, o <code>Ctrl+F<\/code> do navegador para de achar texto que n\u00e3o est\u00e1 no DOM, e leitor de tela tamb\u00e9m n\u00e3o encontra. Progressive disclosure com <code>&lt;details&gt;<\/code> n\u00e3o tem esse problema porque o conte\u00fado est\u00e1 no DOM, s\u00f3 est\u00e1 colapsado. Vale a pena preferir isso antes de partir pra virtualiza\u00e7\u00e3o.<\/p>\n<h2>Onde esse padr\u00e3o quebra<\/h2>\n<p>Interface boa de deep research n\u00e3o \u00e9 s\u00f3 uma pergunta de design, tem tr\u00eas lugares onde ela quebra na vida real.<\/p>\n<p><strong>Primeiro, trace bruto confunde mais do que esclarece.<\/strong> Mostrar &#8220;estou pensando em X, n\u00e3o, melhor Y, voltando pra X&#8221; d\u00e1 a sensa\u00e7\u00e3o de sistema confuso. Pesquisa mostra que traces brutos de racioc\u00ednio podem levar usu\u00e1rios a pensar que o modelo est\u00e1 indo pra um beco sem sa\u00edda quando na verdade est\u00e1 convergindo pra resposta certa. A camada vis\u00edvel tem que ser mais editada que a trace de execu\u00e7\u00e3o.<\/p>\n<p><strong>Segundo, apresentar sa\u00edda de IA com o mesmo tratamento visual que conte\u00fado verificado.<\/strong> Quando uma interface apresenta conte\u00fado gerado por IA com o mesmo tratamento visual que conte\u00fado verificado por humano, implicitamente sinaliza finalidade. Essa \u00e9 a falha de design por tr\u00e1s da automa\u00e7\u00e3o ing\u00eanua: a interface n\u00e3o distingue entre &#8220;o agente produziu isso&#8221; e &#8220;um humano revisou e aprovou isso&#8221;. Progressive disclosure resolve isso tornando a proveni\u00eancia vis\u00edvel, um indicador sutil de que o conte\u00fado \u00e9 gerado por IA, com caminho pra evid\u00eancia.<\/p>\n<p>Num construtor de landing page que tirou a cria\u00e7\u00e3o de p\u00e1gina da fila da engenharia, esse foi exatamente o custo invis\u00edvel. Dar liberdade de montagem ao marketing significa aceitar p\u00e1gina fora do design system, a menos que o pr\u00f3prio builder imponha o limite. \u00c9 o mesmo mecanismo: se a interface n\u00e3o sinaliza o que foi gerado automaticamente, o usu\u00e1rio trata tudo como validado, e a\u00ed o erro aparece l\u00e1 na frente, caro.<\/p>\n<p><strong>Terceiro, follow-up em sess\u00e3o longa degrada.<\/strong> A capacidade de follow-up do Gemini pode deteriorar. Se as respostas parecem estranhas, comece uma sess\u00e3o nova. Isso \u00e9 um limite de contexto, n\u00e3o de interface, mas a interface precisa comunicar. Se o seu produto deixa o usu\u00e1rio conversar indefinidamente sobre o relat\u00f3rio, em algum momento o modelo vai perder o fio e come\u00e7ar a inventar. Bot\u00e3o de &#8220;nova sess\u00e3o com este relat\u00f3rio como contexto&#8221; \u00e9 melhor que fingir que a conversa \u00e9 infinita.<\/p>\n<h2>O que ainda n\u00e3o d\u00e1 pra afirmar<\/h2>\n<p>N\u00e3o testei lado a lado qual abordagem (plano aprov\u00e1vel do Gemini versus clarifica\u00e7\u00e3o da OpenAI) resulta em melhor qualidade final de relat\u00f3rio. Compara\u00e7\u00f5es p\u00fablicas existem mas s\u00e3o aned\u00f3ticas, e a qualidade depende muito do dom\u00ednio da pergunta.<\/p>\n<p>Tamb\u00e9m n\u00e3o h\u00e1 dado p\u00fablico s\u00f3lido sobre taxa de abandono em opera\u00e7\u00f5es longas de deep research. Faz sentido supor que progresso vis\u00edvel reduz abandono, mas supor n\u00e3o \u00e9 medir. Se voc\u00ea est\u00e1 construindo um produto desses, instrumente isso voc\u00ea mesmo antes de decidir onde investir.<\/p>\n<p>O artigo original do UX Collective mencionava a Microsoft, mas n\u00e3o h\u00e1 acesso ao texto devido a bloqueio de Cloudflare, ent\u00e3o n\u00e3o vou especular sobre o que ele diz especificamente da abordagem da Microsoft. O padr\u00e3o geral descrito aqui, com plano, progresso vis\u00edvel e proveni\u00eancia das fontes, aparece tamb\u00e9m no Copilot Research, mas confirme na documenta\u00e7\u00e3o oficial antes de citar.<\/p>\n<h2>Como testar isso voc\u00ea mesmo<\/h2>\n<p>Um experimento pequeno pra sentir o padr\u00e3o na pele:<\/p>\n<ol>\n<li>Fa\u00e7a a mesma pergunta de pesquisa, com escopo mal definido de prop\u00f3sito, no Gemini Deep Research e no ChatGPT Deep Research. Algo como &#8220;compare bancos digitais brasileiros&#8221;.<\/li>\n<li>Observe como cada um reage antes de come\u00e7ar. Anote: o Gemini te mostra um plano? O ChatGPT faz pergunta?<\/li>\n<li>Edite o plano do Gemini pra restringir a 2023-2024 e a bancos com carteira acima de X. Veja se o relat\u00f3rio final respeita.<\/li>\n<li>No ChatGPT, responda a clarifica\u00e7\u00e3o com as mesmas restri\u00e7\u00f5es. Compare o relat\u00f3rio final.<\/li>\n<li>Pra cada relat\u00f3rio, conte quantas afirma\u00e7\u00f5es t\u00eam cita\u00e7\u00e3o clic\u00e1vel e quantas aparecem sem fonte. Isso \u00e9 a m\u00e9trica de proveni\u00eancia que a interface deveria tornar \u00f3bvia.<\/li>\n<\/ol>\n<p>Depois, tente reproduzir o m\u00ednimo da interface no seu pr\u00f3prio projeto. O snippet HTML acima roda sem framework. Troque o <code>data-status<\/code> dos passos via JS enquanto chama uma API longa, e voc\u00ea tem o esqueleto do padr\u00e3o. A partir da\u00ed, as decis\u00f5es dif\u00edceis (quanto detalhe mostrar, quando pedir clarifica\u00e7\u00e3o, como marcar proveni\u00eancia) s\u00e3o contextuais ao seu dom\u00ednio, n\u00e3o copi\u00e1veis.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Como as interfaces de deep research da Gemini, Perplexity e ChatGPT lidam com plano, progresso e fontes. Padr\u00f5es t\u00e9cnicos para quem constr\u00f3i UI de agente.<\/p>\n","protected":false},"author":2,"featured_media":812,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-813","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/813","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=813"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/813\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/812"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=813"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=813"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=813"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}