Se o duplo diamante nos deu um processo claro para investigar, definir, criar e testar soluções, a IA entra como um multiplicador de capacidade. 

Ela não substitui nenhuma decisão editorial, mas ajuda a chegar mais rápido em etapas que antes dependiam de muitas horas de esforço manual — especialmente em equipes pequenas, com acúmulo de funções e pouco tempo disponível.

A lógica central continua sendo a mesma: valor para o usuário no centro, responsabilidade editorial como base e IA como ferramenta de apoio.

Definição de princípios para o uso ético da IA

Como vimos nas pesquisas iniciais do Krisis Lab, o uso de IA já é uma realidade nas redações e acontece de forma espontânea, descentralizada e, muitas vezes, sem diretrizes claras. Esse movimento traz oportunidades importantes, mas também aumenta a responsabilidade das organizações em definir como, quando e por quê a IA deve ser utilizada.

Assim como cada redação tem sua própria linha editorial, cultura de trabalho e modelo de operação, também é necessário construir políticas específicas de uso de IA que reflitam seus valores, seus limites e seus contextos. 

Incentivamos que cada organização desenvolva seus próprios parâmetros transparentes, revisáveis e adaptados à sua realidade.

Diversos veículos já criaram guias públicos que podem servir de referência:

• Núcleo Jornalismo: publicou um guia em maio de 2023 com limites de usos permitidos na organização

• Estadão: lançou uma política institucional de uso de IA em novembro de 2023, na qual estabelece regras como revisão obrigatória por humanos antes da publicação de qualquer texto gerado com IA

• Associated Press: o guia da agência de notícias estabelece a proibição do uso do ChatGPT para criação de conteúdo publicável e define que o jornalista segue responsável pela precisão e imparcialidade das informações

• The New York Times: o jornal norte-americano formalizou em maio de 2024 seus princípios de IA generativa. O texto estabelece que qualquer uso de IA deve começar com informações verificadas pelos repórteres e será revisado por editores humanos

Esses documentos mostram caminhos possíveis. Todos eles têm em comum a premissa de que a IA não substitui responsabilidade editorial, nem a verificação humana.

No contexto específico do desenvolvimento de produto no jornalismo, também é importante partir dessa premissa e criar parâmetros para a utilização da IA. 

Abaixo, apresentamos uma sugestão inicial de princípios gerais, que podem servir como ponto de partida para a construção de políticas específicas em cada redação:

Esses princípios funcionam como um convite para que cada redação transforme essas diretrizes em políticas vivas, revisadas regularmente e alinhadas à sua missão editorial. 

Aplicando a IA

Feita a reflexão sobre a importância da criação de uma política de IA, vamos ao mapeamento sobre onde a IA faz diferença no desenvolvimento de produto no jornalismo e como pode ajudar em cada fase do framework.

Fase zero: stakeholders e contexto

Como a IA ajuda

• Organiza e sintetiza informações sobre stakeholders coletadas em pesquisas, documentos ou entrevistas internas.

• Cria resumos e mapas iniciais de influência (ex.: quem toma decisões, quem é afetado, quem precisa ser alinhado).

Por que é útil: Em redações pequenas, costuma faltar clareza sobre papéis e responsabilidades. A IA ajuda a criar uma visão inicial rápida, para que o time possa partir de uma estrutura organizada para validação.

Etapa 1: imersão e pesquisa (apurar do produto)

Aqui, a IA se torna uma aliada especialmente importante porque grande parte dessa etapa envolve coleta, organização e síntese de informações.

1. Desk research

Como a IA apoia

• Gera resumos de relatórios e apoia em pesquisas públicas, que sempre devem ser validadas por humanos

• Identifica padrões, tendências e temas recorrentes

• Cria tabelas comparativas e sínteses para validação

  
  

Por que é útil: reduz drasticamente o tempo de leitura inicial, liberando energia para a interpretação profunda, a parte que só o jornalismo pode fazer.

2. Matriz CSD (Certezas, Suposições, Dúvidas)

Como a IA apoia

• Reorganiza dados brutos em categorias C-S-D

• Aponta inconsistências ou lacunas

• Ajuda a transformar suposições em perguntas de pesquisa

Por que é útil: a matriz CSD costuma travar times sem prática em produto. A IA ajuda a estruturar o pensamento, mas é o time que decide o que é fato e o que ainda é suposição.

3. Entrevistas com usuários 

Como a IA apoia

• Transcreve entrevistas 

• Organiza e agrupa falas por temas

• Cria sínteses iniciais por tópico, dor ou oportunidade

• Ajuda a identificar padrões de comportamento

Cuidados: a análise inicial da IA poupa tempo na geração inicial de insights. Porém é importante lembrar que ela não interpreta emoção, contexto cultural ou nuances editoriais. 

4. Personas

Como a IA apoia

• Transforma dados de entrevistas/banco de dados e pesquisas em rascunhos de personas a serem validados

• Gera versões alternativas para comparação

• Ajuda a validar se a persona é consistente

Cuidados: como sabemos, a IA tem vieses que podem aparecer na hora de criar padrões de comportamento e sugestões de personas. Por isso, deve-se considerar a versão inicial da inteligência artificial como algo a ser lapidado e corrigido pelo olhar humano. 

Etapa 2: transformar insights em oportunidades (definir)

1. Matriz Esforço vs. Impacto

Como a IA apoia

• Ajuda a estimar esforço técnico ou editorial com base em experiências similares

• Gera visualizações rápidas

• Sugere critérios de priorização

Por que é útil: priorizar com clareza é o passo mais importante para não desperdiçar energia. A IA entra como uma sugestão inicial a ser validada com a equipe, que é quem de fato vai desenvolver a solução.

2. HMW — How Might We

Como a IA apoia

• Ajuda a converter dores em perguntas “como podemos…”

• Gera múltiplas versões para discussão do time

• Ajuda a destravar a visão criativa

Por que é útil: a IA, mais uma vez, atua como ponto de partida para decisões.

Um exemplo prático: ao constatar que a seguinte hipótese é verdadeira,“Os leitores não conseguem acompanhar notícias longas no celular”, a IA consegue destrinchá-la em perguntas para serem discutidas em equipe:

• “Como podemos aumentar a compreensão em telas pequenas?”

• “Como podemos adaptar longform para consumo fragmentado?”

• “Como podemos reduzir fricção na leitura mobile?”

  
  

3. Proposta de valor

Como a IA apoia

• Gera versões iniciais

• Ajuda a comparar mensagens

• Resume argumentos

  
  

Cuidados: aqui vale lembrar que a essência editorial é humana. A IA não decide o propósito do produto, apenas ajuda a articulá-lo.

Etapa 3:  ideação (produzir)

1. Brainstorming estruturado

Como a IA apoia

• Gera listas iniciais de possibilidades

• Amplia repertório

• Cria analogias com outros setores

  
  

Por que é útil: a IA serve para destravar o processo e dar o pontapé inicial na discussão das equipes, principalmente para aquelas que não têm tanta experiência com desenvolvimento de produtos. 

2. Categorização

Como a IA apoia

• Organiza ideias em clusters temáticos

• Agrupa conceitos

• Sugere relações que o time pode avaliar

  
  

Por que é útil: proporciona uma visão inicial mais clara, mais rápida e menos caótica.

Agora, chegamos a outro momento do processo de ideação em que é necessário fazer uma priorização e decisão da solução. Neste momento, a IA pode ajudar com:

1. Matriz ICE

Como a IA apoia

• Gera estimativas iniciais de Impacto, Confiança e Esforço

Por que é útil: times pequenos podem subestimar esforço e impacto na hora de realizar as atividades de desenvolvimento. A IA atua, mais uma vez, como um primeiro passo nas estimativas a serem refletidas pelo grupo. 

2. MVP

Como a IA apoia

• Faz sugestões sobre “o mínimo que precisa existir” para que a solução funcione

• Pode ajudar na criação de fluxos e jornadas do usuário

• Sugere caminhos de simplificação

  
  

Cuidados: ao usar a IA para pensar sobre o MVP de uma solução, é necessário afinar ao máximo o prompt que será utilizado, para que a ferramenta entenda da melhor maneira o contexto com o qual se está trabalhando. Por isso, é relevante adicionar o máximo de informações possíveis, da maneira mais organizada que você conseguir. 

3. Definição de métricas

Como a IA apoia

• Sugere métricas específicas para o tipo de produto

• Traduz métricas complexas em explicações compreensíveis

Por que é útil: a criação de métricas é uma parte essencial no processo de desenvolvimento de produto por cria os parâmetros para o acompanhamento da solução. Sem métricas bem definidas e metas factíveis, não é possível entender se o produto está dando certo (seja qual for o seu contexto) ou não. 

Sabemos que no contexto das redações independentes, muitos veículos não trabalham diretamente com OKRs e KPIs. Nesse sentido, a IA pode atuar como um gerador de sugestões para um primeiro passo na mudança cultural da organização.

Etapa 4: prototipar, testar e validar (editar e distribuir)

Aqui entra uma das partes em que a IA mais acelera o processo de desenvolvimento de produto.

1. Prototipação

Como a IA apoia

• Criação de wireframes

• Idealização de fluxos de telas

• Rascunhos de interfaces

• Exemplos de possíveis caminhos editoriais

• Simulações do produto em uso

  
  

Cuidados: isso tudo deve ser feito apenas no ambiente de teste. O julgamento final ainda deve ser humano e nada deve tornar-se público sem o aval da equipe.

2. Testes de usabilidade

Como a IA apoia

• Analisa transcrições

• Agrupa feedback por temas

• Ajuda a identificar padrões

• Sugere hipóteses de melhoria

  
  

Por que é útil: assim como na pesquisa com usuário, a IA poupa o tempo inicial na geração de insights dos testes de usabilidade e ajuda a equipe a entender quais são os pontos de atenção para melhoria da solução.