Stingray Model: repensando o processo de design
Artigo
Existe uma mudança silenciosa acontecendo no design de produtos digitais. Durante muito tempo, a principal dificuldade era acessar informação suficiente para entender um problema. Hoje, o cenário é o oposto: temos dados em abundância, feedbacks contínuos de usuários e ferramentas capazes de gerar e testar soluções em uma velocidade que simplesmente não existia alguns anos atrás.
Esse novo contexto não invalida os modelos clássicos de design, mas expõe uma limitação prática deles. Frameworks como o Double Diamond foram estruturados em uma lógica sequencial porque, historicamente, o processo dependia fortemente de esforço humano manual. Era necessário separar claramente o momento de entender o problema do momento de construir a solução, porque cada etapa exigia tempo, energia e foco distintos.
O Stingray Model surge justamente como uma resposta a esse novo cenário. Ele não propõe jogar fora o que já funciona, mas sim adaptar a forma como o processo acontece quando você tem inteligência artificial atuando como suporte ao longo de toda a jornada.
Para entender o Stingray, é importante olhar com mais atenção para o comportamento do Double Diamond no dia a dia, não só na teoria.
Na prática, o modelo incentiva uma sequência relativamente rígida: primeiro você diverge para entender o problema, depois converge para defini-lo com clareza, só então começamos a explorar soluções, para finalmente validar e entregar. Esse fluxo funciona bem quando você precisa estruturar pensamento do zero.
Contudo, o problema aparece quando essa linearidade entra em conflito com a velocidade exigida nos tempos atuais.
Por exemplo, imagine um cenário comum: você tem centenas de feedbacks de usuários, dados de uso, tickets de suporte e métricas de comportamento, no Double Diamond tradicional, grande parte do esforço inicial seria em organizar manualmente tudo isso para chegar a uma definição clara do problema, para só depois disso começarmos a explorar soluções.
Já no Stingray model o que se questiona não é a importância de entender bem o problema, mas o custo de tempo dessa separação rígida. Quando você já tem ferramentas capazes de acelerar drasticamente a análise de dados e a geração de hipóteses, faz menos sentido esperar um entendimento “completo” antes de começar a testar caminhos de solução.
Além disso, existe um outro efeito colateral: quando a validação acontece mais tarde no processo, decisões importantes acabam sendo tomadas com base em hipóteses ainda pouco testadas. Isso tende a aumentar o risco de retrabalho, porque erros só são percebidos depois que já houve um investimento maior na solução.
O Stingray Model propõe uma mudança sutil, mas profunda no cenário de projetos: ele quebra a ideia de que problema e solução precisam ser tratados em momentos distintos, em vez disso, ele assume que o entendimento do problema é algo que evolui continuamente ao longo do projeto, e que, muitas vezes, só se torna realmente claro quando você começa a tentar resolvê-lo.
Essa mudança altera completamente a dinâmica do processo, pois ao invés de se trabalhar em blocos sequenciais, o time passa a operar em ciclos curtos de aprendizado, onde análise, ideação e validação acontecem de forma interligada.
Isso não significa trabalhar de forma desorganizada, pelo contrário, o modelo continua estruturado em três grandes momentos: Train, Develop e Iterate, contudo, vale ressaltar, que esses momentos deixam de ser fases isoladas no processo e passam a funcionar como camadas que se sobrepõem e interagem entre si.
O resultado disso é um processo muito mais adaptativo, onde decisões são constantemente revisadas à medida que novas evidências e aprendizados surgem.
Um dos pontos quando se fala em IA no design é a ideia de substituição do profissional, existe uma ideia rasa muitas vezes alimentadas mais por medo de que a inteligência artificial vá assumir o papel criativo do designer.
O Stingray Model não segue essa linha, aqui a IA é tratada como uma ferramenta de ampliação cognitiva para o profissional, ela entra para resolver um problema muito específico: o limite humano de lidar com um grande volume e velocidade necessários nos dias atuais.
Por exemplo, quando um time precisa analisar uma grande quantidade de feedbacks, o processo manual tende a ser lento, sujeito a viés e limitado pela capacidade individual de quem está analisando, com a IA conseguimos acelerar esse trabalho, agrupando informações, identificando padrões recorrentes e sugerindo possíveis interpretações.
Isso muda o ponto de partida do designer em vez de começar do dado bruto, ele passa a começar de uma estrutura já organizada, o que permite focar mais rapidamente na tomada de decisão.
No entanto, essa eficiência tem um limite claro, a IA não entende contexto de negócio, não tem responsabilidade sobre impacto de produto e não faz julgamentos estratégicos, ela pode sugerir caminhos, mas não decide qual caminho seguir.
Por isso, o papel do designer não diminui, muito pelo contrário ele se torna mais estratégico, afinal a qualidade do resultado passa a depender menos da execução manual e mais da capacidade de interpretar, questionar e direcionar o uso da IA.
A seguir vamos começar a entender todas as fases deste novo modelo.
A primeira fase deste modelo é chamada de Train, dentro do Stingray, ela representa o momento em que o time estrutura o entendimento inicial do problema, em um modelo tradicional, essa etapa costuma ser extensa porque envolve coleta, organização e análise manual de dados.
Com o apoio da IA, esse cenário muda significativamente, afinal a capacidade de transformar dados dispersos em clusters de informação coerentes reduz drasticamente o tempo necessário para chegar a uma visão estruturada do problema. Feedbacks que antes precisavam ser lidos individualmente passam a ser agrupados automaticamente, permitindo identificar padrões de comportamento e dores recorrentes com muito mais rapidez.
Mas o ganho não é apenas de velocidade, existe também um ganho qualitativo, quando a análise deixa de ser limitada pelo esforço manual, o time consegue explorar mais profundamente as nuances dos dados. Padrões menos evidentes começam a aparecer, e hipóteses mais sofisticadas podem ser formuladas.
Outro ponto importante é que a geração de hipóteses deixa de depender exclusivamente da experiência individual do designer, a IA pode sugerir interpretações alternativas, o que amplia o repertório do time e reduz o risco de vieses, o efeito prático disso é que o entendimento do problema se torna não só mais rápido, mas também mais rico.
A fase de Develop é onde o Stingray mais rompe com a lógica tradicional, no Double Diamond, existe uma expectativa implícita de que você só deve começar a desenvolver soluções depois de ter uma definição relativamente consolidada do problema.
Já no Stingray propõe-se o contrário: começamos a explorar soluções enquanto o problema ainda está sendo entendido, essa abordagem pode parecer arriscada à primeira vista, mas na prática ela funciona como um mecanismo de aprendizado.
Pois quando você começa a materializar possíveis soluções, seja em forma de fluxos, wireframes ou protótipos, você passa criar artefatos que ajudam a testar sua própria compreensão do problema, e muitas vezes, inconsistências só ficam evidentes quando você tenta transformar uma ideia abstrata em algo concreto.
Neste sentido, a IA potencializa esse processo ao permitir gerar múltiplas variações de uma solução em pouco tempo, isso tende a reduzir o custo de explorar caminhos diferentes e incentiva uma abordagem mais ampla, onde várias hipóteses podem ser testadas em paralelo, esse ponto é crítico porque um dos maiores riscos em design é a fixação precoce em uma única solução.
Quando o processo favorece a exploração, o time aumenta significativamente as chances de encontrar alternativas mais eficazes.
No Stingray, a validação deixa de ser um checkpoint e passa a ser uma parte integrante do processo, isso significa que, à medida que soluções vão sendo exploradas, elas já podem ser testadas seja com usuários reais ou com simulações.
Essa mudança tem um impacto direto na qualidade das decisões, pois ao invés de acumular incertezas ao longo do processo, o time vai reduzindo essas incertezas de forma contínua, nesta etapa a IA desempenha um papel importante ao ajudar na leitura dos resultados, pois ela consegue identificar padrões em feedbacks, destacar pontos de fricção e sugerir melhorias com base no comportamento observado.
Mas, novamente, o valor não está na resposta automática, está na capacidade de acelerar o ciclo de aprendizado, quanto mais rápido o time consegue testar e interpretar resultados, mais rápido ele consegue evoluir a solução, sendo o resultado final é um processo com menos retrabalho e maior confiança nas decisões que estão sendo tomadas.
Uma das mudanças mais profundas trazidas pelo Stingray não está nas etapas do processo, mas na natureza do trabalho do designer, historicamente, grande parte da atuação estava concentrada em atividades operacionais: coletar dados, organizar informações, sintetizar insights e gerar ideias manualmente, veja, esse trabalho continua sendo importante, mas deixa de ser o centro da atuação.
Com a IA assumindo boa parte da carga operacional, o designer passa a atuar mais como um articulador estratégico do processo, ele precisa entender quais perguntas fazer, como interpretar os resultados gerados, como conectar diferentes insights e, principalmente, como tomar decisões coerentes com o contexto do produto.
Isso exige um nível maior de pensamento crítico e responsabilidade estratégica, claro nem tudo são flores, existe neste modelo um risco implícito, afinal quando a IA facilita a geração de respostas, existe uma tendência de aceitar essas respostas sem um questionamento profundo. Assim o papel do designer, nesse contexto, é justamente evitar isso, garantindo que o uso da IA amplifique a qualidade do trabalho, e não apenas a velocidade.
O Stingray Model não é uma solução universal, e essa é uma consideração muito importante.
Ele funciona especialmente bem em contextos onde há grande volume de dados, necessidade de velocidade e um certo grau de incerteza sobre o problema, produtos digitais com base ativa de usuários, ambientes com feedback constante e times que precisam iterar rapidamente são cenários onde o modelo mostra seu maior valor.
Por outro lado, em contextos onde há pouca disponibilidade de dados, uma alta regulação ou ciclos de desenvolvimento muito longos, a aplicação do modelo pode exigir adaptações, nesses casos, a lógica de experimentação contínua pode ser limitada por fatores externos ao processo de design.
Uma das vantagens reais do Stingray Model é que ele não é apenas conceitual, ele foi pensado já considerando o uso prático de ferramentas de inteligência artificial em cada momento do processo, mas aqui existe um ponto importante: não existe “a melhor ferramenta”, existe a ferramenta mais adequada para o tipo de tarefa que você está executando em cada fase.
Por exemplo, na fase de Train, o principal desafio é transformar volume de dados em entendimento estruturado, nesse contexto, ferramentas como o Perplexity AI são úteis para coleta de informação factual e rápida contextualização de temas, principalmente quando você precisa complementar dados internos com referências externas.
Já o ChatGPT entra como uma camada de síntese e interpretação, ajudando a agrupar feedbacks, sugerir padrões e estruturar hipóteses iniciais, para dar tangibilidade a esse pensamento, ferramentas como Miro ou Notion funcionam como suporte para externalizar raciocínio, organizar clusters e construir uma visão compartilhada do problema.
Quando o processo avança para Develop, o tipo de apoio muda, aqui, o foco deixa de ser análise e passa a ser geração e exploração, o próprio ChatGPT/Claude continua relevante, mas agora atuando mais na expansão de ideias, ajudando a gerar caminhos de solução, variações de fluxo e possibilidades de abordagem.
Ferramentas como Whimsical ou FigJam ganham espaço para estruturar jornadas, fluxos e arquitetura de informação de forma rápida, já para transformar essas ideias em algo visual, soluções como Visily ou Uizard permitem gerar telas iniciais com muito mais velocidade do que o processo tradicional, nesse momento, o Figma entra como camada de refinamento, onde as ideias deixam de ser exploratórias e começam a ganhar consistência e interação mais realista.
Já na fase de Iterate, o papel das ferramentas passa a ser validar e interpretar, plataformas como Maze permitem coletar dados reais de comportamento de usuários, reduzindo a dependência de opinião interna, já ferramentas como Uxie ajudam a simular cenários de uso antes mesmo de colocar algo em produção, o que acelera ciclos de aprendizado.
O ChatGPT/Claude volta a ser central na análise qualitativa, ajudando a identificar padrões em feedbacks e transformar dados brutos em insights acionáveis, já o Figma continua como base para ajustes contínuos, funcionando como o ambiente onde as iterações se materializam.
Quando um modelo como o Stingray começa a ser aplicado, algumas dúvidas aparecem de forma recorrente e elas fazem sentido, porque o modelo quebra algumas expectativas construídas pelos frameworks tradicionais.
Uma das primeiras dúvidas é sobre onde entra a pesquisa com usuários, existe uma tendência de imaginar que, por o modelo acelerar análise de dados, ele reduziria a importância da pesquisa qualitativa.
Na prática, acontece o contrário, no Stingray a pesquisa deixa de ser uma etapa concentrada no início e passa a acontecer de forma contínua, o time pode começar com análise de dados e feedbacks na fase de Train, mas entrevistas, testes de usabilidade e validações acontecem ao longo de todo o processo, especialmente durante Develop e Iterate, isso aumenta a proximidade com o usuário, em vez de reduzir.
Além disso, o Stingray Model não propõe, em nenhum momento, substituir a pesquisa com usuários, ao contrário ele reforça a importância dela. O que muda é a forma como essa pesquisa acontece dentro do processo.
Ao utilizar a inteligência artificial, o time consegue chegar mais preparado para essas conversas, com hipóteses mais bem estruturadas, padrões já identificados e caminhos mais claros para explorar. Isso torna cada interação com o usuário mais rica, mais focada e, principalmente, mais produtiva. Em vez de usar a pesquisa apenas para descobrir o óbvio, ela passa a ser um espaço de validação mais profunda, onde o time testa entendimentos, refina percepções e acessa nuances que os dados sozinhos não conseguem revelar.
Porque, no fim, por mais avançadas que sejam as ferramentas atuais, nada substitui o contato direto com pessoas reais, entendendo contexto, emoções, motivações e necessidades que não aparecem em métricas ou dados.
Afinal ao longo dos anos, tecnologias mudaram, linguagens evoluíram e ferramentas se transformaram, mas uma coisa permaneceu constante: produtos são feitos para pessoas, assim o modelo reconhece isso e, longe de reduzir o papel da pesquisa, busca potencializá-la.
Outra dúvida comum é se a IA substitui o trabalho do designer, essa como já vimos é provavelmente a interpretação mais perigosa, afinal a IA substitui tarefas específicas, principalmente aquelas relacionadas a volume e organização de informação, mas ela não substitui a capacidade de interpretar contexto, tomar decisões estratégicas ou entender nuances humanas.
O que muda é que o designer deixa de gastar energia com tarefas operacionais e passa a atuar mais como alguém que direciona o processo, se esse direcionamento não existir, a qualidade do resultado tende a cair, mesmo com o uso de IA.
Também é comum questionar se o modelo não mistura problema e solução cedo demais, o que poderia gerar decisões precipitadas, essa preocupação é válida dentro de uma lógica tradicional, mas no Stingray ela é mitigada pelo fato de que tudo acontece em ciclos curtos de validação, o objetivo não é decidir rápido, é aprender rápido, ao explorar soluções cedo, o time cria formas de testar seu entendimento do problema na prática, o que tende a aumentar e não diminuir a qualidade das decisões ao longo do tempo.
Outra questão frequente é se o modelo funciona sem inteligência artificial, a resposta é sim, ele pode ser aplicado sem IA no entanto, grande parte do ganho de velocidade e escala vem justamente do uso dessas ferramentas, sem IA, o modelo continua válido conceitualmente, mas perde eficiência operacional e tende a se aproximar mais de um processo tradicional.
Por fim, surge a preocupação com dependência excessiva de IA, esse é um risco real se o uso for acrítico, o Stingray não propõe que decisões sejam delegadas à IA, mas que a IA amplie a capacidade de exploração do time, o designer continua sendo responsável por interpretar resultados, validar hipóteses e tomar decisões estratégicas, quando isso não acontece, o processo pode até ficar mais rápido, mas não necessariamente melhor.
No fundo, essas dúvidas apontam para a mesma questão central: o valor do Stingray não está na automação do design, mas na forma como ele reorganiza o esforço do time.
Como vimos o Stingray Model não representa uma ruptura com os fundamentos do design, mas sim uma adaptação necessária a um novo contexto.
Ele mantém princípios essenciais, como a importância de entender o usuário, testar soluções e tomar decisões informadas, o que muda é a forma como esses princípios são aplicados em um ambiente onde velocidade e volume de informação são determinantes.
Assim a principal contribuição do modelo está em reduzir o tempo entre entender, criar e validar. Ao permitir que essas atividades aconteçam de forma mais integrada, ele transforma o processo em um ciclo contínuo de aprendizado.
No fim, o objetivo continua o mesmo de sempre: criar soluções melhores para os usuários, mas a diferença é que agora existe a possibilidade real de fazer isso com mais agilidade, mais profundidade e menos dependência de esforço manual, desde que o uso da inteligência artificial seja guiado por pensamento crítico e decisões bem fundamentadas.
