Toda vez que uma ferramenta democratiza a produção visual, passamos por uma fase de enfeiamento coletivo, reações e estabilização. Já aconteceu com o WordArt, com os templates do PowerPoint, do Canva e agora com IA generativa. Só que dessa vez não é só um problema visual — é uma questão de viés de dados também.

Na superfície, a crise estética da IA se parece bastante com quando o Word disponibilizou templates já diagramadas de diversos tipos de itens de papelaria — o famoso WordArt, que originou o Desktop Publishing Revolution. Eu ainda lembro bem quando descobri a mágica de como fazer um título curvado para as capas dos meus trabalhos de escola e achei que estava arrasando — até descobrir que a professora achava feio e me descontou nota porque achava que meus cartazes manuais eram mais interessantes. Talvez essa tenha sido minha primeira lição de design.

wordart is my passion

Essa tensão entre democratização e qualidade não é nova no design. Em 1993, Steven Heller publicou “Cult of the Ugly” na Eye Magazine, criticando o design gráfico “feio” resultante do Desktop Publishing. Feio, mas adotado em massa por causa da popularização de ferramentas como Word. Dez anos depois, Virginia Postrel observou em The Substance of Style o outro resultado dessa popularização: que a democratização do design via computador, apesar da fase inicial feia, acabou tornando mais pessoas sensíveis à qualidade visual. O padrão parece se repetir: uma ferramenta nova democratiza a produção, passa por uma fase de enfeiamento coletivo, e eventualmente amadurece — não porque a ferramenta melhora, mas porque as pessoas desenvolvem repertório.

Corta para 2026 e temos IA fazendo mais ou menos o mesmo papel. O que antes era uma montagem no PowerPoint com foto de paisagem e texto em Comic Sans agora é uma imagem gerada no Gemini — mudou a ferramenta, mas o impulso e o resultado são os mesmos. No nível corporativo, tenho visto desenvolvedores, PMs e analistas de dados explorarem novos horizontes visuais com IA generativa. Por um lado, acho interessante: aproxima os dois mundos, o visual e o escrito, oferecendo a quem trabalha primariamente com texto e código a possibilidade de se comunicar visualmente. Parte do meu trabalho como líder de design tem consistido em pedir para o time incluir nos prompts da IA as regras do brand book da empresa, porque de outra forma fica tudo parecendo que pertence à empresa dona dos modelos de IA.

Mas a tensão hoje é mais complexa do que só uma estética feia — é também uma questão cultural profundamente enraizada na economia de dados.

O LAION-5B, um dos maiores datasets usados para treinar modelos de imagem, contém 89% de representação de artefatos culturais ocidentais contra 12,7% de não-ocidentais, com 78% das fontes em inglês vindas da América do Norte e Europa e apenas 6% da África ou Ásia (Said et al., 2025). A própria OpenAI reconheceu em documentos internos que o DALL-E 3 tem “tendência a um ponto de vista ocidental” (Washington Post, 2023). E um estudo da Carnegie Mellon (Taylor et al., 2026) mostrou que o filtro estético usado para curar esses datasets — o LAION-Aesthetics Predictor — foi treinado com base no gosto de fotógrafos anglófonos e entusiastas ocidentais de IA. Esse filtro dá notas altas a paisagens e retratos realistas e notas baixas a Picasso, Warhol e Dalí.

Em outras palavras, o sistema que decide o que é “bonito” para treinar IA generativa reprovaria boa parte da história da arte do século XX.

O Gemini provavelmente opera com a mesma lógica, embora os datasets do Google sejam proprietários e menos transparentes. Quando seus times criam gráficos no Gemini e tudo parece saído do Google, não é coincidência — o modelo foi treinado numa estética que reflete quem o construiu.

Na mesma linha, um estudo da Cornell (Agarwal et al., 2025) demonstrou que o mecanismo de homogeneização funciona também no texto: participantes indianos que usaram sugestões de IA passaram a escrever de forma mais parecida com o estilo americano, mas o contrário não aconteceu. A IA empurrou a escrita indiana em direção a padrões ocidentais, alterando não apenas o que foi escrito, mas como. E o mais preocupante: quanto mais usuários aceitam essas sugestões, mais o conteúdo online se conforma a normas ocidentais, alimentando os dados de treinamento dos próximos modelos. O viés se autoalimenta.

A homogeneização não é só estética, é cultural. E não é acidental — é estrutural.

No meu dia a dia como líder de design, tenho tentado usar esse contexto para criar processos agnósticos de design com e para IA. Criei guidelines de uso de IA para o time e instituí um sistema de Human-in-the-loop em pontos críticos: artefatos-chave precisam de aprovação humana antes de avançar. O que define um artefato-chave depende do contexto. Eu quase sempre opto por defini-los em séries de workshops participativos com o time, a partir de uma análise histórica do que a empresa já entregou, do que foi contratado e do que queremos entregar no futuro em termos de código e design. Também instituí um gatekeeping no processo de desenvolvimento: não se abre código sem antes explorar o problema corretamente.

Na prática, o esforço é um só: fazer com que as pessoas não troquem seu senso crítico pela conveniência da IA, mas usem a ferramenta no que ela faz bem. Porque se o padrão histórico nos ensina alguma coisa — do WordArt ao Canva — é que a maturação nunca veio da ferramenta. Veio das pessoas que aprenderam a usá-la com repertório. Dessa vez, repertório inclui saber de onde vêm os dados e fazer um esforço consciente para mitigar os efeitos negativos desse viés.

Referências

Heller, S. (1993). “Cult of the Ugly.” Eye Magazine, Vol. 3, No. 9.

Postrel, V. (2003). The Substance of Style: How the Rise of Aesthetic Value Is Remaking Commerce, Culture, and Consciousness. HarperCollins.

Said, M.N. et al. (2025). “Deconstructing Bias: A Multifaceted Framework for Diagnosing Cultural and Compositional Inequities in Text-to-Image Generative Models.” ICLR 2025 Workshop on Synthetic Data. arxiv.org/abs/2505.01430

Taylor, J. et al. (2026). “The Algorithmic Gaze of Image Quality Assessment: An Audit and Trace Ethnography of the LAION-Aesthetics Predictor.” Carnegie Mellon University. arxiv.org/abs/2601.09896

Agarwal, D., Naaman, M. & Vashistha, A. (2025). “AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances.” CHI 2025. Cornell University. arxiv.org/abs/2409.11360

Tiku, N. (2023). “AI generated images are biased, showing the world through stereotypes.” The Washington Post. washingtonpost.com