Usuários perdiam horas procurando arquivos que sabiam que existiam mas não conseguiam encontrar. A pesquisa revelou que o problema não era armazenamento — era busca por conteúdo. E conteúdo, para um jornalista, não tem nome de arquivo.
A memória humana não funciona por metadados. Um jornalista não pensa "arquivo MP4 gravado em 15 de março, câmera 2". Ele pensa: "aquela entrevista onde o político falou sobre o orçamento" ou "a cena com o carro vermelho ao fundo". A busca existente não entendia isso.
Você precisa de um vídeo específico. Sabe que ele existe. Lembra vagamente do contexto — uma entrevista, uma cena, uma fala. Mas não lembra o nome do arquivo, a data exata, nem em qual pasta foi salvo.
Essa era a dor que chegou até o time da Wolkie através dos próprios usuários — produtores de vídeo e jornalistas que trabalhavam com grandes volumes de mídia e perdiam tempo demais tentando encontrar conteúdo que já possuíam. O problema não era falta de armazenamento. Era falta de inteligência sobre o que estava armazenado.
Entrevistei cinco produtores de vídeo que viviam esse problema no dia a dia. O objetivo era entender não só o que estava quebrando, mas como o usuário experienciava a quebra.
Com o problema mapeado, analisei plataformas concorrentes que já incorporavam IA em gestão de mídia — entendendo o estado da arte, como cada plataforma apresentava essas funcionalidades e onde estavam as lacunas de usabilidade.
Mapeamento de funcionalidades de IA — análise comparativa do mercado de gestão de mídia
A análise de concorrentes, combinada com o que os usuários disseram nas entrevistas, definiu cinco funcionalidades centrais. Cada uma respondia a uma forma diferente de lembrar conteúdo.
O desafio de design não era a funcionalidade — era fazer com que tecnologias complexas parecessem naturais para usuários que não têm nenhum interesse em entender como a IA funciona por baixo. Um jornalista em prazo apertado quer digitar o que está pensando e encontrar o que precisa.
Wireframe — busca por linguagem natural com resultados contextualizados
Wireframe — resultados com identificação de pessoas e grau de confiança
Interface hi-fi — biblioteca com funcionalidades de IA aplicadas
Pesquisa inteligente — busca por linguagem natural com resultados de IA
Resultado da busca — vídeos encontrados com tags de detecção
Reconhecimento facial — identificação de pessoas em vídeos
Transcrição sincronizada — texto navegável sincronizado com o player de vídeo
A abordagem de pesquisa com usuários antes de qualquer decisão de feature definiu com precisão o problema real. Sem as entrevistas, a solução teria provavelmente começado pelos casos de uso mais óbvios — não pela dor central de busca por conteúdo.
O estado de falha das funcionalidades de IA — resultado irrelevante, reconhecimento incorreto — poderia ter recebido mais atenção nas iterações. Como o usuário sinaliza que um resultado está errado? Como o sistema aprende com isso? Essas perguntas ficaram em aberto.
Teria testado a confiança nos resultados antes de escalar. Um sistema que usa IA apresenta um problema específico de usabilidade: quando o resultado está errado, o usuário precisa entender por quê e o que pode fazer. O design tratou bem o estado de sucesso. O estado de falha precisaria de uma rodada dedicada de testes.
Validaria também o feedback negativo: como o usuário sinaliza que um resultado está errado? Como o sistema aprende com isso? Num segundo ciclo, as interações de feedback negativo seriam o foco principal de refinamento.