Prototipação com IA: Aprendizados com o Figma Make

Por Aline Vieira, Product Designer na Taqtile.

A prototipação com inteligência artificial já não é mais uma tendência futura — ela já faz parte do dia a dia de muitos times que trabalham na criação de produtos digitais.

Quando bem aplicada, a IA acelera a exploração de soluções, reduz ciclos de validação e amplia a capacidade de tomada de decisão ao longo de todo o processo.

Na Taqtile, temos uma forte cultura de experimentação aliada à busca contínua pela excelência. Isso se reflete na valorização do aprendizado prático, que nos permite testar novas abordagens, avaliá-las de forma crítica e incorporar esse conhecimento aos projetos de nossos clientes.

Na área de design, temos conduzido diferentes iniciativas com ferramentas de IA. Um de nossos experimentos mais recentes foi a exploração do Figma Make como ferramenta para criação de protótipos complexos.

A seguir, compartilho como foi essa experiência e quais foram os principais aprendizados.

1. Sobre o desafio

Como Product Designer, fui responsável pela criação do protótipo de um dashboard cuja principal função era contribuir estrategicamente para a tomada de decisão de um time interno de uma multinacional.

O desafio consistia em propor uma forma mais simples e clara de visualizar dados que já estavam disponíveis, mas que vinham de diferentes fontes. Essa fragmentação limitava o processo de análise e dificultava a extração de insights relevantes.

Identifiquei, então, uma oportunidade para conduzir um novo experimento. Optei pelo uso do Figma Make — uma solução de inteligência artificial que transforma prompts (comandos em linguagem natural) em protótipos funcionais, interfaces interativas e aplicações web.

O objetivo era avaliar a viabilidade de testar ideias de forma rápida, gerando layouts, componentes e interações diretamente na plataforma.

2. Definição dos objetivos do experimento

Inicialmente, alinhei com o time do projeto a intenção de testar essa nova abordagem. Além do apoio para seguir adiante, surgiu uma provocação interessante: para maximizar o aprendizado, seria interessante avaliar a capacidade da ferramenta de integrar dados de outras ferramentas.

O foco estaria, especialmente, na utilização desses dados em tabelas e gráficos, possibilitando uma validação mais próxima de um cenário real de uso.

É importante reforçar que o objetivo não era avaliar se a ferramenta “funcionava” ou não, mas compreender seus limites e identificar em quais etapas do processo de criação de protótipos ela gera mais valor.

Posteriormente, esse aprendizado seria documentado, compartilhado e transformado em conhecimento aplicável a projetos semelhantes.

Os objetivos específicos definidos para o experimento foram:

• Criar um protótipo completo 100% via prompts, explorando diferentes estratégias de escrita, refinamento e execução.

• Testar a integração entre Figma Make e Google Sheets, construindo tabelas e gráficos alimentados por dados reais.

• Desenvolver uma interface de média fidelidade a partir do zero, sem recorrer a style guides ou componentes previamente existentes.

• Construir uma estrutura com transições e animações, avaliando se a criação dessas interações no Figma Make seria mais rápida e eficiente do que o processo manual de prototipação “tradicional” no Figma.

3. Abordagens testadas

De forma geral, testei duas abordagens distintas, com o objetivo de compreender qual delas produziria resultados mais consistentes com menor esforço:

• Geração completa do dashboard em um único prompt, com a intenção de criar a versão inicial mais completa possível e refiná-la posteriormente.

• Começar pelo componente mais complexo, seguido de um processo incremental, na qual a estrutura seria construída de forma progressiva.

Estrutura de prompt recomendada pelo Make Prompt Assistant 5.2

Geração completa do dashboard com um único prompt

Utilizando um resumo da transcrição da primeira reunião de alinhamento do projeto com o time (feito pelo Gemini) e o GPT Make Prompt Assistant para refinamento da estrutura do prompt, gerei um único comando detalhado contendo todas as informações que, em teoria, seriam necessárias para gerar uma boa versão inicial do dashboard.

Teste 1: Geração de uma versão inicial o mais completa possível. Algumas informações foram omitidas para preservar a identificação do projeto.

Essa estratégia se mostrou eficaz para obter rapidamente uma proposta inicial da arquitetura da informação, permitindo mapear seções, hierarquias e principais componentes.

No entanto, também evidenciou limitações relevantes:

• Baixo nível de controle nas etapas de refinamento;

• Decisões implícitas tomadas pela IA em pontos que não estavam claramente especificados;

• Dificuldade em conectar o protótipo de forma consistente e confiável ao Google Sheets.

Começar com o componente mais complexo + abordagem incremental

Na segunda abordagem, iniciei o processo instruindo a IA a construir apenas uma única página, concentrando o esforço no componente mais complexo do dashboard: a tabela integrada à planilha com dados reais.

Teste 2: Construção do componente mais complexo primeiro.

Teste 2: Resultado gerado na primeira versão.

A partir desse núcleo, os prompts subsequentes foram utilizados para expandir gradualmente a estrutura, construindo os elementos “ao redor” do componente principal.

Teste 2.2: Prompt utilizado na sequência. Algumas informações foram omitidas para preservar a identificação do projeto.

Sob a perspectiva de controle, previsibilidade e capacidade de correção ao longo do processo, essa estratégia foi a que me trouxe os melhores resultados nesse desafio. Nos prompts subsequentes, foi possível estabelecer a estrutura de navegação e adicionar novos componentes de forma progressiva, garantindo consistência estrutural.

Somente após a conclusão da estrutura o foco passou a ser direcionado aos aspectos visuais e ao refinamento da interface — uma etapa que, devo dizer, constituiu uma exploração à parte.

Vale destacar que esta foi uma experiência pessoal, guiada por uma sequência de decisões que fizeram sentido naquele contexto. Certamente existem outras formas de chegar ao mesmo resultado. Um dos aspectos mais interessantes desse tipo de projeto é o quanto ele desperta a curiosidade em compreender como outras pessoas abordariam o mesmo problema.

Mais testes ao longo do processo

Ao longo das duas abordagens mencionadas, testei diferentes estratégias de escrita de prompts, observando como variações no processo impactavam o nível de controle e previsibilidade durante a construção do protótipo.

Também explorei a construção detalhada de requisitos em comparação a comandos menos específicos. Os prompts passaram por ciclos de escrita, refinamento e revisão antes da execução, muitas vezes com apoio de outras ferramentas generativas, como ChatGPT e Gemini.

O refinamento visual foi explorado com diferentes níveis de especificidade, assim como situações em que lacunas eram deixadas intencionalmente para observar como o Make tomava decisões automaticamente.

Testes para melhorias de design dos componentes gerados

Por fim, o experimento incluiu a explicitação de restrições e limitações nos prompts, avaliando como essas instruções influenciavam o comportamento da ferramenta ao longo das iterações.

4. Aprendizados

Como mencionei, para o meu desafio específico, uma abordagem incremental apresentou melhores resultados. Além dessa constatação, compartilho a seguir outros aprendizados e insights obtidos ao longo do processo:

• Prototipação com Figma Make vs. Figma “tradicional”: A velocidade com que o Figma Make gera estados de hover, loading, gráficos e variações de componentes é um diferencial relevante. Isso permite testar comportamentos e experiências de uso ainda nas etapas iniciais, sem a necessidade de construir tudo manualmente.

• Escrever e refinar prompts previamente, com apoio de LLMs, reduz retrabalho: Utilizar ferramentas como ChatGPT, Gemini e outras para estruturar, revisar e detalhar os prompts antes de executá-los no Make ajuda a organizar o pensamento, eliminar ambiguidades e antecipar decisões que, se deixadas em aberto, seriam tomadas automaticamente pela IA.

• Nível de clareza do prompt = nível de qualidade do resultado: Talvez o aprendizado mais importante do experimento. A IA não interpreta contexto implícito nem intenções vagas. Quanto mais claro, específico e bem estruturado for o prompt, maior será o controle sobre o resultado. A qualidade do output é diretamente proporcional à qualidade do input.

• Um único prompt não resolve tudo, mas microajustes sucessivos também são um problema: Pequenos ajustes sem uma boa estrutura geram dezenas de novas versões do protótipo e tendem a produzir resultados inconsistentes no médio prazo. Comandos curtos, diretos, porém completos (com tarefa, contexto, elementos, comportamento e limitações), resultam em respostas mais coerentes e previsíveis.

• Produtos orientados a dados exigem cuidado: Dashboards, tabelas e gráficos ainda são desafiadores de construir via prompt. Ajustes finos de design nesses elementos, em alguns casos, são mais rápidos e precisos quando feitos manualmente.

• Refinamento visual exige alto grau de especificidade: Tipografia, espaçamento, cores, hierarquia e componentes precisam ser descritos com precisão. Qualquer detalhe não especificado se transforma em uma decisão automática da IA.

O que eu tenho testado atualmente

• Integrar o Figma tradicional em etapas intermediárias: utilizar o Figma “clássico” como ferramenta de ajuste fino, como espaçamentos, hierarquia visual, tipografia, alinhamentos e microdecisões estéticas. Essas decisões tendem a ser mais previsíveis e controláveis quando feitas manualmente.

• Construir protótipos a partir de um style guide existente: testar a composição rápida de telas no Figma Make aproveitando tokens, tipografia, cores e componentes já definidos no style guide. A ideia é gerar layouts consistentes, acelerar a exploração de fluxos e reduzir decisões visuais repetitivas, mantendo a coerência visual do produto desde as primeiras versões.

• Continuar explorando a integração com outras ferramentas: Avaliar novas possibilidades de integração com dados reais, investigando como fontes externas e diferentes formatos de dados podem ser incorporados.

5. O papel do designer na era da IA

Mais do que o aprofundamento em uma nova ferramenta, este experimento reforçou que o valor da IA é diretamente proporcional à clareza, ao critério e ao repertório de quem a utiliza. Quando há intenção bem definida, a tecnologia potencializa resultados. Sem isso, apenas acelera o ruído.

Ferramentas como o Figma Make ampliam possibilidades, aceleram ciclos e reduzem barreiras de execução. Mas o que sustenta boas decisões continua sendo o olhar do designer — pensamento crítico, julgamento e capacidade de dar direção são fundamentais.

Acompanhe os próximos artigos da Taqtile no LinkedIn para saber mais sobre nossos experimentos, discussões e estratégias no uso de Inteligência Artificial.