Desenhista de Figura Rica: um agente de IA para desenhar e entender problemas complexos

Tenho uma memória muito visual. Quando preciso entender um problema, ler a descrição não basta. Preciso ver quem está envolvido, o que puxa cada um para um lado e onde as coisas travam. Foi por isso que, quando conheci as Figuras Ricas da Pesquisa Operacional Soft, elas fizeram sentido na hora: em vez de começar pela solução, a gente começa desenhando a bagunça.

O problema é que desenhar uma boa Figura Rica dá trabalho. É preciso ouvir as pessoas, separar o que é fato do que é opinião, escolher símbolos e, principalmente, não apagar o conflito para deixar o desenho bonito. Quem facilita uma conversa dessas costuma fazer tudo ao mesmo tempo, e algo sempre escapa.

Neste artigo, mostro como especifiquei um agente de IA, que chamei de Desenhista de Figura Rica, para ajudar nessa construção: fazer perguntas, organizar atores, tensões e fluxos, e propor um rascunho visual. Depois, conto o que aconteceu quando coloquei ChatGPT e Gemini para desenhar três situações bem diferentes, o que eles desenharam sem ninguém pedir e como o agente evoluiu para uma skill do Claude, que você pode baixar e testar nos mesmos três casos.

Vale reforçar que aqui não estamos falando de automatizar a análise de um problema. A proposta é usar a IA como cofacilitadora: ela prepara um rascunho para a conversa, mas quem interpreta, contesta e decide são as pessoas envolvidas.

O que é uma Figura Rica (e o que ela não é)

A Figura Rica (Rich Picture) nasceu na Soft Systems Methodology (SSM), a metodologia de sistemas soft criada por Peter Checkland para situações em que os envolvidos nem concordam sobre qual é o problema (Checkland e Poulter, 2020). É um desenho, geralmente à mão, com pessoas, balões de fala, setas, nuvens de tensão e anotações, que mostra a situação como ela é vivida, com seus atores, interesses e relações de poder.

Ela não é um fluxograma, um organograma nem um modelo de processo. O fluxograma diz como as coisas deveriam funcionar; a Figura Rica mostra como elas funcionam de verdade, inclusive as planilhas paralelas, a desconfiança entre áreas e quem tem poder de veto. Não existe "a" Figura Rica correta, e nem a literatura concorda exatamente sobre o que ela deve conter (Lewis, 1992). Ela vale pelo que provoca: ajuda grupos a explorar entendimentos em conflito (Bell e Morse, 2013), e seu valor aparece quando há uma conversa guiada em torno dela (Conte e Davidson, 2020). O desenho ganha sentido quando os envolvidos olham para ele e dizem "não é bem assim".

É por isso que ela serve para muito mais do que problemas de negócio. Conflitos pelo uso da água, evasão escolar, a implantação de uma política pública: em todos esses casos, há gente com visões diferentes de qual é o problema, e uma solução técnica que ignora isso costuma falhar na prática.

E ela não precisa ficar só no começo do projeto. No início, ajuda a entender o problema e quem está envolvido nele. Durante o desenvolvimento, ajuda a entender os dados (de onde vêm, quem os produz, quem os consome) e os sistemas por onde eles passam. O que muda é o estilo do desenho: uma cena com atores e tensões para a situação-problema, ou um diagrama de arquitetura e de pipeline quando a pergunta passa a ser como a solução funciona.

O agente: um cofacilitador, não um consultor

A primeira decisão foi o papel do agente. Um modelo de linguagem é ótimo em produzir respostas confiantes, e numa Figura Rica isso é um risco: uma resposta confiante demais fecha a conversa que o desenho deveria abrir. Por isso, limitei o agente a três tarefas: perguntar para explicitar o que está pouco descrito, organizar as informações em categorias sistêmicas e sugerir um rascunho visual acompanhado do que ainda precisa ser confirmado.

O agente é só um prompt de configuração, que pode ser usado como instrução de sistema num GPT personalizado do ChatGPT ou num Gem do Gemini. Este é o texto integral:

Você é um cofacilitador conversacional e desenhista especialista em Figura Rica aplicada à Pesquisa Operacional Soft e à compreensão de problemas complexos. Seu título funcional é Desenhista de Figura Rica.

Sua função é ajudar o usuário a transformar descrições de situações-problema em uma proposta de Figura Rica, organizando visualmente atores, relações, conflitos, fluxos, restrições, objetivos, sintomas, causas percebidas, contexto, influências externas, relações de poder e comunicação.

A Figura Rica deve ser tratada como instrumento de apreciação e reflexão sobre uma situação problemática, e não como diagrama técnico, fluxograma, organograma ou representação objetiva final.

Interação inicial:
Inicie conduzindo o usuário com perguntas estruturadas que funcionem como iniciadores do problema. Use perguntas curtas, diretas e sequenciais, uma de cada vez. Exemplos:

1. Qual é a situação-problema que você quer representar?
2. Quem são os principais envolvidos?
3. O que está dando errado ou gerando preocupação?
4. Qual é o contexto, como empresa, projeto, sistema, política pública ou organização?
5. Quais conflitos, tensões ou interesses divergentes aparecem?
6. Quem tem poder de decisão, influência ou bloqueio?
7. O que seria uma melhoria desejável?

Evite pedir tudo de uma vez. Conduza como facilitador, sem substituir a interpretação do usuário ou dos stakeholders.

Organização das informações:
Após obter informação suficiente, organize a resposta em categorias sistêmicas:

- síntese da situação-problema;
- stakeholders;
- tensões e conflitos;
- fluxos e processos;
- restrições;
- objetivos e melhorias desejadas;
- ambiente e contexto;
- relações de poder e comunicação;
- sintomas e possíveis causas;
- influências externas;
- pontos de incerteza.

Proveniência e cautela:
Não invente informações. Sempre diferencie:

- informado pelo usuário: elementos explicitamente mencionados;
- inferência do agente: interpretação plausível, mas não confirmada;
- a confirmar: informação que precisa ser validada com o usuário ou stakeholders.

Quando faltarem informações essenciais, peça apenas o mínimo necessário para completar o desenho com qualidade.

Estilo de ilustração:
Quando solicitado desenho ou geração de imagem, produza no estilo rascunho/desenho à mão, colorido, expressivo e não formal. Não se preocupar com proporção, alinhamento ou enquadramento perfeito. Priorizar entendimento sistêmico, não estética formal.

Formato de entrega:
A saída deve ser textual, organizada e pronta para orientar desenho manual, revisão coletiva ou geração de imagem.

Três decisões desse prompt fazem mais diferença do que parecem. A primeira é uma pergunta de cada vez: quem descreve um problema raramente sabe de antemão o que é relevante, e uma lista de dez perguntas de uma vez vira formulário, não conversa. A segunda é a lista de categorias, que funciona como um checklist para o agente não esquecer, por exemplo, as relações de poder, a parte que as pessoas menos gostam de descrever.

A terceira é a mais importante: separar o que foi informado, o que foi inferido e o que precisa ser confirmado. Um modelo de linguagem completa lacunas com o que é plausível, e numa Figura Rica o plausível pode virar acusação. Se o agente desenha uma aliança entre dois atores, o grupo precisa saber que aquilo é uma hipótese dele, não algo que alguém disse.

O fluxo pensado para o agente tem quatro etapas, da descrição da situação à revisão humana. A última caixa é a que dá sentido às outras três: a figura proposta pela IA é um ponto de partida para a conversa, e não o resultado dela.

Três problemas que não são só de negócio

Para testar o agente, escolhi três situações de propósito bem diferentes, todas com muitos atores e interesses em conflito:

Cada situação foi descrita num enunciado padronizado e enviada às interfaces web do ChatGPT e do Gemini. As respostas seguem o formato pedido pelo agente, com as categorias e a separação entre informado e inferido, e o Gemini chega a se apresentar como "seu Desenhista de Figura Rica". O pedido terminava sempre da mesma forma:

Sua tarefa:
Organize uma proposta de Figura Rica com stakeholders, tensões, fluxos, restrições, relações de poder, objetivos, sugestões visuais, inferências e pontos de validação.

Depois, com base na proposta textual, pedi a cada ferramenta que gerasse a imagem no estilo rascunho à mão. Considerei sempre a primeira resposta, sem repetir a geração. Os testes foram feitos em 17/06/2026, uma execução por situação e por ferramenta, num total de seis respostas textuais e seis imagens. As versões que aparecem nos registros são "ChatGPT 5.5 Thinking Extended" e "Gemini Nano Banana no modo 3.1 Pro"; são o que ficou anotado, não metadados verificados das plataformas.

Uma ressalva importante sobre o teste: como o enunciado já vinha completo, o agente não precisou fazer as perguntas progressivas. Testei a organização e o desenho, mas não testei a conversa, que é justamente a parte mais interessante do agente numa oficina de verdade.

Como li as respostas

Para não comparar as saídas pelo gosto, usei uma rubrica de seis critérios. A leitura foi qualitativa, sem notas nem ranking, e feita só por mim:

Caso 1: quem decide o uso da água, da terra e das áreas de preservação

No conflito socioambiental, as duas ferramentas entenderam a situação como uma disputa entre muitos atores, e não como um problema técnico de gestão de recursos. Mas cada uma desenhou de um jeito.

O ChatGPT organizou a cena em torno de uma pergunta central, "Quem decide o uso da água, da terra e das áreas de preservação?", com os atores numerados ao redor, uma legenda de setas e um canto com "outras questões" como "Quais conhecimentos valem?" e "Quem se beneficia? Quem perde?". É um desenho denso, quase um mapa. Repare num detalhe que mostra por que revisar importa: a numeração dos atores pula do 5 para o 7.

O Gemini foi mais direto ao conflito: uma mão saindo da fábrica e puxando a água do rio, um muro entre a comunidade e quem decide, pesquisadores isolados numa ilha. A tensão principal salta aos olhos em segundos. O preço disso é a simplificação: comunidades locais e agricultores familiares viraram um único grupo.

E aqui aparece algo que eu não esperava. Na lista de pontos a validar, o ChatGPT perguntou justamente se "agricultores familiares devem aparecer como grupo separado ou mais próximo das comunidades locais". Uma ferramenta tomou a decisão que a outra deixou como pergunta. Numa oficina, a pergunta é muito mais útil do que a decisão, porque é o grupo que sabe se esses dois atores pensam igual.

O Gemini, por sua vez, também fez boas perguntas no fim da resposta: se havia atores ocultos, como Ministério Público, bancos que financiam o agronegócio ou mídia local, e se algum grupo se sentiria "caricaturado demais" no desenho. Essa última é, para mim, a pergunta certa a fazer sobre qualquer Figura Rica gerada por IA.

Ah João, mas como saber se a IA não está inventando coisa?

É para isso que serve a separação entre informado, inferido e a confirmar. As duas ferramentas a fizeram. O ChatGPT listou, por exemplo, como inferência que "grandes produtores e empresas podem formar alianças circunstanciais" e que "comunidades locais podem ter menor poder formal de decisão", e o Gemini marcou como inferência que "o recurso mais criticamente disputado de imediato é a água". São hipóteses razoáveis, e o mais importante é que estão rotuladas como hipóteses.

Mas o rótulo também precisa ser conferido. Comparando as respostas com o enunciado que ficou registrado, as duas ferramentas listam como "informado pelo usuário" temas que não estão nele: a representatividade da comunidade aparece nas duas, e a justiça social, no ChatGPT. O mais provável é que o texto enviado tenha sido uma versão um pouco diferente da que guardei, e o registro não permite confirmar. A lição prática é simples: guarde a conversa exportada, e não só o enunciado. Sem isso, nem você consegue auditar o que a IA disse que você disse.

Caso 2: o sistema que "funciona conforme contratado"

No segundo caso, as duas ferramentas trataram a implantação do sistema como um problema sociotécnico, e não como falha de software. Isso é mais relevante do que parece: é exatamente o tipo de leitura que um diagnóstico técnico costuma perder.

O ChatGPT detalhou gestores, usuários, TI, fornecedor e clientes internos, com setas para o fluxo oficial de dados, os fluxos paralelos e a comunicação falha. A planilha paralela e o registro manual aparecem repetidos em cada setor, o que mostra bem que o controle paralelo não é exceção, é rotina. Ao mesmo tempo, a imagem traz detalhes que ninguém pediu: o sistema ganhou um nome, "MEGA Soft 360", os "setores internos" do enunciado viraram administrativo, comercial e técnico, e o aplicativo informal virou WhatsApp. São detalhes plausíveis, mas são invenção.

O Gemini preferiu metáforas fortes: uma máquina soltando fumaça no centro, um muro de comunicação acorrentado, gestores de binóculo e uma marionete para representar as relações de poder. Funciona para abrir a conversa sobre resistência e confiança, mas tem um risco claro: uma metáfora forte demais aponta culpados. Se essa figura fosse projetada numa reunião com os gestores, a discussão provavelmente seria sobre a caricatura, e não sobre o problema.

Caso 3: evasão estudantil não é decisão individual

No terceiro caso, as duas ferramentas acertaram no que mais importa: não reduziram a evasão a uma decisão do aluno. Fatores financeiros, pedagógicos e institucionais aparecem nas duas figuras.

O ChatGPT montou uma rede: vivências dos estudantes de um lado, atores internos da instituição do outro, e um quadro de "tensões que nos desafiam" com pares como mais matrículas versus permanência estudantil e pressão por resultados versus dados confiáveis. É a figura que eu levaria para documentar a situação.

O Gemini sintetizou tudo numa imagem só: os estudantes entram pela porta da instituição e escoam por um funil, o "ralo de evasão", empurrados por trabalho, dificuldades financeiras, desmotivação e falta de identificação com o curso. É a figura que eu levaria para começar a conversa. Em compensação, ela diz pouco sobre como os atores internos se relacionam.

O que a IA desenhou e ninguém pediu

Olhando as imagens com calma, apareceram dois problemas que não estão nos textos e que mudam a forma como eu usaria essas figuras.

O primeiro está na figura de evasão do ChatGPT: um gráfico de "evasão crescente", de 12% em 2020 a 33% em 2024. O enunciado não tinha nenhum número. O gerador de imagem criou uma estatística e a desenhou como se fosse dado. Numa oficina, esse gráfico seria lido como fato, e alguém poderia sair da reunião citando os 33%.

O segundo está nas imagens do Gemini: palavras que não existem. Na evasão, a família diz "AVICLO!" e "AKTRICULA!"; na implantação do sistema, uma anotação diz "INDICADORES NÃO DO PERTE MINHA COLICNITAXVES". Também aparecem "EVATÃS", "PROMESAS" e "ATRAZOS". Não é um problema isolado: modelos que geram imagem a partir de texto têm dificuldade conhecida em escrever rótulos legíveis, justamente o tipo de elemento que um diagrama exige (Zala et al., 2024).

Os dois problemas têm a mesma raiz. A rotulagem de proveniência existe no texto, mas não chega à imagem: o desenho não tem como dizer "isto aqui é inferência". Por isso, a revisão da figura precisa ser feita elemento por elemento, e não só olhando se ela "ficou boa".

Ah João, então dá para usar isso numa oficina de verdade?

Sim, mas como rascunho, e com uma revisão antes. Na prática, eu usaria as duas saídas juntas: a estrutura analítica do ChatGPT para garantir que nenhum ator ficou de fora e para preparar as perguntas, e as metáforas do Gemini para provocar a conversa inicial. Antes de projetar qualquer imagem, conferiria três coisas: se há números ou nomes que não vieram do grupo, se o texto está legível, e se alguma metáfora transforma um ator em vilão.

Dois estilos que se complementam

Nos três casos, o padrão se repetiu: o ChatGPT decompôs mais a situação, com mais atores, fluxos e pontos de validação, e o Gemini concentrou a mensagem em poucas metáforas visuais. Resumindo o que observei:

Isso não quer dizer que uma ferramenta é melhor que a outra. Elas servem a momentos diferentes da facilitação, e a escolha depende do que o grupo precisa naquele momento. O padrão também lembra o que He et al. (2025) observaram ao comparar mapas mentais gerados por modelos de linguagem com mapas feitos por designers, num estudo com 28 participantes: os modelos capturam bem os conceitos centrais, mas têm dificuldade com a organização hierárquica e com a ancoragem no contexto. É um ótimo começo, mas só um começo.

Avancei: o agente virou uma skill

Depois desse teste, continuei desenvolvendo a ferramenta. O prompt único virou uma skill para o Claude, um pacote de instruções que o modelo carrega quando o pedido envolve uma Figura Rica. Em vez de um agente fazendo tudo, a skill orquestra seis papéis, cada um com uma responsabilidade estreita:

• Analisador de transcrição: diagnostica uma ata ou o registro de uma conversa antes de estruturar qualquer coisa.
• Facilitador: separa fatos, hipóteses e lacunas, e faz a próxima pergunta mínima.
• Leitor de conhecimento: aproveita arquivos anexados, como material de metodologia ou do domínio do problema.
• Desenhista: escolhe a forma de representação, entre diagrama, desenho em código ou imagem gerada por uma ferramenta externa.
• Prompt visual: transforma a estrutura num prompt detalhado para essa ferramenta externa.
• Exportador: leva o resultado para slides de oficina.

A separação existe por um motivo que o teste anterior sugeriu: entender o problema e desenhar a figura são tarefas diferentes, e quando o mesmo pedido mistura as duas, uma delas sai rasa. A outra decisão importante é que a skill não gera imagem por IA. Ela desenha em código (SVG exportado para PNG) ou entrega um prompt para outra ferramenta. Na figura desenhada em código, cada palavra é escrita pelo próprio código, e não adivinhada por um gerador de imagem.

Para a situação-problema, a skill tem hoje o estilo Cena de Proveniência, em que o traço de cada ligação indica de onde veio a informação: linha contínua para o que foi informado, tracejada com "?" para hipótese e zigue-zague vermelho para conflito. Ele nasceu durante a rodada que mostro na próxima seção e só depois entrou na skill, junto com o código que desenha as figuras. A skill também acompanha o projeto depois do diagnóstico, com mais dois estilos prontos, desenhados em código: Arquitetura em Colunas, que mostra de onde vêm os dados, como são processados e onde são consumidos, e Cena Ilustrada + Fluxo, para explicar uma solução a quem ainda não a conhece, com o contexto desenhado, o mecanismo passo a passo e o ciclo completo.

Se quiser testar, baixe o arquivo figura-rica.skill. No Claude.ai, envie o arquivo na área de Skills das configurações; no Claude Code, descompacte a pasta figura-rica/ em ~/.claude/skills/. Os resultados dos três casos, com as especificações e o código que desenha as figuras, estão no repositório do blog no GitHub.

Os mesmos três casos, agora pela skill no Claude

Rodei a skill no Claude Code, com o Claude Opus 5.5, em 06/11/2026, num loop sobre os mesmos três enunciados. Como cada um já trazia a situação, os atores, a tensão central e o contexto, o facilitador considerou a base suficiente e foi direto à estrutura; em seguida, o desenhista montou a figura em código.

Duas ressalvas sobre essa rodada. Os papéis rodaram na própria conversa, um depois do outro, e não como subagentes separados, como o orquestrador da skill prevê. E a convenção de traços que aparece nas figuras abaixo ainda não estava escrita na skill: surgiu como sugestão visual do facilitador e foi formalizada depois, como o estilo Cena de Proveniência. Quem baixar a skill hoje recebe essa convenção pronta, mas não foi assim que estas figuras nasceram.

Este é um trecho da saída do facilitador para o caso da evasão:

2. Hipóteses ou interpretações a confirmar
- A meta de ampliar matrículas pode competir com a atenção à permanência.
- A explicação dos professores (falta de interesse) e a dos estudantes (aulas pouco atrativas, trabalho) podem não estar se encontrando.
- A falta de acompanhamento sistemático pode ser a razão de a gestão não ter dados confiáveis.

3. Lacunas importantes
- Qual é a taxa de evasão e em quais cursos e turnos ela é maior (o enunciado não traz nenhum número).
- Se existe algum registro dos motivos de saída.
- Quando um aluno deixa de frequentar, quem percebe primeiro.
- O que as famílias e a comunidade local esperam da instituição.

4. Próxima pergunta mínima
Hoje, quando um aluno deixa de vir, quem fica sabendo primeiro e o que acontece depois?

Repare na primeira lacuna. Diante do mesmo enunciado, o gerador de imagem do ChatGPT desenhou um gráfico de 12% a 33%; o facilitador registrou que não há número nenhum e transformou isso numa pergunta. E a próxima pergunta mínima é do tipo que só alguém de dentro da instituição consegue responder, o que é exatamente o papel de uma Figura Rica numa oficina.

No caso da água, a figura leva a proveniência para dentro do desenho, que era o que faltava nas imagens anteriores: o que foi informado aparece em linha contínua, as hipóteses do facilitador em linha tracejada com ponto de interrogação, e os conflitos em zigue-zague vermelho. A dúvida sobre comunidades e agricultores familiares, que o Gemini resolveu sozinho juntando os dois grupos, aqui aparece como hipótese ("mesmos interesses ?") e volta no painel lateral como pergunta para o grupo.

No caso do sistema, nada ganhou nome que o enunciado não deu: o sistema é só "novo sistema", os setores continuam "setores internos", e o fornecedor aparece fora da fronteira da organização, falando que "o sistema funciona conforme contratado". A ideia de que a duplicidade de registros alimenta os indicadores inconsistentes está lá, mas tracejada, porque é hipótese.

E, no caso da evasão, no lugar do gráfico inventado há um quadro que diz o que falta: "taxa de evasão: ? O enunciado não traz números". Professores e estudantes aparecem com as explicações que cada um dá, ligados por um conflito: "explicações que não se encontram".

Ah João, então a skill resolveu o problema?

Não. Ela resolveu os problemas que eu já conhecia, e isso tem custo. As figuras são mais esquemáticas: bonecos de palito e ícones simples não têm o impacto da máquina soltando fumaça ou do "ralo de evasão" do Gemini, e numa oficina esse impacto ajuda a abrir a conversa. Esse traço simples é uma escolha da versão inicial da skill, e não um limite da ferramenta: sei que, no Claude Code, dá para pedir estilos mais avançados, em 3D e bem mais detalhados. Não pedi nada disso porque o foco era outro, levar a proveniência para dentro do desenho. Desenhar em código também dá trabalho: a primeira versão de cada figura saiu com rótulos sobrepostos e precisou de duas ou três rodadas de ajuste de posição, coisa que a skill manda fazer nos estilos desenhados em código: olhar a imagem antes de entregar e corrigir o que estiver sobreposto.

O texto também não ficou livre de inferência sem rótulo. No caso da evasão, o facilitador listou "mercado de trabalho que disputa o tempo do estudante" como influência externa e "qualidade contra redução de custos" como tensão, sem marcar nenhuma das duas como hipótese; o enunciado traz qualidade e custos como metas, não como conflito. São deslizes pequenos, mas do mesmo tipo que apontei no ChatGPT e no Gemini, e foi por causa deles que o facilitador da skill passou a exigir a marcação de origem item por item.

E a comparação não é cega. Escrevi a skill depois de ver as falhas do ChatGPT e do Gemini, e foi o próprio Claude que executou os papéis e desenhou as figuras, na mesma sessão em que eu comparava os resultados sabendo o que procurar. Resumindo o que observei nas três saídas:

O que este experimento não mostra

Quero ser honesto sobre o alcance disso. Foram três situações hipotéticas, uma execução por caso e por ferramenta, e a leitura foi feita só por mim, sem outros avaliadores. Não houve oficina com participantes reais, então não sei se as figuras ajudariam de fato um grupo a entender melhor o problema, nem se economizariam tempo de facilitação.

O texto, o modelo de linguagem e o gerador de imagem também não foram separados: quando uma imagem traz um erro, não dá para dizer se ele veio da proposta textual ou do desenho. E, como o enunciado vinha completo, a parte conversacional do agente ficou sem teste, tanto no prompt original quanto na skill, em que o facilitador foi direto à estrutura. Na rodada com a skill, a orquestração em subagentes também ficou sem teste, porque os papéis rodaram na mesma conversa, e a convenção de proveniência foi escrita na skill depois das figuras, e não antes. O próximo passo natural é exatamente esse: usar a skill numa oficina, deixar o facilitador conduzir a conversa, registrar o que os participantes corrigem e comparar com o que a IA propôs.

Conclusão

Comecei este projeto querendo uma forma de ver os problemas antes de tentar resolvê-los, e a Figura Rica já resolvia metade disso. O agente Desenhista de Figura Rica tenta ajudar na outra metade, o trabalho de organizar a conversa e propor um primeiro desenho. Nos três casos, ele cumpriu bem esse papel de rascunho: as duas ferramentas leram as situações como problemas sistêmicos, com muitos atores, e não como problemas técnicos.

Mas o experimento também mostrou por que a revisão humana não é opcional. A IA inventou um gráfico com números, deu nome a um sistema, escreveu palavras que não existem e, às vezes, decidiu o que deveria ter perguntado. Na rodada com a skill, parte desses problemas não apareceu: o texto da figura é escrito em código, as lacunas viram perguntas e a proveniência entra no traço das linhas. Como cada figura também passou por duas ou três rodadas de revisão olhando a imagem, não dá para separar quanto disso vem do desenho em código e quanto vem dessa revisão. O custo foram figuras menos expressivas e mais trabalho de ajuste. Vale usar quando você precisa de um ponto de partida para uma conversa com muitos atores, seja numa empresa, numa escola ou num território. Não vale quando a figura vai circular sozinha, sem ninguém para dizer o que é dado e o que é palpite.

No fim, o melhor que um agente desses pode fazer não é desenhar o problema certo, e sim desenhar um problema bom o bastante para alguém do grupo levantar a mão e dizer: "não é bem assim".

Referências

BELL, Simon; MORSE, Stephen. How People Use Rich Pictures to Help Them Think and Act. Systemic Practice and Action Research, v. 26, n. 4, p. 331-348, 2013. DOI: 10.1007/s11213-012-9236-x

CHECKLAND, Peter; POULTER, John. Soft Systems Methodology. In: REYNOLDS, Martin; HOLWELL, Sue (org.). Systems Approaches to Making Change: A Practical Guide. London: Springer, 2020. p. 201-253. DOI: 10.1007/978-1-4471-7472-1_5

CONTE, Kathleen P.; DAVIDSON, Seanna. Using a 'rich picture' to facilitate systems thinking in research coproduction. Health Research Policy and Systems, v. 18, n. 1, art. 14, 2020. DOI: 10.1186/s12961-019-0514-2

HE, Tianhao; SARAVANAN, Karthi; NIFORATOS, Evangelos; KORTUEM, Gerd. "A Great Start, But...": Evaluating LLM-Generated Mind Maps for Information Mapping in Video-Based Design. In: Extended Abstracts of the CHI Conference on Human Factors in Computing Systems. Yokohama: ACM, 2025. p. 1-7. DOI: 10.1145/3706599.3719940

LEWIS, P. J. Rich picture building in the soft systems methodology. European Journal of Information Systems, v. 1, n. 5, p. 351-360, 1992. DOI: 10.1057/ejis.1992.7

ZALA, Abhay; LIN, Han; CHO, Jaemin; BANSAL, Mohit. DiagrammerGPT: Generating Open-Domain, Open-Platform Diagrams via LLM Planning. arXiv:2310.12128, 2024. DOI: 10.48550/arXiv.2310.12128