Google, Tambo e GenUI: três abordagens de interfaces de IA montadas na hora

Generative UI vai além dos chatbots: o modelo não só escreve uma resposta, como também decide qual interface mostrar ao usuário em cada momento. Uma nova análise explica onde essa abordagem é realmente útil, de analytics a reservas, e por que a escolha da arquitetura importa mais aqui do que a moda dos sistemas agênticos.

No que o GenUI se diferencia

Em um chat de IA comum, o usuário recebe texto, às vezes com uma tabela ou formatação markdown, mas a lógica da tela continua definida de antemão no produto. O Generative UI vai além: o modelo pode escolher sozinho o componente adequado, montar um formulário, exibir um card com um insight, um gráfico ou uma navegação pelos resultados. Isso é especialmente útil quando a interface depende não de um único cenário, mas do contexto da solicitação, do tipo de dado e do próximo passo do usuário.

«A interface é variável demais para deixar todos os estados fixos no código».

O material destaca quatro casos típicos em que o GenUI se justifica de fato: quando o resultado gerado precisa existir como um artefato editável, quando o agente precisa coletar dados estruturados por meio de um formulário, quando a resposta é melhor apresentada de forma visual do que em parágrafos de texto, e quando o usuário precisa se deslocar entre várias opções encontradas. A ideia não é deixar a interface mais vistosa, mas eliminar carga cognitiva desnecessária e acelerar o trabalho com a resposta.

Três modelos de montagem

A autora analisa três abordagens de arquitetura, cada uma com seu equilíbrio entre liberdade do modelo, qualidade da experiência de uso e riscos para o produto. O caminho mais óbvio é deixar o modelo gerar HTML e renderizá-lo no navegador de imediato. É rápido para um protótipo, mas em produção é frágil: o modelo quebra facilmente o design system, inventa atributos inexistentes e traz questões adicionais de segurança.

• Geração de HTML: máxima liberdade para o modelo, mínimo controle para a equipe de produto.
• Abordagem declarativa: o agente descreve a interface por meio de JSON e de um vocabulário de componentes, e o cliente a renderiza dentro do seu próprio UI kit.
• Escolha de um componente pronto: o agente não monta o layout, mas insere dados em cards, gráficos e formulários já construídos.

O meio-termo é a montagem declarativa, em que o agente não escreve código diretamente, mas atua como compositor de elementos atômicos. O artigo observa que essa abordagem é formalizada pelo protocolo A2UI do Google, publicado em dezembro de 2025. A opção mais controlável é uma biblioteca de componentes prontos: o modelo tem menos liberdade, mas a interface permanece previsível. Essa abordagem se adapta pior a um número infinito de cenários, mas funciona melhor onde a experiência de uso importa mais do que a improvisação.

Por que o Tambo foi escolhido

O caso prático do artigo envolve um assistente de IA para analytics de marketing. Um produto assim tem uma área de trabalho com tabelas e recortes, onde o usuário analisa dados, e um chat com um agente que ajuda a encontrar insights. O problema é que é útil o agente exibir minigráficos, cards e resumos, mas não se pode permitir que ele reorganize livremente a área de trabalho principal. Em um produto de analytics, ela é o artefato central, e qualquer dinamismo extra ali só atrapalha.

No fim, a autora ficou com o Tambo, um framework open source para React que segue o modelo de componentes prontos e acrescenta ciclo de vida, estados e comunicação bidirecional entre a interface e o agente via AG-UI. Os componentes são registrados com descrições e esquemas Zod para as props; em seguida, o agente escolhe o que mostrar e pode transmitir dados ao componente em tempo real. Nesse arranjo, a área de trabalho permanece estável e pré-montada, enquanto todos os elementos generativos (gráficos, cards, resumos rápidos) vivem no chat e não quebram a experiência principal.

O que isso significa

O Generative UI deixa de ser um experimento de demonstração e passa a ser uma camada aplicada dos produtos de IA. A conclusão principal é simples: o que se deve escolher não é o framework mais da moda, mas o grau de liberdade que você está disposto a dar ao modelo sem prejudicar a interface, a segurança e a lógica de trabalho do usuário.