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.

Every time a tool democratises visual production, we go through a phase of collective ugliness, backlash, and stabilisation. It happened with WordArt, with PowerPoint and Canva templates, and now with generative AI. Only this time it's not just a visual problem — it's a data bias problem too.

On the surface, the AI aesthetic crisis looks a lot like when Word introduced pre-laid-out templates for all kinds of stationery — the famous WordArt, which sparked the Desktop Publishing Revolution. I still remember the moment I discovered the magic of curved titles for my school project covers and thought I was killing it — until my teacher docked my grade because she found it ugly and preferred my handmade posters. That may have been my first design lesson.

wordart is my passion

This tension between democratisation and quality is nothing new in design. In 1993, Steven Heller published "Cult of the Ugly" in Eye Magazine, criticising the "ugly" graphic design produced by Desktop Publishing. Ugly, yes — but adopted en masse because of the popularisation of tools like Word. Ten years later, Virginia Postrel observed in The Substance of Style the other outcome of that democratisation: that the spread of computer-aided design, despite its ugly early phase, ended up making more people sensitive to visual quality. The pattern seems to repeat itself: a new tool democratises production, goes through a phase of collective ugliness, and eventually matures — not because the tool improves, but because people develop taste.

Cut to 2026, and AI is playing much the same role. What used to be a PowerPoint collage with a landscape photo and Comic Sans text is now a Gemini-generated image — the tool changed, but the impulse and the result are the same. At the corporate level, I've been watching developers, PMs and data analysts explore new visual horizons with generative AI. In one sense, I find this interesting: it brings the two worlds — visual and written — closer together, giving people who primarily work with text and code a way to communicate visually. Part of my work as a design lead has involved asking the team to include brand guidelines in their AI prompts, because otherwise everything ends up looking like it belongs to whichever company owns the models.

But the tension today is more complex than just an ugly aesthetic — it's also a cultural issue deeply embedded in the data economy.

LAION-5B, one of the largest datasets used to train image models, contains 89% Western cultural artefacts versus 12.7% non-Western, with 78% of English-language sources from North America and Europe and only 6% from Africa or Asia (Said et al., 2025). OpenAI itself acknowledged in internal documents that DALL-E 3 has a "tendency toward a Western viewpoint" (Washington Post, 2023). And a Carnegie Mellon study (Taylor et al., 2026) showed that the aesthetic filter used to curate these datasets — the LAION-Aesthetics Predictor — was trained on the tastes of Anglophone photographers and Western AI enthusiasts. This filter rates landscapes and realistic portraits highly while scoring Picasso, Warhol and Dalí low.

In other words, the system that decides what is "beautiful" for training generative AI would fail most of twentieth-century art history.

Gemini likely operates with the same logic, although Google's datasets are proprietary and less transparent. When your teams create visuals in Gemini and everything looks like it came from Google, that's not a coincidence — the model was trained on an aesthetic that reflects who built it.

Along the same lines, a Cornell study (Agarwal et al., 2025) showed that the homogenisation mechanism works in text too: Indian participants who used AI writing suggestions ended up writing more like American English — but the reverse did not happen. AI pushed Indian writing toward Western patterns, changing not just what was written but how. Most worryingly: the more users accept these suggestions, the more online content conforms to Western norms, feeding the training data for future models. The bias feeds itself.

The homogenisation is not just aesthetic, it's cultural. And it's not accidental — it's structural.

In my day-to-day work as a design lead, I've been trying to use this context to build AI-agnostic design processes. I created AI usage guidelines for the team and established a Human-in-the-loop system at critical points: key artefacts need human approval before moving forward. What counts as a key artefact depends on the context. I almost always define these through a series of participatory workshops with the team, drawing on a historical analysis of what the company has delivered, what was contracted, and what we want to deliver in the future — in terms of both code and design. I also introduced a gatekeeping step in the development process: no code gets opened without first properly exploring the problem.

In practice, the effort is singular: getting people not to swap their critical judgment for AI convenience, but to use the tool for what it does well. Because if the historical pattern teaches us anything — from WordArt to Canva — it's that maturation never came from the tool. It came from people who learned to use it with taste. This time, taste includes knowing where the data comes from and making a conscious effort to mitigate the negative effects of that bias.