Luri IA: transformando contexto em ajuda no momento da dúvida

Em resumo

A Luri já existia dentro das aulas da Alura, e o estudante podia abrir o chat sempre que tivesse uma dúvida. O problema é que, antes de receber ajuda, ele precisava transformar a própria confusão em uma pergunta.

Junto com os times de IA, Engenharia, Produto, Tecnologia e Desenvolvimento, redesenhamos esse momento. A nova experiência é uma interação contextual dentro do player: pedir ajuda sobre um trecho não exige digitar nada, porque o próprio contexto da aula inicia uma explicação da Luri.

O resultado foi um novo caminho de acesso à IA na experiência de aprendizagem, com sinais relevantes de adoção, continuidade e recorrência.

Uma boa experiência com IA não começa, necessariamente, em um campo de texto.

O problema não era só descobrir a Luri

Antes, a principal porta de entrada dentro da aula era a ação "Estou com dúvida". Ao clicar, o chat se abria e o estudante podia escolher um prompt sugerido ou escrever uma pergunta.

Esse padrão funciona para um chatbot, mas gera atrito no aprendizado: quem está confuso nem sempre consegue dizer exatamente o que gerou a confusão.

O fluxo anterior

Antes

1. Não entendi
2. Abro a Luri
3. Penso em como formular minha dúvida
4. Explico o contexto
5. Recebo ajuda

Na prática, estávamos pedindo que o estudante explicasse algo que ele ainda não tinha entendido.

Reenquadramento

A pergunta óbvia

Como aumentar o uso da Luri?

A pergunta que escolhemos

Como encurtar a distância entre o momento em que alguém deixa de entender e o momento em que a ajuda chega?

Essa mudança transformou o espaço de solução. O objetivo deixou de ser gerar cliques em um chatbot e passou a ser reduzir o esforço cognitivo no momento de uma dificuldade de aprendizagem.

O conteúdo já tinha o contexto de que a IA precisava

Em uma videoaula, o produto já sabe o que está sendo reproduzido e em que momento a ajuda foi solicitada. O timestamp pode funcionar como uma camada invisível de contexto.

Vídeo → Timestamp → Trecho recente (~30 segundos) → Contexto → Luri → Explicação

Uma ação. O contexto acontece por trás.

Toda a complexidade se resume a uma única ação para o estudante. Não é preciso selecionar um trecho, indicar o momento do vídeo ou escrever uma primeira pergunta: o produto busca o contexto.

O novo fluxo

O que muda não é a quantidade de etapas, mas o quanto o estudante precisa montar sozinho antes de a ajuda chegar.

Antes

1. Não entendi
2. Abro a Luri
3. Penso em como formular minha dúvida
4. Explico o contexto
5. Recebo ajuda

Depois

1. Não entendi
2. Peço ajuda sobre este trecho
3. Recebo uma explicação contextual
4. Decido se quero continuar a conversa

A experiência completa

Quando o estudante pede ajuda, o vídeo pausa, a Luri se abre à direita e começa a explicar o trecho por conta própria. A partir daí, o estudante pode continuar a conversa.

A IA começa. O estudante decide como continuar.

Só a abertura da interação é automatizada. O estudante recebe uma primeira resposta imediata e contextual, e então a experiência volta a ser conversacional.

Ele pode escrever livremente ou usar sugestões para se aprofundar: analogias, um resumo ou uma análise de como os conceitos foram aplicados.

Automatizamos a parte que gerava atrito. Preservamos a parte que dependia da intenção do estudante.

O contexto virou parte da interface — mesmo sem aparecer nela

O estudante não precisa mais:

• selecionar um trecho
• copiar uma transcrição
• informar o timestamp
• dizer em qual aula está
• escrever uma primeira mensagem

O sistema já tem tudo isso.

Quanto mais contexto o produto já tem, menos contexto devemos pedir para o usuário reconstruir.

Uma pequena interação atravessou diferentes partes do produto

Uma interface aparentemente simples exigiu coordenação entre muitas partes do sistema.

Player + Conteúdo + Timestamp + IA + Experiência conversacional + Produto + Engenharia + Design

Meu papel estava nessa interseção: traduzir uma capacidade técnica de IA em um comportamento simples e compreensível para quem está aprendendo.

Meu papel

O trabalho foi menos sobre uma interface isolada e mais sobre orquestrar conteúdo, IA e produto. Atuei com os times de IA, Engenharia, Produto, Tecnologia e Desenvolvimento para tornar uma capacidade técnica compreensível dentro da jornada de aprendizagem.

• Enquadramento e reenquadramento do problema
• Definição do fluxo
• Decisões de interação
• Prototipação
• Conexão entre o comportamento do player e a experiência de IA
• Alinhamento com possibilidades e limitações técnicas
• Experiência conversacional
• Acompanhamento de sinais de adoção e continuidade

Um clique não seria suficiente

Contar apenas os acionamentos daria uma leitura rasa, então acompanhamos pelo menos duas dimensões:

• Adoção: quantos estudantes começaram a usar a Luri na experiência.
• Profundidade: o que aconteceu depois do primeiro acionamento.

Adoção ao longo do tempo

Dados fornecidos pelo time de IA. A adoção é a parcela de estudantes ativos (com licença ativa no mês) que usaram a Luri.

Os 37,2% de agosto foram o pico do período analisado.

Um novo patamar de adoção

Em agosto, 97.108 dos 260.811 estudantes ativos usaram a Luri.

• +10 p.p. de adoção de junho a agosto (27,2% → 37,2%)
• ≈ +12% de usuários da Luri (86.450 → 97.108)
• ≈ −18% na base ativa (317.949 → 260.811)

Essas comparações apenas contextualizam a variação relativa; elas não provam causalidade.

Julho: o contexto importa

Julho mostra por que o volume absoluto não deve ser lido isoladamente. Fatores sazonais, como a Copa do Mundo e o recesso do Alura Start, reduziram a atividade da base, e ainda assim a adoção chegou a 19,4%.

Por isso acompanhamos o uso em relação à base disponível, e não apenas o número de usuários.

O uso não terminou no primeiro clique

• 34,2% dos acionamentos viraram conversas
• +2,8 mensagens adicionais por interação, em média, nessas conversas

A adoção conta só parte da história. Para alguns estudantes, a primeira explicação funcionou como porta de entrada para uma interação mais profunda. Fonte: time de IA.

Do primeiro clique à recorrência

• 10.671 usuários únicos do acionamento contextual
• 21 mil+ acionamentos por mês

Esses números se referem apenas ao acionamento de explicação de trecho do vídeo. Os acionamentos superaram os usuários, o que indica uso recorrente e um primeiro sinal de que o comportamento pode ir além da novidade.

Os resultados em uma única leitura

• 37,2% de adoção em agosto
• 34,2% dos acionamentos viraram conversas
• +2,8 mensagens adicionais
• 97.108 usuários em agosto
• 10.671 usuários únicos do acionamento
• 21 mil+ acionamentos por mês

Os dados não isolam a nova experiência de outras variáveis de produto ou sazonais, então não faço uma afirmação causal direta. O que observamos foi um conjunto consistente de sinais: mais adoção, continuidade em uma parcela relevante das interações e uso recorrente do acionamento.

A mudança não estava no botão

Na superfície, é só um botão e um chat. Mas o botão é apenas a camada visível que une três elementos que antes estavam separados:

• Conteúdo: o que o estudante estava aprendendo
• Contexto: quando a dificuldade surgiu
• IA: a capacidade de reinterpretar esse conteúdo

Combinados, eles permitem que a interação não precise mais começar com "Qual é a sua dúvida?". Ela pode começar com "Eu sei qual trecho você acabou de assistir. Deixa eu tentar explicar de outro jeito."

O que este projeto mudou na forma como eu desenho com IA

Uma boa experiência com IA não começa, necessariamente, em um campo de texto.

Quanto mais contexto o produto já tem, menos o usuário deveria precisar reconstruir.

A automação tem mais valor quando remove esforço sem remover autonomia.

O melhor uso da IA nem sempre exige mais do usuário. Às vezes, permite que ele faça menos e chegue mais rápido ao que precisa.

No fim, a questão não era colocar IA dentro de uma aula. Era ajudá-la a entender quando, onde e com qual contexto ela poderia realmente apoiar o aprendizado.