Respondentes sintéticos e entrevistas com IA versus pesquisas: quando usar cada um

Conteúdo
Respondentes sintéticos e entrevistas com IA versus pesquisas: quando usar cada um

Respondentes sintéticos são personas simuladas por um modelo de linguagem que respondem perguntas de pesquisa no lugar de pessoas. Entrevistas com IA são o oposto: quem responde são pessoas reais, e uma IA faz as perguntas e os aprofundamentos. As duas ajudam no começo de um projeto, e nenhuma consegue medir o que um mercado pensa. Este guia mostra o que a pesquisa científica diz sobre cada uma, uma tabela de decisão por tarefa e um fluxo híbrido que termina em uma pesquisa com pessoas reais.

Os três métodos se confundem porque muitos fornecedores vendem todos como "pesquisa com IA". Só que eles respondem perguntas diferentes, e essa diferença decide se um resultado pode entrar em uma decisão de preço ou só em um brainstorming.

Pontos principais

  • Respondentes sintéticos são personas simuladas por um modelo de linguagem que respondem no lugar de pessoas, e nas entrevistas com IA respondem pessoas reais enquanto uma IA pergunta.
  • Estudos mostram que respostas sintéticas podem se aproximar das médias de grupos muito estudados, mas variam menos que as humanas e representam mal alguns grupos.
  • Use respondentes sintéticos para gerar ideias, entrevistas com IA para entender as pessoas e uma pesquisa com pessoas reais para medi-las.
  • Marque o que é sintético como sintético, nunca misture com respostas reais na mesma base e nunca apresente porcentagens sintéticas como dado de mercado.

Respondentes sintéticos e entrevistas com IA: o que é cada um

Respondentes sintéticos (também chamados de amostras de silício, gêmeos digitais ou personas de IA) são respostas geradas por um modelo de linguagem que recebeu a instrução de agir como um certo tipo de pessoa: "Você é uma enfermeira de 34 anos em Recife que compra pela internet duas vezes por mês". Dá para aplicar um questionário a mil deles em minutos. Nenhum ser humano responde nada.

Entrevistas moderadas por IA são conversas com participantes reais em que uma IA faz o papel de entrevistador. Ela segue um roteiro, aprofunda conforme a resposta e depois resume as transcrições. As pessoas e as opiniões são reais; automatizados são o moderador e a primeira leitura da análise.

Uma pesquisa com pessoas reais faz as mesmas perguntas fechadas a uma amostra definida, de forma que as respostas podem ser contadas, comparadas entre grupos e, quando a amostra representa a população, projetadas para ela com uma margem de erro conhecida.

Respondentes sintéticosEntrevistas com IAPesquisa com pessoas reais
Quem respondeUm modelo de linguagem interpretando uma personaParticipantes reaisParticipantes reais
O que você obtémRespostas plausíveis em segundosProfundidade e motivos, de dezenas de pessoasNúmeros comparáveis, de centenas ou milhares
Ponto forteVelocidade e zero recrutamentoAprofundamento em escalaUma medição que você consegue defender
Risco principalAs respostas refletem o modelo, não o seu mercadoAmostras pequenas e autosselecionadas; aprofundamentos que não acontecemPerguntas ruins ou amostra enviesada

O que os respondentes sintéticos acertam

A ideia ganhou credibilidade com um artigo de 2023 na Political Analysis, "Out of One, Many: Using Language Models to Simulate Human Samples", de Argyle e colegas. Eles condicionaram o GPT-3 com milhares de perfis sociodemográficos tirados de participantes reais de grandes pesquisas nos Estados Unidos e criaram o que chamaram de "amostras de silício". As respostas simuladas reproduziram muitos dos padrões de resposta dos subgrupos humanos, inclusive a forma como as atitudes se relacionam entre si. Os autores chamaram essa propriedade de "fidelidade algorítmica" e defenderam que um modelo com fidelidade suficiente pode ser uma ferramenta útil para a pesquisa social.

Trabalhos posteriores mostraram que os dados por trás de cada persona fazem muita diferença. Park e colegas construíram agentes para 1.052 norte-americanos a partir de entrevistas de duas horas com cada um (preprint no arXiv, publicado pela primeira vez em 2024). Em perguntas da General Social Survey que não foram usadas na construção, os agentes baseados em entrevistas chegaram a 83% da consistência que as próprias pessoas mostraram ao responder de novo duas semanas depois. Agentes que tinham só dados demográficos chegaram a 74%.

Ou seja, respostas sintéticas podem se aproximar das médias de populações muito estudadas em temas muito estudados, principalmente quando cada persona se apoia em dados de uma pessoa real. É uma afirmação bem mais estreita do que "não precisamos mais falar com clientes".

Onde os respondentes sintéticos falham

A mesma literatura documenta limites que pesam em decisões de negócio.

As respostas variam menos que as de pessoas reais. Bisbee, Clinton, Dorff, Kenkel e Larson pediram a personas do ChatGPT que avaliassem grupos sociais e políticos e compararam os resultados com a American National Election Study (Political Analysis, 2024). As médias ficaram próximas. A dispersão foi mais estreita do que nos dados humanos, as relações entre variáveis muitas vezes não bateram com as da pesquisa, pequenas mudanças na redação do prompt alteraram os resultados e o mesmo prompt deu respostas diferentes com três meses de intervalo. Uma dispersão estreita é exatamente o que esconde os clientes que amam ou odeiam um produto.

Distribuições de exemplo de notas: as pessoas reais vão da rejeição forte ao gosto forte, enquanto as personas sintéticas se concentram perto de uma média parecida. Bisbee e colegas (Political Analysis, 2024) encontraram esse padrão, e uma dispersão estreita esconde os clientes que amam ou odeiam um produto.

Alguns grupos ficam mal representados. Santurkar e colegas compararam as opiniões de modelos de linguagem com 1.498 perguntas do American Trends Panel do Pew Research em 60 grupos demográficos dos Estados Unidos ("Whose Opinions Do Language Models Reflect?", ICML 2023). Encontraram um desalinhamento considerável, que continuava mesmo quando o modelo recebia a instrução de representar um grupo específico. Pessoas com 65 anos ou mais, viúvos e quem frequenta cultos religiosos com frequência estavam entre os grupos que nenhum modelo representou bem.

Personas podem achatar e distorcer identidades. Wang, Morgenstern e Dickerson fizeram estudos com 3.200 pessoas de 16 identidades demográficas e quatro modelos de linguagem (aceito na Nature Machine Intelligence, 2025). As personas geradas tendiam a soar como o olhar de alguém de fora sobre o grupo e a apagar as diferenças dentro dele. Segmentos minoritários, que muitas vezes são os que um time de produto mais precisa entender, são onde isso mais pesa.

Produtos novos são difíceis de simular. Brand, Israeli e Ngwe testaram modelos de linguagem em estudos de disposição a pagar ("Using LLMs for Market Research", working paper da Harvard Business School). Os modelos sem ajuste reproduziram a disposição a pagar por funcionalidades existentes em uma categoria, mas precisaram de ajuste fino com resultados humanos anteriores para simular reações a funcionalidades novas, e esse ajuste pode não funcionar em categorias diferentes. Um produto totalmente novo é justamente o caso em que não há dados humanos em que se apoiar.

Em conjunto, esses estudos sugerem que respondentes sintéticos reproduzem o que é típico nos textos com que o modelo aprendeu. O seu próximo segmento, a sua funcionalidade nova e o seu preço raramente são típicos.

Para que servem as entrevistas com IA

Entrevistas moderadas por IA mantêm as pessoas reais e automatizam o moderador. O atrativo é a profundidade em uma escala difícil para equipes humanas: cinquenta entrevistas em uma semana, em vários idiomas, cada uma com aprofundamento, e transcrições codificadas no mesmo dia.

As evidências sobre qualidade ainda são poucas. Em um estudo pequeno apresentado no workshop LaTeCH-CLfL 2025, Wuttke e colegas sortearam estudantes para um entrevistador de IA ou um humano, com o mesmo questionário. Eles relatam qualidade de dados comparável à das entrevistas humanas, e os participantes deram respostas mais longas à IA. Mas o entrevistador de IA muitas vezes deixou de aprofundar depois de uma resposta surpreendente ou pouco clara, que é exatamente o momento em que um bom moderador humano faz diferença. O estudo teve onze entrevistas, então trate-o como um sinal inicial.

Três limites valem para qualquer estudo com entrevistas de IA. Os participantes continuam sendo um grupo pequeno e autosselecionado, então os resultados descrevem motivos e padrões, não proporções de um mercado. A qualidade do roteiro decide a qualidade dos aprofundamentos. E o resumo que a IA faz das transcrições precisa das mesmas conferências de qualquer codificação de respostas abertas com IA: leia você mesmo uma amostra e confirme cada citação. Nosso guia para analisar pesquisa com IA traz uma tabela de verificação que também serve para transcrições, e o guia de análise temática cobre o método manual.

Entrevistas também coletam dados pessoais: a voz, às vezes o rosto em vídeo e o que cada pessoa conta da própria vida. Antes de começar, avise os participantes que uma IA vai fazer as perguntas, que a conversa é gravada e transcrita, quem processa as gravações (inclusive a plataforma de entrevistas) e por quanto tempo você as guarda, e peça o consentimento. Colete só o que a pergunta de pesquisa exige e confira o que a LGPD e as regras do lugar onde os participantes vivem pedem.

Entrevistas com IA, pesquisas ou respondentes sintéticos: qual usar em cada tarefa

Em poucas palavras, use respondentes sintéticos para gerar ideias, entrevistas com IA para entender as pessoas e uma pesquisa com pessoas reais para medi-las. A tabela aplica isso a tarefas comuns de pesquisa.

Respondentes sintéticos, em que um modelo responde, só geram hipóteses e redação para testar e ficam como rascunho. Com pessoas reais, entrevistas com IA explicam motivos de dezenas de pessoas como evidência de apoio, e uma pesquisa mede quão comum é uma opinião em centenas ou milhares como evidência principal para decidir.

TarefaRespondentes sintéticosEntrevistas com IAPesquisa com pessoas reais
Levantar hipótesesSim, como primeiro rascunho rápidoSim, para achar hipóteses em que você não pensouDepois, para testar as finalistas
Pré-testar um questionárioSim, para pegar redação confusa e opções faltandoSim, como entrevistas cognitivas com pessoas reaisSim, como um piloto pequeno antes do lançamento
Explorar motivos e contextoSó para montar o roteiro de entrevistaO mais indicadoEm parte, com perguntas abertas
Dimensionar um mercado ou segmentoNãoNão, as amostras são pequenas demaisSim, com uma amostra que represente a população
Medir satisfação ou NPSNão, o modelo nunca usou o seu produtoPara explicar as notas, não para gerá-lasSim
Definir um preçoSó para sugerir preços a testarPara entender como o comprador avalia valor e alternativasSim, com perguntas de preço a compradores reais
Decidir se lança ou nãoNãoComo evidência de apoioSim, como evidência principal

Uma pesquisa só mede o que uma população pensa se a amostra se parece com essa população. O verbete do glossário sobre representatividade explica o que isso significa na prática, e a calculadora de tamanho da amostra mostra de quantas respostas você precisa para uma margem de erro.

Um fluxo híbrido: personas, entrevistas e depois pesquisa

Os métodos funcionam melhor em sequência. Cada etapa reduz o que a próxima precisa responder, e só a última produz números para o relatório. Pense em uma marca de cosméticos de São Paulo que avalia lançar um kit por assinatura.

Um fluxo híbrido em cinco etapas: a IA rascunha hipóteses e personas, personas sintéticas testam o questionário, depois vêm de 10 a 30 entrevistas com pessoas reais, uma pesquisa com pessoas reais e uma comparação final em que valem os dados reais. Só a pesquisa com pessoas reais produz números para o relatório, e as respostas sintéticas ficam marcadas e separadas.

1. Rascunhe hipóteses e personas com IA

Comece escrevendo a decisão que você precisa tomar e deixe a IA ajudar no primeiro rascunho. Esboce personas para os segmentos que você espera, como quem já compra em farmácia todo mês ou quem só compra em promoção, liste hipóteses sobre o que cada um precisa e peça a personas sintéticas que reajam ao conceito. Marque tudo desta etapa como "rascunho de IA". O papel dela é ampliar a lista de possibilidades e mostrar buracos nas suas suposições.

2. Teste o questionário em personas sintéticas

Antes de qualquer pessoa real ver a sua pesquisa, peça a algumas personas que respondam e expliquem o que entendem em cada pergunta. Modelos de linguagem são bons em notar perguntas duplas, opções de resposta faltando e jargão. Eles não vão dizer como pessoas reais respondem, mas apontam as perguntas que merecem uma segunda olhada.

3. Explore com pessoas reais em entrevistas

Faça de 10 a 30 entrevistas com pessoas dos seus segmentos, moderadas por uma pessoa ou por uma IA. Pergunte sobre comportamentos recentes e concretos: a última vez que compraram o produto, onde, quanto pagaram, o que incomodou. Procure motivos e palavras que você não esperava e descarte as hipóteses que ninguém sustenta. Isso é pesquisa primária, e é a primeira etapa que diz algo novo sobre o seu mercado.

4. Meça com uma pesquisa com pessoas reais

Transforme as hipóteses que sobreviveram em perguntas fechadas, mantenha uma ou duas perguntas abertas para os motivos e envie a pesquisa para uma amostra do tamanho que a precisão exige. Nosso guia de pesquisa quantitativa cobre o desenho e a análise. Antes de confiar nos dados, filtre as respostas automáticas e as escritas por IA, que hoje também chegam às pesquisas online; o guia sobre bots e respostas de IA em pesquisas mostra como.

5. Compare e decida

Se você usou personas sintéticas na primeira etapa, compare as respostas delas com o que as pessoas reais disseram. Onde houver diferença, valem os dados reais, e a distância mostra quanto confiar em respostas sintéticas no próximo projeto. Tome a decisão com os resultados da pesquisa e use as falas das entrevistas para explicar os números.

Regras para usar respostas sintéticas com honestidade

  • Marque o que é sintético como sintético em todo documento e todo slide.
  • Nunca misture respostas sintéticas com respostas reais na mesma base.
  • Nunca apresente porcentagens sintéticas como dado de mercado.
  • Nunca apresente uma resposta sintética como fala ou opinião de um cliente real, seja em relatório, apresentação ou material de marketing.
  • Registre o modelo, o prompt e a data, porque os resultados podem mudar entre execuções e com o tempo.
  • Compare os resultados sintéticos com pelo menos uma referência real antes de se apoiar neles em uma pergunta parecida.
  • Desconfie mais dos resultados em segmentos minoritários, produtos novos e preços.

Como planejar a pesquisa no SurveyNinja

As ferramentas de IA gratuitas do SurveyNinja cobrem as primeiras etapas, as de gerar ideias. O planejador de pesquisa transforma um objetivo de negócio em um plano com objetivos, público, tamanho da amostra, perguntas, canais, riscos e cronograma. O gerador de hipóteses transforma um problema ou uma suposição em hipóteses, hipóteses nulas, ideias de teste com pesquisa e métricas. O gerador de personas esboça personas de pesquisa com objetivos, dores, comportamentos e canais a partir da descrição do seu produto. Trate essas personas como este guia trata os respondentes sintéticos: como ponto de partida a validar com pesquisa.

Quando chegar a hora de medir, o Ninja AI (Beta) no editor de pesquisas monta a pesquisa a partir de uma descrição, de um arquivo como PDF ou DOCX ou de uma imagem, em todos os planos, inclusive o gratuito. Ele também edita perguntas, lógica e configurações, e cada mudança espera você clicar em Aplicar. Depois a pesquisa coleta respostas de pessoas reais, que é a etapa que nenhuma simulação substitui.

Perguntas frequentes

O que são respondentes sintéticos?

São respostas geradas por um modelo de linguagem instruído a agir como um tipo de pessoa, por exemplo um pai de primeira viagem ou uma gerente de TI. São rápidas e baratas, mas nenhuma pessoa real responde, então os resultados refletem padrões dos dados de treinamento do modelo, e não as opiniões do seu mercado.

Respondentes sintéticos podem substituir pesquisas?

Não. Estudos mostram que respostas sintéticas podem se aproximar das médias de grupos muito estudados, mas variam menos que as humanas, mudam com a redação do prompt e representam mal alguns grupos. Servem para levantar ideias e pré-testar um questionário. Decisões sobre mercado, preço e satisfação precisam de respostas de pessoas reais.

O que é uma entrevista com IA?

É uma entrevista com um participante real em que uma IA faz as perguntas, aprofunda conforme as respostas e resume a transcrição. Ela permite fazer dezenas de entrevistas em pouco tempo. Os participantes são reais, mas as amostras são pequenas, então os resultados explicam motivos e não medem o quanto eles são comuns. Os participantes devem saber que uma IA faz as perguntas e concordar com a gravação.

Entrevistas com IA são melhores que pesquisas?

Elas respondem a outra pergunta. Entrevistas com IA servem para explorar motivos, contexto e vocabulário com dezenas de pessoas. Pesquisas medem quão comum é uma opinião entre centenas ou milhares de pessoas e permitem comparar grupos. A maioria dos projetos precisa primeiro de entrevistas para achar as perguntas certas e depois de uma pesquisa para medir as respostas.

Quando faz sentido usar dados sintéticos em pesquisa de mercado?

Use para levantar hipóteses, esboçar personas e roteiros de entrevista e achar redação confusa em um questionário antes do piloto. Mantenha esses dados marcados, separados das respostas reais e fora dos números do relatório. Tenha mais cuidado com segmentos minoritários, produtos novos e preços, onde a pesquisa mostra que respostas sintéticas são menos confiáveis.

Quantas entrevistas fazer antes de lançar uma pesquisa?

Em entrevistas exploratórias, de 10 a 30 conversas dentro dos seus segmentos são um ponto de partida comum para achar os motivos principais e as palavras que as pessoas usam. Pare quando novas entrevistas deixarem de trazer temas novos. Depois transforme o que aprendeu em perguntas e calcule a amostra com uma calculadora de tamanho da amostra.

0