Rosto de uma figura feminina androide em perfil, com pontos de luz dourados na pele, observando uma tela com linhas de código em azul
Crédito: Magnific

As limitações dos consumidores sintéticos

Sei que tem muita gente empolgada com as pesquisas realizadas com personas sintéticas (agentes de IA generativa configurados para simular consumidores) — essa é uma das maiores promessas do marketing atual para pré-testar logos, embalagens e anúncios a um custo extremamente baixo. Mas trago notícias que só reforçam o que já vi muitas pesquisadoras e pesquisadores experientes relatarem com grande preocupação: a IA não substitui pesquisa sobre consumidores; na verdade, ela pode até atrapalhar.

O estudo "Seeing Is Not Perceiving: When Synthetic Consumers Can and Cannot Pretest Visual Marketing" (em tradução livre "Ver não é perceber: quando consumidores sintéticos podem e não podem pré-testar o marketing visual"), realizado pelos pesquisadores Yi-Lin Tsai e Yung-Hsiu (Arvin) Lai, da Universidade de Melbourne, revela que substituir painéis humanos por IA em testes visuais traz riscos severos se feito sem governança.

A corrida incessante por prazos cada vez mais curtos e preços cada vez mais baixos pode ser um risco à qualidade da pesquisa. Nós, humanos, como já demonstrava o neurocientista Antonio Damásio com a teoria dos marcadores somáticos (ou o psicólogo Daniel Kahneman ao falar sobre o julgamento intuitivo), realizamos nossas escolhas influenciados pelas nossas emoções e associações implícitas, e não apenas pela razão e pela lógica.

A IA generativa possui capacidade técnica impressionante para ver (extrair características físicas da imagem), mas falha em perceber (conectar esses elementos visuais aos significados psicológicos e implícitos dos consumidores).

O teste na prática: Ao submeter modelos comerciais de IA a testes de estresse em 6 experimentos clássicos de marketing visual (como formatos de logo, saturação de cor e assimetria), as IAs acertaram 100% dos testes de reconhecimento visual (ex.: identificaram perfeitamente se um logo era circular ou angular).

O erro crítico: Sem intervenção prévia (zero-shot), nenhuma IA conseguiu reproduzir mais do que 2 dos 6 efeitos comportamentais humanos. Em um dos casos, a IA chegou a inverter a percepção humana: avaliou que um sofá com logo angular era "mais confortável" do que um com logo circular: o exato oposto do comportamento dos consumidores reais.

Colagem colorida com dezenas de perfis de rostos humanos diversos, em tons de laranja, azul, vermelho, verde e rosa
Crédito: Magnific

Uma das descobertas mais importantes do estudo é que a IA sintética achata a diversidade humana, gerando um grave problema de homogeneização (Variance Shrinkage). Em todos os cenários testados, as personas sintéticas geraram respostas excessivamente padronizadas, capturando menos da metade da variação natural das respostas de painéis humanos reais. Ajustar parâmetros como "temperatura" ou alterar personas demográficas não resolveu esse problema.

"Because response variance remains systematically below human levels in every configuration, strategic decisions that hinge on consumer heterogeneity should always return to a human panel."

"Como a variância das respostas permanece sistematicamente abaixo dos níveis humanos em todas as configurações, decisões estratégicas que dependem da diversidade e heterogeneidade dos consumidores devem sempre retornar a um painel humano."

Quem trabalha com pesquisa sabe que o mais valioso nos resultados são os achados que surgem justamente da diversidade. As personas sintéticas conseguem, no máximo, dar uma noção da "média geral" de reação. Por não capturarem os extremos nem as divergências reais do público, elas são inadequadas para estratégias de segmentação de mercado, posicionamento de nicho ou targeting. Ou seja, dependendo da configuração dos agentes, é chover no molhado.

Mas os autores propõem uma solução, que eles chamam de Protocolo CID (Calibrate, Intervene, Deploy). Para impedir que marcas tomem decisões de design baseadas em dados sintéticos errados, eis um protocolo de governança em 3 etapas:

  1. Calibrar (Calibrate): Antes de pré-testar uma nova campanha com IA, teste o modelo contra dados ou experimentos históricos com humanos de verdade no seu segmento para verificar se a percepção coincide.
  2. Intervir (Intervene): Se a IA divergir do comportamento humano, use técnicas de In-Context Learning (ICL) — injetando evidências teóricas e estatísticas no prompt para alinhar a resposta média da IA ao público real. Se mesmo assim o modelo não alinhar, a regra é clara: retorne ao painel humano.
  3. Implantar (Deploy): Utilize a IA calibrada apenas para triagem rápida e inicial de dezenas de rascunhos criativos (screening de baixíssimo custo). Validações finais e decisões estratégicas de público devem continuar nas mãos de consumidores humanos.

Eu fico me perguntando se o mercado não foi tão estimulado a usar a IA para tudo que acabamos criando mais etapas de trabalho (e um retrabalho imenso de checagem), assim como já foi abordado em estudos icônicos, como o da Harvard Business School com o Boston Consulting Group (Dell'Acqua et al., 2023) sobre o gargalo e a ilusão de produtividade no controle de qualidade da IA, ao invés de irmos direto à fonte: a pesquisa com humanos.

Eu sigo estudando e refletindo sobre isso. E você, tem alguma experiência que corrobora este estudo?

Referências bibliográficas

  1. Tsai, Y.-L., & Lai, Y.-H. (A.). (2026). Seeing Is Not Perceiving: When Synthetic Consumers Can and Cannot Pretest Visual Marketing. Department of Management and Marketing, The University of Melbourne. Link do estudo no arXiv: arXiv:2609.25677. Acesso ao texto completo em PDF: Visualizar PDF (58 páginas).
  2. Dell'Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Lakhani, K. R., & Bernstein, E. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper, No. 24-013. Acesso ao artigo completo: SSRN / Harvard Business School.
  3. Damásio, A. R. (1994). Descartes' Error: Emotion, Reason, and the Human Brain. Grosset/Putnam (Edição em português: O Erro de Descartes: Emoção, Razão e o Cérebro Humano). Informações sobre a obra: Google Books - O Erro de Descartes.