< 04 > ARTIGOS / PESQUISA, UX E IA

Como usar personas sintéticas em pesquisas de UX sem perder as pessoas reais

Bustos sintéticos idênticos diante de uma figura de vidro facetado e um feixe lime, composição conceitual sobre diversidade.
Imagem gerada com IA · direção editorial: Vini Asevedo + ChatGPT (2026)

Como usar personas sintéticas em pesquisas de UX sem deixar a diversidade humana pelo caminho? A IA pode reproduzir uma conclusão convincente e, ainda assim, deixar de fora justamente as pessoas que mais precisávamos escutar.

O avanço dos modelos generativos tornou possível criar participantes fictícios, explorar cenários e discutir decisões em poucos minutos. Mas um depoimento simulado não equivale a uma entrevista; acertar uma resposta comum não revela, por si só, quem ficou de fora.

< 01 >

Acertar a resposta não significa representar as pessoas

Em outubro de 2026, a Nielsen Norman Group publicou um experimento particularmente revelador. A equipe comparou respostas de 604 profissionais reais de tecnologia e design com as de 120 participantes sintéticos, perguntando qual nome melhor descrevia o trabalho que hoje associamos a UX.

A conclusão geral coincidiu: UX continuou sendo a denominação dominante. Mas a semelhança acabava quando a pesquisa olhava para a distribuição das respostas. Aproximadamente 84% dos participantes sintéticos recorreram a termos ligados a UX, contra cerca de 70% dos humanos. Os sintéticos ficaram restritos a uma dúzia de rótulos; as pessoas reais empregaram mais de 50.

O estudo tem limitações importantes: os grupos não tinham a mesma composição profissional, e a plataforma de IA às vezes reformulou a pergunta. Portanto, não se trata de uma estimativa universal de precisão. O achado mais interessante é outro: um resultado agregado aparentemente correto pode esconder uma perda enorme de variedade.

Comparação visual entre cerca de 12 termos distintos gerados por 120 respondentes sintéticos e mais de 50 termos dados por 604 pessoas, segundo NN/g (2026).
Fonte dos dados: Nielsen Norman Group (2026).
< 02 >

O problema não é só o viés. É a ausência da exceção.

Em estatística, a moda é o valor mais frequente. Quando um modelo tende a produzir repetidamente as respostas mais comuns, em vez de refletir toda a distribuição de possibilidades, podemos observar um efeito semelhante ao mode collapse. O consenso parece forte, mas a cauda longa de respostas desaparece.

Isso importa muito em Design. Uma pessoa que abandona o cadastro por não entender um termo, um vendedor que depende de um fluxo pouco frequente ou alguém que já perdeu a confiança no produto dificilmente cabe na descrição do usuário médio. São exatamente essas experiências que podem revelar falhas importantes.

Pedir a uma IA para ser mais criativa não resolve, por si só, o problema. Gerar doze opiniões diferentes não prova que elas existam na população real, nem que apareçam na frequência correta. Diversidade simulada é uma técnica de exploração; representatividade exige evidência.

Estrutura metálica do Gasometer, em Berlim, com vigas cruzadas em padrões repetitivos sob céu azul. Foto: Pascal Bullan / Unsplash.
Foto: Pascal Bullan · Unsplash · Licença Unsplash.
< 03 >

Como usei 12 personas sintéticas na Turn2C

Na Turn2C, explorei como usar personas sintéticas em pesquisas de UX como apoio à análise de produto. Estruturei um painel de 12 perspectivas sobre maturidade comercial, conhecimento em consórcios, expectativas e dificuldades, sem tratar respostas simuladas como evidência de usuários reais.

Eu não queria criar doze substitutos para entrevistas. O objetivo era evitar que uma ideia parecesse boa apenas porque funcionava para a persona mais familiar à equipe. As simulações serviam como instrumento de debate, para antecipar perguntas e formular hipóteses a serem investigadas com usuários e dados reais.

Organizei o painel em três grupos de maturidade. Os nomes abaixo sintetizam focos de atenção — não são segmentos estatisticamente validados nem uma amostra da base de usuários.

Para conhecer a jornada e os desafios operacionais por trás dessas hipóteses, veja meu case de onboarding e ativação da Turn2C.

Quadro das 12 personas sintéticas da Turn2C, divididas em iniciantes, híbridos e avançados, com ícones, necessidades e cinco aplicações do painel em análises de produto. Transcrição disponível após a legenda.
Painel de hipóteses Turn2C · Vini Asevedo (2026). Ícones: Lucide Icons (ISC).

Transcrição da figura 03: personas e objetivos

Iniciantes

Desinformado
Orientação para começar
Curioso
Descobrir valor rapidamente
Sensível à Comissão
Entender retorno financeiro
Pragmático
Seguir passos objetivos

Híbridos

Integrador
Conectar suas ferramentas
Oportunista
Agir quando surge a chance
Projetista
Adaptar propostas
Desalinhado
Recuperar confiança

Avançados

Escalador
Crescer com automação
Estrategista
Comparar cenários
Técnico
Dominar regras e cálculos
Frustrado
Exigir estabilidade

Para que serviram na Turn2C?

  1. Ampliar perspectivas: Ver além do usuário habitual
  2. Antecipar fricções: Questionar pontos de abandono
  3. Avaliar impactos: Explorar consequências das decisões
  4. Expor conflitos: Confrontar necessidades distintas
  5. Orientar pesquisa: Formular hipóteses para validar

Cada ícone representa uma necessidade — não uma pessoa real.

< 04 >

A pergunta mudou de formato

O maior valor desse exercício esteve em trocar uma pergunta genérica—“Isso é bom para o usuário?”—por outra mais exigente: “Para quem gera valor, para quem é indiferente e para quem pode se tornar um obstáculo?”

Uma jornada mais curta pode ajudar o Iniciante-Pragmático a realizar a primeira simulação, mas retirar controles que o Avançado-Técnico considera essenciais. Uma comunicação centrada em comissão pode atrair o Iniciante-Sensível à Comissão, mas não recuperar a confiança de quem sofreu problemas recorrentes. Uma integração pode ser decisiva para o Híbrido-Integrador e irrelevante para quem vende esporadicamente.

Esses são exemplos de tensões que o painel ajudava a examinar, não resultados de testes com participantes reais. A partir delas, era possível formular perguntas de pesquisa e avaliar hipóteses sobre ativação, adoção, conversão, tempo até a primeira simulação e necessidade de suporte — sem confundir uma reação simulada com uma métrica observada.

Vista de trilhos ferroviários que se cruzam e divergem em várias direções. Foto: iridial / Unsplash.
Foto: iridial · Unsplash · Licença Unsplash.
< 05 >

O que outras pesquisas acrescentam

Um trabalho da Universidade Stanford mostra uma possibilidade mais promissora: agentes construídos a partir de entrevistas aprofundadas com 1.052 pessoas reais. Em uma bateria específica de questões, os agentes reproduziram respostas com 85% da consistência que os próprios participantes demonstraram ao responder novamente duas semanas depois. Não significa 85% de acerto geral: é uma medida relativa, válida naquele contexto.

Já uma pesquisa de 2026 com doze testes de primeiro clique e 3.431 observações humanas encontrou distribuições significativamente diferentes entre IA e pessoas em 53% das tarefas. Outro estudo, publicado na ACM Web Conference 2026, mostrou que adicionar atributos de persona ao prompt não melhorou consistentemente a correspondência com pesquisas humanas e, em certos subgrupos, ampliou distorções.

A lição não é que todo uso de IA na pesquisa seja inútil. É que fidelidade depende do método, da tarefa, das evidências usadas para construir os agentes e da validação externa. Um texto verossímil, isoladamente, não é prova de comportamento.

Essa discussão também se conecta ao meu artigo sobre tendências de Design e IA para 2027, especialmente ao papel do julgamento humano em sistemas generativos.

Três indicadores de estudos independentes: NN/g (604 humanos e 120 sintéticos), Stanford (1.052 entrevistados) e Kuric et al. (53% das tarefas com diferenças nas distribuições).
Fontes: NN/g (2026), Stanford HAI (2025) e Kuric et al. (2026).
< 06 >

Meu critério para usar personas sintéticas de forma responsável

Aprendi que, para decidir como usar personas sintéticas em pesquisas de UX, o primeiro passo é começar pelos sinais disponíveis: pesquisas anteriores, dados de jornada, atendimento e conhecimento do domínio. Dados pessoais, quando utilizados, exigem cuidado com privacidade, finalidade de uso e consentimento.

Depois, explicito o que cada persona representa como hipótese, sem atribuir proporções inventadas à base. Uso a IA para provocar divergências, identificar casos-limite e propor questões que ainda não fizemos — nunca para produzir depoimentos fictícios apresentados como evidência.

Na sequência, documento as perguntas geradas, confronto as hipóteses com analytics, suporte, pesquisa qualitativa e testes de usabilidade, e registro o que foi confirmado, refutado ou ficou em aberto. Decisões de alto impacto exigem validação com pessoas reais.

A régua é simples: a simulação precisa melhorar a qualidade das perguntas e das decisões sobre o que investigar. Quando ela passa a encerrar a discussão, virou um atalho arriscado.

Pesquisa e documentação precisam permanecer próximas do trabalho real. No case do Design System Smarters, mostro como diferentes níveis de familiaridade e necessidades das equipes ajudaram a orientar pesquisa, padrões e governança.

Mãos desenham wireframes e esquemas de interface num caderno ao lado de um teclado e papéis adesivos. Foto: Kelly Sikkema / Unsplash.
Foto: Kelly Sikkema · Unsplash · Licença Unsplash.
< 07 >

O futuro da pesquisa não deveria ter menos pessoas

As 12 personas da Turn2C ampliaram o repertório de perguntas que eu podia levar para uma conversa de produto. Mas nenhuma delas sentiu frustração diante de uma interface, improvisou uma solução no dia a dia ou teve algo importante a perder ao falhar em uma tarefa.

Uma IA pode nos ajudar a lembrar de perguntar por quem ficou de fora. Quem responde se essa pessoa realmente existe, o que ela precisa e como se comporta continua sendo a própria pessoa.

Em última análise, como usar personas sintéticas em pesquisas de UX é uma escolha metodológica. Eu não quero usar a IA para substituir a voz de quem participa da pesquisa. Quero usá-la para chegar às conversas reais com perguntas melhores.

Arte cinematográfica com rosto sintético pixelado e pessoa real escutando uma conversa, com a frase “Simular não é escutar” e comparação entre hipóteses e experiências humanas.
Arte conceitual gerada com IA · direção Vini Asevedo/ChatGPT (2026); personagens fictícios.

Fontes e notas de leitura

[1] Nielsen Norman Group (2026) — Synthetic Users vs. Human Respondents. https://www.nngroup.com/articles/synthetic-users-vs-human-respondents/

[2] Nielsen Norman Group (2024) — Synthetic Users: If, When, and How to Use AI-Generated Research. https://www.nngroup.com/articles/synthetic-users/

[3] Stanford HAI (2025) — Simulating Human Behavior with AI Agents. https://hai.stanford.edu/policy/simulating-human-behavior-with-ai-agents

[4] Kuric et al. (2026) — What Would GPT Click? https://arxiv.org/abs/2605.18302

[5] Morocho et al. (2026) — Assessing the Reliability of Persona-Conditioned LLMs. https://arxiv.org/abs/2602.18462

Créditos e referências individuais também acompanham cada figura.