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

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.
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.

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.

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.

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?
- Ampliar perspectivas: Ver além do usuário habitual
- Antecipar fricções: Questionar pontos de abandono
- Avaliar impactos: Explorar consequências das decisões
- Expor conflitos: Confrontar necessidades distintas
- Orientar pesquisa: Formular hipóteses para validar
Cada ícone representa uma necessidade — não uma pessoa real.
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.

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.

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.

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.

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.