Mapas de empatia feitos só com IA criam usuários fictícios

A tese: dados plausíveis não são evidência

Em artigo do Nielsen Norman Group, Rachel Krause argumenta que IA pode ajudar a organizar pesquisas já coletadas, mas não pode criar evidência de pesquisa sobre a experiência específica e confusa de usuários reais. A tentação é comum: com a oficina no calendário e os dados incompletos, pedir a uma ferramenta de IA que "pense como um usuário frustrado" produz em segundos uma página cheia de notas. O problema, segundo a autora, é que a origem dessas notas importa mais do que a velocidade com que são criadas.

O que é um mapa de empatia

Um mapa de empatia é uma visualização do que a equipe sabe sobre um tipo de usuário, organizado em quatro quadrantes: Diz, Pensa, Faz e Sente. Costuma ser construído de forma colaborativa em oficinas, com notas vindas de pesquisas reais: sessões de usabilidade (o que se viu alguém fazer e com o que struggled), entrevistas com usuários (o que a pessoa disse com as próprias palavras), tickets de suporte e registros de chamados, e estudos de campo ou investigação contextual. Mapas de empatia são especialmente úteis para alinhar equipes multifuncionais em torno de uma experiência.

Plausível não é real

Quando a IA é solicitada a interpretar o papel de um usuário frustrado, ela sintetiza padrões a partir de grandes volumes de texto e produz algo plausível. Mas plausível não é o mesmo que real: o resultado não representa a experiência documentada de uma pessoa real e específica. A IA não tem acesso aos seus usuários, aos pontos específicos de falha do seu produto ou ao contexto em que o produto decepcionou alguém - o que gera pode descrever um usuário frustrado de quase qualquer produto, ou seja, não descreve ninguém em particular.

O artigo compara exemplos. Para um aplicativo de entrega de supermercado, a IA gera algo genérico como "eu queria que o aplicativo me perguntasse antes de trocar meus itens", enquanto a pesquisa real pode registrar "trocou meu leite de aveia por um galão de leite integral e cobrou antes mesmo de eu ver a notificação". Em ferramentas de agendamento, "é frustrante quando o calendário não sincroniza" contra o relato de quem descobriu que sua reunião das 14h foi duplicada porque olhava uma versão antiga. Em banco online, "quero me sentir seguro" contra o ritual real de transferir primeiro 1 dólar para conferir o número da conta. Os exemplos reais são específicos e detalhados - e é a especificidade que torna um mapa de empatia útil.

Pode-se argumentar que a IA poderia ser instruída a inventar citações mais específicas. Verdade, mas o valor das citações de usuários reais vai além da especificidade: elas são evidência do que essas pessoas de fato disseram, fizeram ou viveram. Uma observação inventada é apenas uma suposição, por mais plausível que pareça.

Onde a IA ajuda

A autora separa usos legítimos dos usos que comprometem o mapa. São legítimos: organizar e agrupar notas de pesquisas já coletadas, limpar a redação depois que os insights estão fundamentados em evidência, resumir padrões em grandes conjuntos de citações e redigir agrupamentos iniciais que serão revisados e corrigidos. Comprometem o mapa: gerar citações, comportamentos ou emoções atribuídos a usuários que não existem, preencher lacunas de pesquisas rasas com conteúdo verossímil, inventar um "usuário típico" para substituir pesquisa que não foi feita e produzir um quadrante inteiro de notas porque ninguém tem dados para ele.

Antes de recorrer à IA, ela sugere três perguntas: estou dando dados reais para a IA organizar ou pedindo que gere dados que não tenho? Consigo rastrear esta nota até evidência real de pesquisa? Se eu mesmo tivesse chegado a isso sem IA, eu chamaria de achado ou de suposição? Respostas desconfortáveis geralmente indicam que o mapa precisa de mais pesquisa.

Conclusão

O que torna um mapa de empatia valioso é o detalhe específico e confuso de pessoas reais. A IA pode processar o que se aprendeu com elas, mas não pode fabricá-las. Dados gerados por IA não são evidência, por mais específicos ou convincentes que sejam. Gerar dados de mapa de empatia com IA parece um atalho, mas apenas empurra o problema para frente: a equipe acaba construindo para usuários que não existem, com base em um mapa que nunca exigiu conversar com ninguém.