Pesquisas sintéticas com IA prometem prever comportamento real do consumidor

A promessa das pesquisas sintéticas

Pesquisas de opinião tradicionais capturam o que as pessoas dizem que querem, não necessariamente como se comportam. Estudos de psicologia de surveys mostram que, ao articular preferências explicitamente, as pessoas respondem de acordo com suas volições de segunda ordem - o que desejam desejar - e não com seus desejos imediatos, um fenômeno conhecido como viés de desejabilidade social. Empresas de pesquisa sintética (ou silicon sampling) usam modelos de IA para simular não apenas respostas, mas comportamentos reais, prometendo responder "o que vai acontecer se fizermos isso?" em vez de "o que as pessoas pensam sobre x?".

Evidências da divergência entre falar e fazer

Um estudo da Aaru com a EY reproduziu o Global Wealth Research Report de 2025, que combinava preferências declaradas e comportamento real de clientes. Onde os dois divergiam, a simulação ficou mais próxima do comportamento real: 82% dos herdeiros entrevistados afirmaram que manteriam o consultor de riqueza dos pais, contra 43% na simulação e 20% a 30% na medição real. Sobre concentrar finanças em um único provedor, 69% declararam preferência, contra 37% simulado e 33% real. O relatório também afirma, sem comparação com simulação, que respondentes dizem pagar três vezes mais por ofertas hipotéticas do que efetivamente pagam, e que 65% afirmam preferir produtos sustentáveis, mas apenas 26% os compram.

Como funciona o mercado

As empresas constroem populações sintéticas a partir de estudos de pessoas reais, dados privados de comportamento e atualizações contínuas com sinais frescos de economia, preços e política. A Simile, cofundada por Joon Sung Park (criador do Smallville), levantou US$ 200 milhões com avaliação de US$ 2 bilhões em julho de 2026; seus agentes correspondem um a um a indivíduos reais, construídos a partir de 2,9 milhões de respostas consentidas de mais de 400 mil participantes. A Aaru, avaliada em US$ 1 bilhão, tem clientes como OpenAI, Accenture, Bayer, Comcast, EY e McDonald's; ajudou a Spindrift a identificar chá de frutas como oportunidade, em concordância com um estudo real de dois meses. Outras empresas incluem Artificial Societies, Electric Twin, Minds e Evidenza.

Institutos tradicionais também experimentam: a Gallup está validando o método da Simile, mas se comprometeu a não usar respostas sintéticas em estimativas publicadas. A Qualtrics lançou painéis sintéticos com custo 50% dos painéis humanos; a Ipsos foca em aumento de dados sintéticos, avisando que o boost mal feito amplia ruído em vez de sinal; o YouGov Parallax cria gêmeos de IA de panelistas reais, restritos a pesquisas customizadas.

Precisão e limites

Avaliar a precisão é difícil: não está claro se as simulações devem comparar respostas individuais ou comportamentos reais, e um modelo pode acertar distribuições enquanto erra indivíduos. Um estudo publicado na Nature em 2026 mostrou o GPT-4 prevendo efeitos de tratamento em 469 efeitos experimentais com 119 mil participantes, incluindo estudos não publicados, mas o modelo superestima consistentemente a magnitude dos efeitos. Dados de Bisbee et al. mostram que intervalos calibrados com erros de 2016 continham a média real de 2020 em 97% das tarefas - contra apenas 3% usando dados sintéticos sozinhos -, com a ressalva de faixas largas (29,8 pontos em média). Os autores concluíram que dados sintéticos isolados não justificam uma conclusão.

Gemios baseados em indivíduos reais parecem mais eficazes: no estudo de Park, dois horas de entrevista elevaram a precisão normalizada a 83%, contra 74% usando apenas dados demográficos. Já um experimento da Verasight mostrou que resultados agregados chegam perto de polls reais, mas subgrupos erram em média 8% - 15% para respondentes negros e 20% para outras raças -, e cerca de 20% dos oponentes de Trump foram previstos como apoiadores.

Vantagens e críticas

Proponentes destacam velocidade e custo: a Evidenza promete compressão de seis meses para seis horas; a Electric Twin diz que clientes economizaram £ 300 mil em seis meses; no caso Aaru-EY, 100 mil personas digitais foram geradas em horas, contra um survey convencional de seis meses em 30 mercados. Também apontam acesso a grupos difíceis de alcançar e um uso contra bots que já contaminam painéis humanos.

Limitações persistem: modelos apresentam "colapso de variância" (espalhamento de respostas mais estreito que o real), raramente admitem incerteza e reproduzem estereótipos ao simular grupos marginalizados. Há ainda preocupações éticas sobre "twins" de indivíduos reais e risco de direcionamento de subgrupos de consumidores. O relatório da American Association for Public Opinion Research classificou respostas sintéticas como o uso mais arriscado de IA em pesquisa de opinião, afirmando que "uma margem de erro não pode ser produzida a partir de respostas sintéticas". Pesquisadores como Nate Silver e Natalie Jackson recomendam cautela, sobretudo em política, e agências como Gallup reconhecem risco reputacional para a confiança pública em polls. O conselho recorrente é manter respondentes reais no estudo, seja em design misto, seja no esquema "validar primeiro, simular depois".