IA para UX · Passo 4 · 7 min de leitura
Síntese assistida por IA, passo a passo
Um método prático para usar IA na análise de pesquisa sem perder o rigor: preparar e anonimizar os dados, ler primeiro, deixar a IA fazer uma primeira rodada, questionar o resultado, rastrear cada insight até a fonte e reportar com honestidade. Com o que os estudos dizem sobre a codificação de entrevistas por IA.
A IA consegue marcar cem páginas de transcrições em um minuto. Se essas marcações significam alguma coisa, aí é com você. Bem usada, a IA é uma assistente incansável para as partes mecânicas da análise: primeira rodada de marcação, agrupamento, busca de citações. Mal usada, ela produz um resumo cheio de confiança que erra o ponto principal e inventa o resto. Esta nota traz um método que mantém a velocidade e o rigor.
O que você vai conseguir fazer depois de ler:
- Preparar os dados de pesquisa para que seja seguro usá-los com IA
- Conduzir uma síntese em sete passos em que a IA ajuda e as pessoas decidem
- Perceber as falhas típicas da análise por IA: agrupamentos rasos, um "Outros" gigante, trechos ignorados, insights inventados
- Reportar descobertas que podem ser rastreadas até evidências reais
1. O que os estudos dizem sobre a codificação de entrevistas por IA
- Trechos humanos capturados61,7%
- Códigos descritivos iguais63,7%
- Códigos interpretativos iguais57,7%
- Um estudo de 2026 comparou a codificação de trechos de entrevistas feita pelo GPT-4o com a de codificadores humanos: o modelo captou 61,7% do que os humanos codificaram, se saiu melhor nos códigos descritivos (63,7%) do que nos interpretativos (57,7%), e também encontrou 206 trechos corretos que os humanos não tinham visto (Turner et al., 2026).
- Trabalhos anteriores mostraram que um LLM "can infer most of the main themes" (consegue inferir a maioria dos temas principais) em entrevistas abertas, embora o próprio autor apresente o artigo como uma provocação sobre os limites (De Paoli, 2023), e que, com um livro de códigos (codebook) escrito por especialistas, o GPT-3 chegou a uma concordância "fair to substantial" (de razoável a substancial) com os especialistas (Xiao et al., 2023).
O padrão: a IA deixa coisas passar e também acrescenta coisas, e é mais fraca justamente onde a interpretação mais importa. É exatamente por isso que o método abaixo deixa a interpretação com as pessoas.
2. O método, em sete passos
Anonimizar e conferir.
Antes de qualquer resultado da IA.
Dê à IA os seus códigos, não uma página em branco.
Etiquetas, grupos, citações com localização.
Contradições, lacunas, a pilha de "Outros".
Confira cada citação principal na origem.
Diga onde a IA ajudou.
1. Prepare e anonimize
Tire nomes, rostos e detalhes da empresa e dos clientes antes de colocar qualquer coisa numa ferramenta de IA, e confira o resultado: o NN/g relata uma ferramenta que removeu nomes de produtos por engano (NN/g). Pelas orientações europeias de proteção de dados, só dados realmente anonimizados deixam de ser dados pessoais; dados pseudonimizados continuam sendo pessoais (EDPB anonymisation guidelines, rascunho de 2026).
2. Leia primeiro
Leia ou assista a uma amostra de sessões inteiras antes de ver qualquer resultado da IA. Senão, o enquadramento dela vira o seu.
3. Dê à IA um livro de códigos, não uma página em branco
Peça para ela marcar de acordo com as suas perguntas de pesquisa e um livro de códigos curto. Um pedido aberto como "encontre os temas" atrai temas genéricos.
4. Deixe a IA fazer a primeira rodada
Marcação, agrupamento, seleção de citações candidatas, resumo de cada sessão. Peça citações com localização (sessão, minutagem) para cada afirmação.
5. Questione o resultado
Procure as falhas típicas que o NN/g lista: agrupamentos baseados em palavras-chave em vez de significado, um grupo "Outros" grande, e trechos que ela ignorou (NN/g). Pergunte: o que contradiz este tema? Quem está faltando? O que é surpreendente?
6. Rastreie cada insight até a fonte
Abra a gravação ou a transcrição de cada descoberta importante e confira se a citação é real e está no contexto certo. Descoberta que não pode ser rastreada é apagada.
7. Reporte com honestidade
Diga onde a IA ajudou, quantas sessões as pessoas leram inteiras e o que foi conferido. O framework PACED do NN/g ajuda a decidir como divulgar o uso de IA (NN/g).
3. Ferramentas que você vai encontrar
Os repositórios de pesquisa agora trazem IA embutida na síntese. Em novembro de 2026, por exemplo:
- Condens: tags e destaques sugeridos por IA, agrupamento automático, resumos de sessão, "pergunte ao seu repositório", hospedagem nos EUA ou na UE (Condens)
- Dovetail: chat, agentes, classificação de temas e de sentimento, síntese, ocultação de dados sensíveis (Dovetail)
- Marvin: entrevistas moderadas por IA, respostas com citações, ferramentas de análise, desfoque automático de dados pessoais (Marvin)
Qualquer que seja a ferramenta, confira os termos de uso de dados (onde os dados ficam guardados, se ela treina com o seu conteúdo) antes de subir dados de participantes. Veja Governança de IA e proteção de dados.
4. Vocabulário
| Termo | Significado |
|---|---|
| Codificação (marcação) | Rotular partes dos dados com temas ou categorias |
| Livro de códigos (codebook) | A lista de códigos e o que cada um significa |
| Código descritivo | Um rótulo para o que foi dito ("menciona preço") |
| Código interpretativo | Um rótulo para o que aquilo significa ("se sente julgado pelo app") |
| Mapa de afinidade (affinity mapping) | Agrupar anotações por semelhança para encontrar temas |
| Pseudonimização | Trocar nomes por códigos; continua sendo dado pessoal |
5. Experimente (sem código)
- Pegue três transcrições públicas de entrevistas de exemplo.
- Escreva um livro de códigos com cinco códigos a partir de uma pergunta de pesquisa.
- Codifique uma transcrição você mesmo. Depois peça a uma ferramenta de IA aprovada que codifique as três com o seu livro de códigos, citando com localização.
- Compare a sua transcrição com a versão dela: o que ela deixou passar, o que acrescentou, e quais desses acréscimos estavam certos?
Perguntas para refletir: quais dos seus códigos são descritivos e quais são interpretativos? Onde você confiaria na primeira rodada da IA, e onde você refaria?
6. Se você lidera um time
- Faça de "ler primeiro" e "rastrear até a fonte" parte da definição de pronto de todo estudo.
- Mantenha um livro de códigos compartilhado por área de produto que as ferramentas de IA possam usar.
- Revise o termo de consentimento e os termos das ferramentas com o jurídico antes de qualquer processamento de gravações por IA.
Checklist
Para saber mais
- NN/g: Accelerating Research with AI · When Should You Disclose AI Use? The PACED Framework
- Pesquisa: Turner et al., LLMs for deductive qualitative coding (2026) · De Paoli, thematic analysis with GPT-3.5 (2023) · Xiao et al., LLM-assisted deductive coding (2023)
- Dados e consentimento: EDPB anonymisation guidelines (2026) · MRS and ESOMAR on client data, AI and consent
Livros, cursos e vídeos para ir mais fundo (em inglês)
Relacionadas
IA na pesquisa de UX · Usuários sintéticos e gêmeos digitais · Governança de IA e proteção de dados · Mapa de afinidade · Alucinação