IA para UX · Passo 4 · 7 min de leitura
Usuários sintéticos e gêmeos digitais
O que são respondentes gerados por IA, o que a pesquisa diz sobre eles (incluindo um estudo de 2026 com 604 pessoas), onde eles ajudam, onde enganam, e como conversar sobre eles com stakeholders que querem pular os usuários de verdade.
"Pergunte à IA o que os usuários pensam" agora é um produto que dá para comprar. Ferramentas oferecem usuários sintéticos, personas de IA e "gêmeos digitais" que respondem na hora, sem recrutamento. Eles podem ser úteis. Mas um número crescente de pesquisas mostra o mesmo padrão: eles soam certos, concordam com a conclusão principal e perdem a variedade que a pesquisa existe para encontrar. O veredito do NN/g é curto: "Research with synthetic users is still not user research." (pesquisa com usuários sintéticos continua não sendo pesquisa com usuários.)
O que você vai conseguir fazer depois de ler:
- Explicar o que são usuários sintéticos e gêmeos digitais, e como eles diferem
- Resumir o que os estudos encontraram ao comparar respostas sintéticas com pessoas reais
- Usar esses recursos nas poucas tarefas que eles fazem bem, e recusar nas tarefas que eles fazem mal
- Responder a um stakeholder que diz "para que recrutar, se a IA pode nos dizer?"
1. O que eles são
Usuários sintéticos são respondentes gerados por IA: um modelo de linguagem a quem se pede para responder como se fosse um certo tipo de pessoa ("uma enfermeira de 45 anos que faz compras online"). Gêmeos digitais são uma variação construída a partir dos seus próprios dados: o Dovetail, por exemplo, monta os gêmeos só com as chamadas, tickets, questionários e pesquisas de um workspace, e as respostas citam a conversa de origem (Dovetail).
Os dois continuam sendo um modelo prevendo o texto mais provável (veja O que é IA). Um gêmeo digital se apoia em dados reais, o que ajuda; mesmo assim, não é uma pessoa respondendo.
2. O que a pesquisa encontrou
- Pessoas: tipos de resposta50+
- Sintéticos: tipos de resposta≈ 12
- Gerentes de produto reais com termos de UX44%
- Gerentes de produto sintéticos com termos de UX93%
| Estudo | O que encontrou |
|---|---|
| NN/g, out 2026: 604 profissionais contra 120 respondentes sintéticos, uma pergunta aberta | A mesma conclusão principal, com muito menos variação: as pessoas usaram mais de 50 rótulos diferentes, os respondentes sintéticos cerca de uma dúzia. Os gerentes de produto sintéticos usaram vocabulário de UX 93% das vezes; os reais, 44% (NN/g) |
| NN/g, 2024: três estudos anteriores refeitos com usuários sintéticos | Bajuladores com os conceitos (uma ideia de entrega por drone era "game-changer", revolucionária); exageraram o comportamento passado (uma aluna real terminou 3 de 7 cursos, a sintética "all 7", todos os 7); "cared about everything" (davam importância a tudo) quando pedidos para priorizar (NN/g) |
| Argyle et al., 2023, Political Analysis | Condicionado com históricos reais de pesquisas de opinião, o GPT-3 reproduziu de perto os padrões de voto nos EUA no nível de grupo (as "amostras de silício", ou silicon samples), mas só para distribuições, não para indivíduos (artigo) |
| Bisbee et al., 2024, Political Analysis | As médias bateram, mas as respostas tinham menos variação, as relações entre variáveis muitas vezes eram diferentes, e os resultados mudavam com pequenas mudanças de redação e com o tempo (artigo) |
| Wang, Morgenstern & Dickerson, 2025, Nature Machine Intelligence | Com 3.200 participantes humanos de 16 identidades: modelos que substituem participantes podem retratar mal e achatar grupos identitários; as correções reduzem o dano, mas não acabam com ele (artigo) |
O debate acadêmico existe de verdade: alguns estudos são otimistas sobre médias no nível de grupo, outros mostram o que se perde. No trabalho de design, em que o caso extremo e o motivo surpreendente são o que mais importa, essas perdas são justamente o problema.
3. Onde ajudam, onde enganam
Testar um roteiro, levantar hipóteses, rascunhar protopersonas, varrer pesquisa secundária, escolher temas.
Antes de falar com pessoasValidar conceitos, relatar comportamento passado, priorizar necessidades, falar por grupos pequenos ou sub-representados.
No lugar de falar com pessoas4. Conversando com stakeholders
Quando alguém perguntar "para que recrutar, se a IA pode nos dizer?", três respostas curtas:
- "Ela diz o que é provável, não o que é verdade." Ela não consegue contar o que os nossos usuários fizeram de fato na semana passada.
- "Ela achata a parte interessante." O estudo de 2026 encontrou uma dúzia de tipos de resposta onde as pessoas deram cinquenta. A surpresa de que precisamos está nas cinquenta.
- "Vamos usar para preparar, e depois falar com pessoas." Teste o roteiro com um usuário sintético, depois faça cinco entrevistas reais.
5. Vocabulário
| Termo | Significado |
|---|---|
| Usuários sintéticos | Respondentes gerados por IA que imitam um tipo de pessoa |
| Gêmeo digital (digital twin) | Um respondente sintético construído a partir dos seus próprios dados de clientes ou de pesquisa |
| Amostra de silício (silicon sample) | Um conjunto de respondentes de IA usado no lugar de uma amostra de pesquisa de opinião |
| Mode collapse (colapso de modo) | Quando as respostas de um modelo se amontoam em poucas opções típicas |
| Bajulação (sycophancy) | A tendência de um modelo de concordar com quem pergunta e elogiar essa pessoa |
6. Experimente (sem código)
- Escreva uma pergunta aberta que você faria a usuários reais ("Qual é a parte mais chata de reservar uma quadra?").
- Peça a um assistente aprovado que responda como 10 usuários diferentes, uma linha cada.
- Conte quantas respostas realmente diferentes você recebeu. Anote quantas parecem avaliação de produto.
- Faça a mesma pergunta a três pessoas reais. Compare a variedade e as surpresas.
Perguntas para refletir: em que ponto do seu processo um usuário sintético poderia economizar tempo sem substituir uma pessoa? O que você perderia se o seu time parasse de conversar com usuários?
7. Se você lidera um time
- Escreva nas diretrizes de pesquisa do time para que usuários sintéticos podem e não podem ser usados.
- Marque com clareza qualquer resultado sintético como "não é pesquisa com usuários" em documentos e apresentações.
- Pergunte aos fornecedores de gêmeos digitais de que dados eles são feitos e como mostram as fontes.
Checklist
Para saber mais
- NN/g: Synthetic Users: If, When, and How to Use AI-Generated "Research" · Synthetic Users vs. Human Respondents: Same Conclusion, Less Variation (out 2026)
- Pesquisa: Argyle et al., Out of One, Many (2023) · Bisbee et al., Synthetic Replacements for Human Survey Data? (2024) · Wang et al., LLMs that replace human participants can harmfully misportray and flatten identity groups (2025)
Livros, cursos e vídeos para ir mais fundo (em inglês)
Relacionadas
IA na pesquisa de UX · Síntese assistida por IA · Usuários sintéticos · Ética, viés e inclusão · Viés algorítmico