Pesquisa em UX · Passo 7 · 9 min de leitura
IA na pesquisa de UX, com cuidado
A IA pode economizar horas na pesquisa e, sem ninguém perceber, colocar no relatório coisas que ninguém disse. Os riscos que mais importam para um time de pesquisa, das citações inventadas e dos usuários sintéticos até respondentes de IA dentro dos seus próprios dados, e as conferências que mantêm a evidência honesta.
O perigo não é a IA errar na pesquisa. É errar com fluência. Uma transcrição com uma frase inventada parece igualzinha a uma correta. Um usuário sintético soa como um cliente. A resposta de um bot num questionário parece a de uma pessoa atenciosa. A pesquisa é a parte do processo de produto cujo único trabalho é ser verdadeira, então as conferências aqui precisam ser mais fortes que em qualquer outro lugar.
O que você vai conseguir fazer depois de ler:
- Dizer quais são os seis riscos que a IA traz para a pesquisa, e por onde cada um entra
- Conferir citações na gravação antes que cheguem a um relatório
- Explicar a um stakeholder por que usuários sintéticos não são pesquisa com usuários
- Identificar respondentes de IA num questionário, e dizer o que você removeu e por quê
1. Comece pelas aulas de IA para UX
Esta aula parte do princípio de que você já sabe onde a IA ajuda ao longo da pesquisa. O curso de IA para UX cobre isso: IA na pesquisa de UX passa etapa por etapa, Usuários sintéticos e gêmeos digitais revisa os estudos sobre respondentes de IA, e Síntese assistida por IA, passo a passo traz um método de análise com IA que mantém o rigor. A versão curta, da NN/g: a IA pode "miss, misinterpret, or even manufacture insights" (deixar passar, interpretar mal ou até fabricar insights) (Kate Moran e Maria Rosala, NN/g, 2024).
Aqui vamos um passo além, nos riscos que um time de pesquisa precisa assumir: os que colocam evidência falsa na frente de quem vai tomar decisões com ela.
2. Seis riscos, e a conferência de cada um
| Risco | Por onde entra | Como aparece | A conferência |
|---|---|---|---|
| Citações inventadas | Transcrição, resumos | Uma frase limpa e citável que ninguém disse | Ouça cada citação na gravação; anote código e minuto |
| Resultados inventados ou perdidos | Análise com IA | Os temas frequentes entram, o raro e importante fica de fora | Leia as sessões antes; rastreie cada insight até os dados brutos |
| Usuários sintéticos como evidência | Planejamento, "validação" | Personas concordando com tudo, uma dúzia de respostas onde pessoas dão cinquenta | Marque como "não é pesquisa com usuários"; nunca nos resultados |
| Bots nos seus dados | Questionários, testes não moderados | Respostas fluentes, rápidas demais, em lotes | Vários sinais juntos; registre o que você removeu |
| Comportamento perdido | Análise de teste de usabilidade pela transcrição | O que as pessoas disseram, não o que fizeram | Assista às sessões |
| Dados dos participantes | Subir gravações e transcrições | Rostos, vozes e nomes numa ferramenta não aprovada | Só ferramentas aprovadas, consentimento que cobre a IA, anonimizar antes |
Quase todos entram onde ninguém está olhando: em algum ponto entre a gravação e o slide. As próximas três seções tratam dos piores, um por um.
3. Citações inventadas
Uma citação é a evidência mais forte de um relatório, e a mais fácil de falsificar sem querer. Isso acontece de dois jeitos:
- A transcrição inventa. Um estudo sobre o Whisper, o reconhecimento de fala da OpenAI, encontrou cerca de 1% de transcrições com frases inteiras que não existiam de forma nenhuma no áudio, e 38% dessas alucinações traziam danos como violência ou associações falsas. Elas apareciam mais com pessoas que fazem pausas longas, algo comum na afasia (Koenecke et al., ACM FAccT 2024). Um por cento parece pouco, até ser justamente a citação do seu slide.
- O resumo inventa. Peça a um modelo as "citações principais" e ele pode devolver uma versão mais limpa e mais citável do que a pessoa disse, ou juntar duas pessoas numa só. A NN/g lista dados ou detalhes inventados, sem base na pesquisa, como um risco da IA no relatório (NN/g, 2024).
| Citação no rascunho | Fonte | Na gravação | Resultado |
|---|---|---|---|
| "Não me importo de pagar mais. Me importo de não saber por quê." | P4 · 23:40 | Palavra por palavra | Mantém |
| "O app é inútil para casais." | Resumo da IA, "citações principais" | P2 disse: "Para nós dois é meio demais, sinceramente. A gente usa mais o grupo mesmo." | Paráfrase mais forte que o original: troque pelas palavras reais |
| "Ninguém aqui em casa confia nos totais." | Transcrição, P7 · 31:05 | Não encontrada. Em 31:05 há 8 segundos de silêncio enquanto P7 procura um recibo | Inventada pela transcrição: remova |
| "Sou sempre eu que fico cobrando as pessoas." | P1 · 12:18 e P6 · 40:02 | P1 disse isso; P6 disse "acabo cobrando todo mundo" | Duas pessoas misturadas: mantenha P1, cite P6 separadamente |
A regra que este curso recomenda: nenhuma citação entra num relatório antes de alguém ouvi-la na gravação, com o código do participante e o minuto ao lado. É isso também que torna o Repositórios de pesquisa confiável: a evidência do nugget é a gravação, não a transcrição.
4. Usuários sintéticos, e respondentes sintéticos nos seus dados
Dois problemas diferentes com o mesmo nome.
Usuários sintéticos de propósito. Há ferramentas que oferecem personas de IA que respondem a perguntas de entrevista. A NN/g refez três estudos próprios com elas: um aluno real admitiu ter terminado três de sete cursos, o sintético disse que terminou todos; os participantes reais evitavam os fóruns dos cursos, os sintéticos os elogiavam (Rosala e Moran, NN/g, 2024). Em 2026, a NN/g comparou 604 pessoas com 120 respondentes sintéticos numa pergunta aberta: a mesma conclusão geral, mas as pessoas usaram mais de 50 rótulos diferentes, e os respondentes sintéticos, cerca de uma dúzia. O veredito: "Research with synthetic users is still not user research, because no actual users are being studied" (pesquisa com usuários sintéticos continua não sendo pesquisa com usuários, porque nenhum usuário de verdade está sendo estudado) (Rachel Banawa, NN/g, 2026). Use, no máximo, para testar um roteiro ou gerar hipóteses, e marque qualquer resultado como "não é pesquisa com usuários".
Respondentes sintéticos que você não pediu. Este é mais novo, e pior. Um artigo de 2025 na PNAS construiu um agente de IA que respondia questionários online com uma persona coerente, passou em 99,8% de 6.000 testes de checagem de atenção e conseguia deduzir a hipótese do pesquisador e produzir dados que a confirmavam (Westwood, PNAS, 2025). O conselho prático da NN/g para questionários: nenhum sinal sozinho prova que é um bot, então combine vários, como tempos de resposta muito abaixo da mediana do seu piloto, respostas abertas longas e genéricas com tamanhos parecidos demais e lotes chegando juntos, e registre quantas respostas você removeu e por quê (Rachel Banawa, NN/g, 2026). O mesmo cuidado vale para testes não moderados e screeners com incentivo: assista a algumas sessões e confirme quem são as pessoas antes de pagar.
5. O lado do time: regras, consentimento e transparência
- Faça do caminho seguro o caminho fácil. Laura Klein encontrou pesquisadores colando transcrições e dados de clientes em ferramentas públicas porque ninguém tinha dito que não podia: "The best security policies are ones that make the secure option the easiest option" (as melhores regras de segurança são as que tornam a opção segura a mais fácil) (NN/g, 2025). Uma ferramenta aprovada, uma regra de uma página e uma biblioteca de prompts compartilhada fazem mais que um documento de 50 páginas.
- Diga no termo de consentimento. Se as gravações vão ser transcritas ou analisadas por um serviço de IA, os participantes precisam saber antes de aceitar (veja Ética e consentimento na pesquisa e Dados de pesquisa e privacidade).
- Conte no relatório. Uma linha no método: quais etapas usaram IA, qual ferramenta e o que uma pessoa conferiu. Quem decide com base na sua evidência merece saber como ela foi feita.
- Continue assistindo às sessões. Entrevistas moderadas por IA podem ajudar em feedback estruturado, mas no estudo da NN/g só 3 de 10 líderes de pesquisa acharam a conversa natural, e as ferramentas não adaptavam as perguntas (Maria Rosala, NN/g, 2026). E, para testes de usabilidade, o conselho da NN/g é direto: não use ferramentas de análise com IA, porque a transcrição mostra o que as pessoas disseram, não o que fizeram (NN/g, 2024).
6. Erros comuns
- Citar a transcrição sem ouvir a gravação.
- Pedir à IA "as citações principais" e colar nos slides.
- Mostrar resultados de usuários sintéticos nos mesmos slides dos resultados reais.
- Limpar os dados do questionário em silêncio, ou não limpar.
- Analisar um teste de usabilidade pela transcrição.
- Subir gravações para uma ferramenta que os participantes não conheciam.
7. Vocabulário
| Termo | Significado |
|---|---|
| Alucinação | Algo que a IA apresenta como fato e que não tem base no que ela recebeu |
| Usuário sintético | Uma persona gerada por IA que responde como se fosse um participante |
| Bot de questionário | Respostas automáticas ou feitas com IA, enviadas como se fossem de uma pessoa |
| Colapso de modo (mode collapse) | Quando as respostas da IA se concentram em poucas opções típicas e perdem as raras |
| Checagem de atenção | Uma pergunta feita para pegar respondentes distraídos ou automáticos |
| Transparência (disclosure) | Dizer no relatório onde e como a IA foi usada |
8. Experimente (sem ferramentas)
- Pegue um relatório ou uma apresentação com citações de participantes.
- Escolha três citações e ache cada uma na gravação, não na transcrição.
- Marque cada uma: palavra por palavra, parafraseada ou não encontrada.
Perguntas para refletir: por quantas etapas cada citação passou entre a gravação e o slide? Quem no seu time perceberia uma frase inventada?
9. Se você já pratica
- Inclua "citações conferidas nas gravações" na seção de método do seu modelo de relatório.
- Escreva as regras de IA do seu time para pesquisa numa página: ferramentas aprovadas, que dados podem entrar, o que uma pessoa precisa conferir, como contar no relatório.
- Faça um piloto de todo questionário e anote o tempo mediano, para ter uma base na hora de identificar bots.
Checklist
Para saber mais
- Kate Moran e Maria Rosala, Accelerating Research with AI (NN/g, 2024)
- Maria Rosala e Kate Moran, Synthetic Users: If, When, and How to Use AI-Generated "Research" (NN/g, 2024) · Rachel Banawa, Synthetic Users vs. Human Respondents (NN/g, 2026)
- Rachel Banawa, Kick the Bots Out of Your Survey Data (NN/g, 2026)
- Laura Klein, Stop Making Your Team Figure Out AI on Their Own (NN/g, 2025)
- Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms (ACM FAccT, 2024)
- Sean Westwood, The potential existential threat of large language models to online survey research (PNAS, 2025)
Livros, cursos e vídeos para ir mais fundo
- Just Enough ResearchErika HallLivro · Mule Books, edição de 2024 (Amazon)
- Accelerating Research with AINN/gCurso · pago, curso online ao vivo, em inglês (site externo)
Os links dos livros são de afiliado da Amazon: como associado, recebo por compras qualificadas, sem custo a mais para você.
Relacionadas
IA na pesquisa de UX · Usuários sintéticos e gêmeos digitais · Síntese assistida por IA, passo a passo · Notas, gravações e transcrições · Vieses em questionários