SynthFolk

Utilizadores sintéticos: o que são e o que conseguem (ou não) fazer

· 17 min de leitura

Os utilizadores sintéticos são participantes de investigação gerados por IA: personas baseadas em modelos de linguagem e definidas por um perfil demográfico e atitudinal. Fazem-se-lhes as mesmas perguntas que se fariam a um painel real. Não são pessoas e não produzem opiniões. Oferecem uma simulação rápida, barata e direcional de como uma população descrita poderia responder — útil para algumas perguntas de investigação e ativamente enganadora para outras. Esta página distingue umas das outras.

Ideias-chave

O que são utilizadores sintéticos?

Os utilizadores sintéticos são participantes artificiais de investigação. São criados pedindo a um modelo de linguagem que responda como membro de uma população definida. Cada um tem um perfil — idade, mercado, rendimento, valores, atitudes, hábitos de media — e responde a perguntas de entrevista, itens de inquérito ou estímulos criativos como responderia plausivelmente alguém com esse perfil. A literatura chama ao mesmo constructo uma amostra de silício (Sarstedt et al., 2024). O resultado parece um dado de investigação. É uma simulação.

Essa distinção é central. Um utilizador sintético não tem memória de ter comprado seja o que for — apenas um modelo estatístico de como costuma soar um texto sobre pessoas assim. Às vezes isso é uma aproximação suficiente para decidir; muitas vezes não é. O termo é usado de forma solta nesta categoria, pelo que convém primeiro clarificar o vocabulário.

Utilizadores sintéticos vs. personas sintéticas vs. inquiridos sintéticos

Muitas vezes tratados como sinónimos, compreendem-se melhor como três fases de um único conceito.

Termo O que designa Onde aparece Resultado típico
Persona sintética O perfil de um indivíduo simulado Preparação do estudo Uma ficha de personagem: quem é esta pessoa, o que valoriza
Utilizador sintético A persona em sessão — a responder, a reagir a um estímulo Entrevistas qualitativas, testes de conceito, avaliação criativa Transcrições, citações, temas
Inquirido sintético A persona num inquérito — uma linha num conjunto de dados Inquéritos de dezenas a centenas Distribuições, tabelas cruzadas, ordenações

Um quarto termo, gémeo digital, designa um modelo simulado de uma pessoa real específica, construído a partir dos dados dela — uma técnica diferente e com requisitos muito mais pesados: Toubia et al. (2025) inquiriram 2058 pessoas em 500 perguntas, 2,42 horas cada, apenas para construir um banco de ensaio público para gémeos ao nível do indivíduo. Não é a amostragem ao nível da população aqui descrita.

Sobre como se constroem os perfis, veja o guia das personas sintéticas. Esta página fica no que acontece depois de uma delas começar a responder.

Como se geram utilizadores sintéticos

Quatro fases, sendo a segunda a que determina a maior parte da diferença de qualidade entre ferramentas.

1. Definição da população. Descreva quem quer ouvir — mercado, escalão etário, rendimento e os traços relevantes para a pergunta: o briefing que entregaria a uma agência de recrutamento.

2. Ancoragem e amostragem. O sistema constrói perfis que correspondem a esse briefing. Deixar o modelo inventá-los produz texto fluente, mas tem um defeito específico: das 14 replicações psicológicas revistas por Sarstedt et al. (2024), seis mostraram um "efeito de resposta correta" — o modelo respondia de forma altamente uniforme, quase sem variação. A alternativa é extrair os atributos por amostragem de dados populacionais reais. Sun et al. (2024) mostram porque esta é a alavanca decisiva: um modelo calibrado apenas por distribuições demográficas ao nível do grupo produziu distribuições de resposta "notavelmente semelhantes às sondagens reais de opinião pública dos EUA". O SynthFolk calibra as personas com dados do European Social Survey e do Eurobarómetro em cinco regiões culturais, de modo que a confiança institucional ou a sensibilidade ao preço de uma persona reflictam uma distribuição medida, e não a impressão que o modelo tem dela.

A regra que daqui decorre é nossa e não um resultado publicado, mas segue do mecanismo: a discordância é o sinal. A unanimidade descreve o padrão do modelo, não a dispersão do mercado.

3. Interrogação independente. Cada utilizador sintético é gerado e interrogado em separado, e não a interpretar papéis em conjunto dentro de uma mesma janela de contexto. O texto mediado por LLM já é mais homogéneo do que o humano — 45% de semelhança em tarefas de resumo contra 27% nos resumos humanos (Lin) —, pelo que um contexto partilhado só agrava a atracção pela média. O formato de grupo é também um instrumento fraco com pessoas reais: nas mais recentes reformulações de embalagem de 227 profissionais de marketing, Caruso et al. (2025) encontraram os grupos de discussão entre os métodos associados a resultados menos bem-sucedidos, ao passo que a investigação que identifica quais os elementos de design que os consumidores já associam à marca surgia associada a resultados melhores — uma associação numa categoria e não uma lei, mas um mau argumento para simular a discussão de grupo.

4. Agregação. Temas e citações para trabalho qualitativo, distribuições e desagregações para quantitativo, pontuação comparativa para estímulos A/B.

Uma consequência da segunda fase, como raciocínio e não como medição: um painel mais pequeno e melhor ancorado deve bater um painel maior sem ancoragem. Mais inquiridos vindos da mesma distribuição colapsada acrescentam confiança, não informação.

O módulo qualitativo do SynthFolk transforma uma descrição de audiência em linguagem corrente em 3 a 8 personas ancoradas.

Para que serve a investigação com utilizadores sintéticos

A investigação sintética justifica-se onde o valor está na amplitude, na rapidez e na comparação, e não na descoberta. Sarstedt et al. (2024) situam a sua promessa nas "partes a montante do processo de investigação, como o pré-teste qualitativo e os estudos-piloto", e avaliam de forma bem mais crítica o uso no estudo principal.

Triagem de conceitos. Onze declarações de posicionamento, orçamento para testar duas. Um painel sintético dá-lhe uma ordenação com que discutir — o suficiente para decidir o que entra em teste real, uma decisão que hoje a maioria das equipas resolve na discussão à volta de uma mesa.

Comparação de mensagens e criatividade. As comparações A/B de títulos, propostas de valor ou criatividade publicitária ajustam-se melhor ao método: um juízo relativo está menos exposto ao problema de calibração do que um absoluto. O que isto substitui não é o teste real, mas a lista curta que o antecede — um estudo de estímulos com potência adequada parece-se com Caruso et al. (2026), onde 484 consumidores norte-americanos e 491 britânicos avaliaram 48 embalagens redesenhadas. O módulo de media do SynthFolk corre essa passagem de triagem em modo A/B.

Pilotagem de inquéritos e entrevistas. Corra o seu instrumento contra inquiridos sintéticos antes de gastar dinheiro em recrutamento. As perguntas ambíguas partem as respostas sintéticas como partem as humanas, e encontra os itens maus numa tarde.

Primeiras passagens multimercado. Uma dúzia de mercados é proibitiva com painéis reais e trivial com sintéticos. Os números por mercado não são defensáveis — Sun et al. (2024) verificam que a replicabilidade varia por grupo demográfico e por tema, atribuindo-o a enviesamentos societais nos modelos —, pelo que deve ler o padrão de divergência como uma hipótese sobre onde é preciso trabalho de campo.

Mapeamento de objeções. Perguntar a um painel diverso o que os impediria de comprar produz depressa um inventário de objeções — não a frequência de cada uma, apenas a garantia de que nenhuma o apanha desprevenido mais tarde.

Todas estas são tarefas de filtragem a montante de uma decisão real, e não a decisão em si — o que também marca a fronteira com a categoria mais ampla de estudos de mercado com IA, onde a análise assistida por IA e as entrevistas moderadas por IA com pessoas reais são confundidas com trabalho totalmente sintético.

Os argumentos contra os utilizadores sintéticos

As páginas mais lidas sobre este tema não são escritas por fornecedores. A crítica aos utilizadores sintéticos do Nielsen Norman Group (2024) defende que não podem substituir aquilo que se aprende a estudar pessoas reais e que devolvem muitas vezes um retorno superficial ou demasiado favorável. Papangelis (2025), na Interactions da ACM, faz o argumento aparentado da "falácia da persona sintética": vender identificadores estatísticos de padrões como cognição simulada é tomar emprestada a autoridade da investigação abandonando os seus padrões. Os profissionais de UX quantitativo são os mais diretos — respostas simuladas não são dados, porque nada foi medido.

Três partes dessa crítica estão certas, e nenhuma ancoragem as resolve.

  1. Não há medição. Uma distribuição sintética é gerada, não observada; comunicá-la com as convenções de intervalos de confiança da investigação por inquérito é um erro de categoria. E a coerência também não serve de substituto: Lin documenta agentes de IA autónomos a passar 99,8% de 6000 verificações de atenção, produzindo dados psicometricamente sólidos e indistinguíveis de trabalho humano cuidadoso.
  2. Os modelos têm enviesamentos sistemáticos de resposta. Sun et al. (2024) ligam as falhas de replicabilidade por subgrupo a enviesamentos societais nos modelos. Lin é mais incisivo: a higienização "trunca precisamente as caudas da distribuição — expressões de preconceito, ambivalência, posições extremas". Valenzuela et al. (2024) nomeiam o mecanismo: reducionismo paramétrico — represente uma pessoa por alguns parâmetros e perde tudo o que eles não transportam.
  3. A substituição é um risco institucional real. O modo de falha não é um estudo mau, mas um orçamento de investigação silenciosamente substituído por uma subscrição, e uma equipa que deixou de falar com quem quer que seja.

A resposta honesta não é refutar isto, mas desenhar em torno disso. O grau em que personas ancoradas acompanham inquiridos reais é tratado em a precisão dos inquiridos sintéticos.

Quando usar utilizadores reais

Tipo de pergunta Usar sintético Usar utilizadores reais
Qual destes 10 conceitos merece ser testado? ✅ Passagem de triagem Validação final
Este título é mais claro do que aquele? ✅ A/B direcional Confirmar o vencedor
Que percentagem compra a 29 €? ❌ Sem calibração ✅ Obrigatório
Como é que as pessoas concluem esta tarefa? ❌ Sem comportamento ✅ Testes de usabilidade
O que querem os utilizadores de uma categoria nova? ❌ Sem dados de ancoragem ✅ Descoberta
Como avaliam isto 40 enfermeiros de oncologia pediátrica? ❌ Dados demasiado escassos ✅ Obrigatório
Esta alegação resiste perante o regulador? ❌ Nunca ✅ Obrigatório

Há cinco limites rígidos por detrás desta tabela:

Números absolutos. Um painel sintético que reporta 63% de intenção de compra produz um número sem calibração com a realidade. Quanto é que as linhas sintéticas deslocam uma estimativa não é hipotético: nas simulações de Lin das sondagens presidenciais norte-americanas de 2024, inserir 10 a 52 inquiridos sintéticos em amostras de 1600 inverteu quem liderava. Leia distribuições de forma comparativa, nunca como previsão.

Produtos genuinamente novos. Os dados de ancoragem são anteriores ao modelo, e os dados de treino não são inspecionáveis — um problema em aberto que Ong (2024) assinala para a investigação que usa LLM como substitutos de pessoas. Onde não existe distribuição atitudinal, o modelo interpola com confiança; quanto mais longe do comportamento estabelecido, menos significa o resultado.

Populações sub-representadas e especializadas. Os dados de ancoragem são mais escassos exactamente onde a precisão mais importa, e a ficção resultante é convincente — é essa a parte perigosa. Fernandez et al. geraram 2106 personas sintéticas a partir de 13 perfis diagnósticos informados pelo DSM e correram sete instrumentos validados de rastreio psiquiátrico; apenas a partir de descrições breves, o modelo produziu pontuações clinicamente diferenciadas e sensíveis à gravidade. Responder de forma coerente e acima do limiar deixou de ser indício de participação autêntica. A plausibilidade não é a sua verificação.

Experiência vivida e comportamento observado. Os utilizadores sintéticos geram o que uma pessoa descrita poderia dizer. Não lhe mostram o atalho que alguém inventou nem a hesitação antes de um clique, e duas classes de medição estão fora de alcance pela mesma razão. A frequência comportamental vem de registos comportamentais: Tanusondjaja et al. (2023) derivam distribuições de compradores intensivos de mais de 550 milhões de transações em grandes armazéns, e não de perguntas. Os constructos baseados em memória pertencem à rede de memória do comprador numa situação de compra, e não a texto sobre uma marca, o que faz da saliência de marca um problema de medição e não uma pergunta para um modelo (Romaniuk & Sharp, 2004).

Exposição regulatória, de segurança ou legal. Se uma resposta errada gera uma recolha de produto, uma coima ou um dano, use humanos.

E é esta a posição: a investigação sintética é um complemento, não um substituto. Muda a economia de perguntas que nunca iria financiar e afina a investigação real ao limpar primeiro os caminhos obviamente errados. Uma equipa que dispensa a sua função de investigação e compra um painel sintético comprou uma forma de confirmar as suas próprias convicções.

Utilizadores sintéticos na prática

Um primeiro estudo deve ser pequeno, comparativo e verificável.

Preparação. Módulo qualitativo. Audiência em linguagem corrente — compradores de mercearia dos 30 aos 50 anos em dois mercados europeus, rendimento misto. Três personas, o painel mais pequeno capaz de discordar. A partir de 6 créditos, publicados na página de preços.

Instrumento. Quatro ou cinco perguntas abertas sobre uma decisão que já tomou, mais uma sondagem cuja resposta desconhece.

O que recebe de volta. Uma transcrição por persona e depois uma síntese: temas recorrentes, onde as personas se dividem, as citações por detrás de cada ponto. Leia primeiro a divisão. Se as três deram a mesma resposta em três registos, a sua pergunta era enviesada ou a descrição da audiência demasiado estreita — ambas corrigíveis na corrida seguinte, e não ao fim de seis semanas de trabalho de campo.

A verificação que interessa. Escolha uma pergunta a que respondeu com investigação real no ano passado, corra-a em modo sintético e veja se o painel reproduz o resultado. Duas coisas fazem disto um teste sério. Correr a sua própria comparação sobre o seu próprio fenómeno gera conhecimento real, e não um sucedâneo menor de uma teoria geral da precisão (Golder et al., 2023). E a bitola não é a concordância exata: também os humanos não respondem duas vezes de forma idêntica, razão pela qual Toubia et al. (2025) incluíram uma vaga repetida no estudo para estabelecer uma linha de base de teste-reteste. O conjunto de comparação humano também já não está limpo — cerca de 34% dos inquiridos do Prolific e até 73% no MTurk dizem usar IA em itens de resposta aberta (Lin).

As equipas que retiram valor sustentado convergem para um ciclo: divergir em modo sintético, pôr o instrumento à prova em modo sintético, validar com humanos os sobreviventes e depois verificar a sua calibração contra o que o estudo real encontrou. O quarto passo separa o uso sério de uma máquina de racionalização, e ninguém o pode fazer por si.

Perguntas frequentes

Os utilizadores sintéticos são pessoas reais?

Não. São simulações de modelos de linguagem condicionadas por estatísticas ao nível da população: nenhum indivíduo representado, nenhum dado pessoal tratado, nenhuma resposta dada por um humano. Qualquer ferramenta que sugira o contrário deturpa o método.

Os utilizadores sintéticos são precisos?

Não há um número único de precisão, e a literatura de revisão é explícita quanto ao motivo: a concordância com amostras humanas varia consideravelmente entre domínios (Sarstedt et al., 2024) e a replicabilidade varia por grupo e por tema mesmo onde as distribuições agregadas ficam próximas (Sun et al., 2024). Os resultados também se deslocam com a formulação do prompt e a versão do modelo — "hiperparâmetros" ainda por resolver neste trabalho (Ong, 2024). Trate o resultado como direcional e não calibrado; a evidência está revista no nosso guia sobre precisão.

Quanto custam os utilizadores sintéticos?

O SynthFolk cobra em créditos, com preços publicados: um estudo qualitativo com três personas começa em 6 créditos; painéis maiores e amostras quantitativas de 50 a 250 inquiridos custam proporcionalmente mais. Compare com um estudo em painel recrutado para a mesma pergunta: normalmente semanas e valores de quatro dígitos.

Os utilizadores sintéticos substituem os testes de usabilidade?

Não — é a fronteira mais nítida do método. Os testes de usabilidade medem o que as pessoas fazem sob observação; os utilizadores sintéticos geram o que alguém poderia dizer. Não há substituto para ver uma pessoa não conseguir encontrar um botão.

Que idiomas e mercados são suportados?

O SynthFolk funciona em 12 idiomas de interface, com personas ancoradas em cinco regiões culturais europeias, o que é o que torna praticável uma primeira passagem multimercado. A cobertura acompanha os dados de inquérito subjacentes — onde estes são escassos, trate o resultado como igualmente escasso.

Corra um você mesmo. Um estudo com três personas começa em 6 créditos e as contas novas começam com créditos gratuitos — suficientes para testar o método numa pergunta cuja resposta já conhece. Abra o painel: se o painel de personas reproduz aquilo que já sabe, é essa a referência que conta.

Referências

Artigos relacionados

O que são personas sintéticas? Guia completo (2026)

As personas sintéticas são inquiridos gerados por IA a partir de dados reais de inquéritos. O que são, como se constroem, onde estão os seus limites e como distinguir uma boa de uma apenas plausível.

2026-08-13 · 16 min de leitura

Qual é a precisão dos inquiridos sintéticos? O que mostra a evidência

A investigação com utilizadores sintéticos é útil para algumas perguntas e enganadora para outras. O que mostra a evidência, onde os críticos têm razão e como a testar.

2026-08-13 · 17 min de leitura