Usuários sintéticos de IA repetem conclusão humana, mas com menos variação

A pergunta que a Nielsen Norman Group repetiu com IA

Em fevereiro de 2026, a Nielsen Norman Group (NN/g) pegou uma pergunta aberta de uma pesquisa anterior sobre terminologia de UX↳UX33 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025UX, IA e Front-End: quando experiência, inteligência e código se encontram para criar o futuro digitalProduto & UX · jul 2025Novidades em UX/UI para 2025: O futuro do design de experiências digitaisProduto & UX · abr 2025Ver tudo em Produto & UX →, respondida por 604 profissionais de tecnologia e design, e a aplicou a 120 respondentes sintéticos gerados pela plataforma Synthetic Users. A pergunta era simples: qual campo profissional melhor descreve o trabalho de levantar necessidades de usuários e transformá-las em recomendações de produto? O resultado foi publicado em artigo assinado por Rachel Banawa em 16 de outubro de 2026.

A NN/g já havia testado usuários sintéticos em entrevistas antes; desta vez o escopo foi mais estreito, uma única pergunta de pesquisa fechada em formato aberto. Para gerar os 120 perfis, a equipe forneceu à Synthetic Users o plano de pesquisa completo (critérios de inclusão, exclusão e as perguntas), e a plataforma atribuiu automaticamente idade, localização, profissão, histórico cultural e traços de personalidade do modelo Big Five a cada respondente.

Dois detalhes escaparam ao controle dos pesquisadores. A plataforma simula entrevistas, então os sintéticos responderam como se falassem com um entrevistador, produzindo respostas mais longas que as da pesquisa humana original. Além disso, às vezes reformulava a pergunta sozinha, trocando por exemplo "necessidades e experiências das pessoas" por "necessidades, comportamentos e experiências". Pesquisa qualitativa sabe bem que mudar uma palavra muda a resposta, e isso tira controle do pesquisador sobre uma variável que deveria ser fixa.

Mesma conclusão, só que com um funil de respostas

Nos dois conjuntos de dados, UX seguiu sendo o termo dominante para descrever esse tipo de trabalho; nenhum termo alternativo o destronou. Nesse nível, humanos e sintéticos bateram. Mas a semelhança para por aí: 84% dos sintéticos usaram terminologia relacionada a UX, contra cerca de 70% dos humanos, diferença estatisticamente significativa.

Essa diferença fica mais estranha quando se olha a composição das amostras. A base humana foi recrutada em parte via canais próprios da NN/g, como o Practitioner Panel, o que a deixou mais familiarizada com o jargão de UX; a base sintética foi gerada por cota para cobrir um leque mais amplo de profissões, com menos profissionais de UX proporcionalmente. Ou seja, a amostra sintética tinha, no papel, menos viés pró-UX, e ainda assim produziu mais respostas pró-UX.

O nome técnico do que aconteceu: mode collapse

A explicação proposta pela NN/g vem do vocabulário de machine learning↳Machine learning39 conteúdosClassificador de Sentimentos – Azure MLData · abr 2019Inteligência Artificial e Machine Learning: O que você precisa saberAI · fev 2024Inteligência Artificial: seminário online da USP debate o futuro do aprendizado de máquinaGestão Dev & TI · jun 2021Ver tudo em AI →.

Esse padrão se parece com o mode collapse, termo de machine learning usado para descrever um modelo generativo que mantém produzindo um conjunto estreito de respostas em vez da variação completa para a qual foi treinado.

This pattern resembles mode collapse — a machine-learning term describing a generative model that keeps producing a narrow set of outputs instead of the full range it was trained on.Rachel Banawa, pesquisadora da Nielsen Norman Group

Na prática, os humanos usaram mais de 50 rótulos distintos para descrever o trabalho, de "pesquisa de comportamento do consumidor" a "engenharia de fatores humanos", a maioria citada só uma ou duas vezes. Os sintéticos usaram pouco mais de uma dúzia de termos e não produziram nenhum dos rótulos incomuns que apareceram na base humana, como "gestão digital" ou "análise de negócios". Mesmo respondendo em formato de entrevista, com textos mais longos e mais chance de mencionar termos correlatos, os sintéticos ainda assim convergiram menos.

O cargo profissional ainda pesa, só que menos

Dentro da base sintética, o cargo declarado do respondente ainda influenciava o vocabulário: 45% dos profissionais sintéticos de customer insights usaram a palavra "customer" na resposta, contra 0% dos sintéticos de UX; 30% dos sintéticos de pesquisa de mercado usaram "market", também 0% entre os de UX. Esse efeito espelha o que aconteceu na base humana, e mostra que a IA não ignorou completamente o perfil profissional atribuído a cada respondente.

A diferença aparece quando se compara o mesmo cargo entre as duas bases: 93% dos gerentes de produto sintéticos usaram terminologia de UX, contra 44% dos gerentes de produto humanos. A IA não cancelou o efeito do cargo, mas puxou todo mundo, independentemente do papel, com mais força na direção do termo dominante do que o comportamento real das pessoas naquele cargo.

O que muda pra quem decide pesquisa no dia a dia

Esse resultado interessa diretamente a quem decide como validar hipótese de produto. Se a pergunta de pesquisa só precisa confirmar qual é o padrão mais comum, qual termo as pessoas usam, qual opção ganha, qual direção geral o público prefere, a base sintética chegou à mesma resposta da base humana com uma fração do tempo e do custo de recrutamento. É um uso legítimo: checar uma hipótese ampla antes de comprometer orçamento de pesquisa com gente real.

O problema aparece quando a pergunta depende da cauda longa, aqueles termos, necessidades ou comportamentos incomuns que aparecem uma ou duas vezes na amostra mas sinalizam um segmento emergente, uma dor não mapeada ou um público sub-representado. É exatamente esse tipo de sinal que o mode collapse apaga primeiro, porque o modelo tende ao centro da distribuição que aprendeu, não às bordas onde moram as exceções que interessam a quem desenha produto inclusivo.

A NN/g sugere tentar compensar isso pedindo ao modelo respostas mais diversas, mas alerta que variedade gerada não é o mesmo que variedade representativa: o modelo precisaria produzir os tipos certos de resposta incomum, nas proporções certas em que elas ocorrem na população real, e sem dado humano de comparação não há como saber se isso aconteceu.

Onde a síntese ainda não substitui gente

A conclusão da NN/g é direta, e vale para quem considera substituir etapas de pesquisa por usuários sintéticos: pesquisa com usuários sintéticos ainda não é pesquisa de usuário, porque nenhum usuário real está sendo estudado.

Trate achados sintéticos como ponto de partida, não como evidência do que os usuários pensam, dizem ou fazem.

Treat synthetic findings as a starting point rather than as evidence of what users think, say, or do.Rachel Banawa, Nielsen Norman Group

Para times de produto e design sob pressão pra acelerar descoberta, a manchete de que "chegou na mesma conclusão que os humanos" é tentadora, mas merece leitura cuidadosa: o estudo mostra que a IA converge bem no centro da distribuição e falha justamente nas bordas, onde moram usuários com deficiência, comportamentos atípicos e necessidades que ainda não têm nome estabelecido. Usar sintéticos para gerar hipótese rápida ou checar um padrão amplo é razoável; usar sintéticos para validar uma decisão que afeta subgrupos específicos, sem nunca ouvir uma pessoa real desses subgrupos, é repetir o erro clássico de amostra enviesada, só que com verniz de automação.

Fonte: Nielsen Norman Group