Personas sintéticas são perfis gerados ou operacionalizados por inteligência artificial para simular perspectivas, necessidades e respostas de um público. Podem ajudar a explorar possibilidades e preparar uma investigação. Mas uma resposta convincente da IA, por si só, não comprova que pessoas reais pensam, decidem ou usam um produto daquela maneira.
A distinção importa quando a equipe precisa escolher o que construir. Uma simulação pode levantar uma objeção que ninguém havia considerado. Também pode inventar uma necessidade, concordar com a solução apresentada e produzir dezenas de depoimentos que parecem confirmar uma ideia fraca.
O uso responsável começa por uma pergunta: estamos usando a IA para formular algo que precisamos investigar ou para alegar que já investigamos? Este artigo apresenta as diferenças entre tipos de persona, o que estudos recentes permitem concluir e um processo prático para aproveitar simulações sem confundi-las com evidências.
O que são personas sintéticas em UX?
Uma persona sintética combina uma descrição de perfil com um sistema generativo. Essa descrição pode ser inventada, construída com dados de pesquisa ou reunir as duas coisas. Quando o sistema responde a perguntas no papel desse perfil, temos uma simulação de participante, também chamada de usuário sintético.
O termo não descreve um único método. Um perfil criado com “imagine uma gerente financeira” tem uma base muito diferente de um agente alimentado por entrevistas e avaliado contra respostas de pessoas. Tratar ambos como a mesma técnica esconde a diferença mais importante: a origem das informações e a validação do resultado.
Na prática, vale separar três operações: organizar dados reais, inferir algo a partir deles e gerar conteúdo novo. Uma ferramenta pode fazer as três na mesma resposta. É responsabilidade da equipe identificar onde termina o registro de pesquisa e começa a extrapolação.
Persona de pesquisa, proto-persona e usuário sintético: qual é a diferença?
| Representação | Base | Uso adequado |
|---|---|---|
| Persona baseada em pesquisa | Padrões identificados em dados de pessoas reais. | Comunicar necessidades e comportamentos dentro do alcance da pesquisa. |
| Proto-persona | Suposições explícitas da equipe. | Alinhar o que se acredita saber e o que precisa ser investigado. |
| Persona sintética | Perfil gerado ou utilizado por IA, com ou sem dados reais. | Explorar hipóteses, com origem e limites identificados. |
| Usuário sintético interativo | Sistema que responde ou age condicionado por um perfil. | Executar simulações cuja validade depende da tarefa e da avaliação. |
Uma persona baseada em pesquisa também é uma representação: não equivale a todas as pessoas de um segmento. Seu valor vem da relação demonstrável com registros e padrões. Acrescentar nome, fotografia e uma biografia detalhada não torna um perfil mais verdadeiro.
Se a sua necessidade é construir esse artefato a partir de investigação, consulte o guia de criação de personas de usuário. Aqui, a questão é outra: o que podemos fazer com respostas simuladas e quais conclusões elas não sustentam.
O que os estudos dizem sobre usuários sintéticos?
As pesquisas encontram resultados diferentes porque avaliam sistemas, dados e tarefas diferentes. Antecipar respostas a um questionário não é a mesma coisa que descobrir uma necessidade desconhecida ou observar alguém tentando concluir uma tarefa. Essa diferença precisa acompanhar qualquer número de desempenho.
A avaliação da NN/g: respostas plausíveis podem idealizar o comportamento
Em 2024, Maria Rosala e Kate Moran, da Nielsen Norman Group, compararam simulações produzidas com ChatGPT e Synthetic Users a três estudos que já haviam realizado com pessoas. Na avaliação, apareceram respostas genéricas e excessivamente positivas. Em um exemplo sobre aprendizagem, usuários sintéticos afirmavam concluir cursos e valorizar fóruns, enquanto os relatos reais incluíam abandono e pouco interesse nesses espaços.
A avaliação da NN/g sobre usuários sintéticos ajuda a entender por que plausibilidade não basta. É uma comparação contextual de ferramentas daquele período, não uma prova de que todos os sistemas futuros terão o mesmo desempenho. Seu alerta metodológico permanece útil: uma narrativa coerente pode deixar de fora justamente a fricção que a pesquisa precisa revelar.
O estudo dos 1.052 participantes: a qualidade depende de dados humanos
Joon Sung Park e colegas estudaram agentes construídos com dados de 1.052 adultos dos Estados Unidos. A versão revisada em junho de 2026 compara agentes baseados em entrevistas de duas horas, questionários e na combinação dessas fontes.
Em itens reservados do General Social Survey, os três formatos atingiram, respectivamente, 83%, 82% e 86% da consistência das próprias pessoas ao responder novamente duas semanas depois. Esses percentuais são relativos a uma referência de consistência humana. Não significam 86% de acerto em qualquer comportamento ou interface.
O trabalho, inicialmente divulgado como Generative Agent Simulations of 1,000 People, passou a se chamar LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. Ele oferece evidência promissora para simulações fundamentadas em autorrelatos. Não demonstra que descrições inventadas substituem recrutamento, observação ou testes de um produto brasileiro.
SCOPE e auditorias de personas: detalhes demográficos não bastam
O estudo SCOPE, de Venkit e colegas (2026), usou um protocolo de 141 itens com 124 participantes dos Estados Unidos e avaliou sete modelos. Os autores encontraram vantagens em incorporar dimensões como valores, identidade e padrões comportamentais, em comparação com perfis baseados apenas em dados demográficos.
A implicação para UX é evitar o atalho de associar idade, profissão ou renda automaticamente a uma necessidade. “Tem 60 anos” informa menos sobre uma tarefa do que “confere cada lançamento porque precisa prestar contas a outra pessoa”. Ainda assim, o SCOPE é uma proposta de pesquisa com população e avaliações específicas, não uma certificação de personas para qualquer produto.
Outra auditoria de Venkit e colegas, publicada em 2025, comparou 1.512 personas geradas por três modelos com respostas escritas por pessoas. Identificou estereótipos e destaque excessivo a marcadores raciais, inclusive em narrativas aparentemente positivas. O resultado reforça a necessidade de avaliar como os perfis representam grupos, e não apenas se o texto soa natural.
Quando personas sintéticas podem ajudar
A recomendação prática deste artigo é usar simulações em atividades preparatórias, reversíveis e com um destino claro: uma pergunta melhor, uma hipótese explícita ou uma lacuna de conhecimento. O valor deve ser medido pela qualidade dessa preparação, não pelo número de personagens criados.
Explorar situações que a equipe ainda não considerou
Uma equipe pode pedir variações de contexto para uma tarefa: conexão instável, interrupção no atendimento, informação incompleta ou necessidade de aprovação por outra pessoa. O resultado ajuda a ampliar a lista de situações a investigar. Não autoriza concluir que elas são frequentes ou prioritárias no público.
Para reduzir estereótipos, comece por tarefa, objetivo e restrições conhecidas. Peça ao sistema que indique quais elementos vieram do material fornecido e quais foram acrescentados. Depois confira essa classificação: a própria IA também pode atribuir uma origem incorreta.
Ensaiar perguntas e preparar a pesquisa
Uma conversa simulada pode servir de exercício para praticar perguntas de aprofundamento, perceber termos ambíguos e revisar a sequência do roteiro. A equipe pode experimentar como responder a “não entendi a pergunta” ou como retomar o assunto após uma resposta vaga.
Esse ensaio não verifica se pessoas reais compreendem o roteiro. A preparação deve terminar em uma sessão piloto ou na revisão com participantes adequados. O guia de entrevistas com usuários aprofunda planejamento, condução e análise.
Formular explicações alternativas
Diante de um abandono no cadastro, peça hipóteses concorrentes: falta de documento, linguagem confusa, interrupção, receio de fornecer dados ou ausência de valor percebido. Em seguida, descreva a evidência necessária para diferenciar essas explicações.
Às vezes, nem é preciso criar uma persona para isso. Solicitar hipóteses diretamente evita que uma biografia fictícia dê autoridade indevida ao resultado. O artefato útil pode ser apenas um mapa de suposições com perguntas e próximos passos.
Por que não substituem pesquisa com usuários
A limitação decisiva é a relação entre resposta e realidade. A simulação produz uma saída do modelo. A pesquisa com participantes produz registros de pessoas em condições documentadas. Ambos podem conter erros, mas exigem formas diferentes de interpretação e verificação.
| Conclusão desejada | Por que a simulação não basta | Evidência necessária |
|---|---|---|
| “As pessoas precisam desta função.” | A necessidade pode ter sido sugerida pelo próprio pedido. | Relatos situados, alternativas atuais e consequências do problema. |
| “A navegação está fácil.” | O desempenho de um agente não estima automaticamente o desempenho humano. | Observação de tarefas com participantes do público. |
| “Este segmento pagaria mais.” | Uma declaração gerada não envolve orçamento nem escolha real. | Investigação de valor e comportamento comercial compatível com a decisão. |
| “A experiência é acessível.” | Imitar um perfil não reproduz a diversidade de uso de tecnologias assistivas. | Avaliação de acessibilidade e participação de pessoas com deficiência. |
Mesmo quando um agente consegue clicar, navegar ou preencher campos, a sessão registra comportamento do agente. Para usá-la como previsão de desempenho humano, seria necessário demonstrar essa relação nas tarefas e nas condições relevantes. A capacidade de executar a interface não resolve essa exigência por si só.
Outro problema aparece na escala. Gerar cem perfis no mesmo sistema não equivale a recrutar cem participantes independentes. As respostas compartilham modelo, instruções e possivelmente fontes. Portanto, a frequência de uma resposta sintética não deve ser apresentada como percentual do público.
Também é preciso cuidar da circularidade: se o pedido diz que o usuário tem dificuldade para encontrar relatórios, uma resposta reclamando dos relatórios pode apenas repetir a premissa. A equipe corre o risco de transformar sua própria suposição em uma confirmação aparente.
Na pesquisa inclusiva, o cuidado deve ser ainda maior. Pedir ao modelo que represente uma pessoa com deficiência não oferece a participação dessa pessoa no processo nem permite conhecer barreiras que não foram antecipadas pela equipe.
Como usar sem transformar hipóteses em falsas evidências
O processo abaixo é uma proposta operacional para equipes de produto. Não é um protocolo científico validado nem uma garantia de precisão. Ele organiza responsabilidades e preserva a diferença entre preparar a investigação e obter evidências.
1. Defina a decisão e o limite de uso
Escreva o que a atividade deve entregar: por exemplo, “levantar perguntas sobre autorização de pagamentos”. Registre também o que ela não pode decidir, como aprovar o lançamento ou estimar quantos clientes usarão a função. Quanto maior o custo de errar, mais importante é obter evidência direta antes do compromisso.
2. Separe fatos conhecidos de suposições
Prepare um conjunto de informações com origem identificada. Relacione cada afirmação ao estudo, registro ou documento correspondente, incluindo data e contexto. Se não houver dados próprios, declare essa ausência. Não complete o perfil com renda, hábitos ou opiniões inventadas para fazê-lo parecer acabado.
Quando forem usados registros de participantes, siga as regras de consentimento, acesso e tratamento de dados da organização. Uma simulação baseada em material pessoal não se torna anônima apenas por receber outro nome. Consulte também o conteúdo sobre ética em UX Research.
3. Peça hipóteses, lacunas e evidências necessárias
Uma instrução útil para adaptar ao contexto: “Use somente o material fornecido como base factual. Proponha situações possíveis relacionadas à tarefa. Para cada uma, separe o que está documentado do que é hipótese, informe o que permanece desconhecido e sugira como investigar com pessoas. Não crie depoimentos nem frequências. Quando faltar informação, registre a lacuna.”
Essa instrução melhora a organização do pedido, mas não garante obediência nem remove vieses. Leia o resultado, confira as fontes citadas e elimine detalhes sem sustentação. Se usar personagens no exercício, identifique as respostas como simulação em cada trecho que possa ser compartilhado isoladamente.
4. Converta o resultado em um plano verificável
Para cada hipótese relevante, defina uma pergunta, o público a envolver, o método e o sinal que poderia contrariá-la. Evite pesquisar apenas para confirmar a sugestão. Se a hipótese é “aprovação móvel reduz atrasos”, procure também situações em que o atraso vem de regras internas, e não do dispositivo.
5. Registre o que aconteceu depois
Após a pesquisa, marque cada hipótese como sustentada naquele contexto, contrariada ou ainda inconclusiva. Mantenha o vínculo com os registros. Uma hipótese apoiada por duas entrevistas não se transforma automaticamente em uma estimativa de prevalência para toda a base.
Esse fechamento permite avaliar se a simulação ajudou. A equipe aprendeu algo mais cedo? Evitou uma pergunta ruim? Investigou uma situação relevante? Ou gastou tempo revisando detalhes inventados? Essas perguntas são mais úteis do que contar quantas “entrevistas” a IA gerou.
Exemplo prático: aprovação de pagamentos em um sistema empresarial
Exemplo hipotético, sem dados de um projeto real. Uma equipe quer entender se deve permitir que gestores aprovem pagamentos em lote pelo celular. Ao simular uma gerente financeira, recebe a resposta: “Eu aprovaria tudo pelo celular para ganhar tempo”.
A frase não demonstra demanda. Ela abre possibilidades que precisam ser investigadas: a aprovação acontece fora do escritório? A pessoa consegue conferir documentos no celular? Existem limites de valor? Outra pessoa precisa participar? A demora está no acesso ao sistema ou na conferência anterior?
Em vez de perguntar “você usaria aprovação em lote?”, a equipe pode pedir: “Conte como aconteceu a última aprovação que não pôde esperar você voltar ao escritório”. O relato ajuda a reconstruir circunstâncias, alternativas e dificuldades, sem pressupor a solução.
Depois, uma tarefa em protótipo pode investigar como a pessoa confere pagamentos antes de autorizar. Registros do produto, quando disponíveis e adequados à análise, ajudam a verificar horários e etapas de uso. A combinação segue a lógica da triangulação em UX Research.
É possível descobrir que o celular ajuda em casos urgentes, mas que a aprovação em lote dificulta a conferência. Também é possível descobrir que a função resolve um problema real. O processo precisa permitir ambos os resultados, incluindo a decisão de não desenvolver a proposta inicial.
Modelo para registrar hipóteses de personas sintéticas
Use uma linha por hipótese. O exemplo preenchido abaixo é ilustrativo. O campo de origem deve acompanhar o conteúdo quando ele for copiado para uma apresentação, documento ou ferramenta de gestão.
| Campo | Exemplo de preenchimento |
|---|---|
| Origem | Simulação por IA. Não é fala de participante. |
| Hipótese | Aprovar pelo celular pode ajudar em situações urgentes fora do escritório. |
| Base disponível | Descrição da tarefa fornecida pela equipe; sem observação de usuários. |
| Lacuna | Não sabemos a frequência, as restrições nem o impacto da situação. |
| Pergunta | Como ocorreu a última aprovação urgente fora do escritório? |
| Como investigar | Entrevistas sobre episódios recentes, observação e registros pertinentes. |
| O que pode contrariar | Atraso causado por conferência ou autorização interna, mesmo com acesso móvel. |
| Responsável e estado | Pessoa responsável pela pesquisa; hipótese ainda não investigada. |
Para permitir repetição e auditoria, guarde em registro separado a ferramenta, a versão do modelo quando informada, a data, as instruções e as fontes fornecidas. Não é necessário expor detalhes operacionais a todo leitor do relatório, mas a equipe precisa conseguir recuperá-los.
Como avaliar uma ferramenta de personas sintéticas
Antes de adotar uma plataforma, peça uma demonstração com uma pergunta real do seu contexto. Um relatório bem diagramado e personagens diferentes não mostram que a simulação é confiável. Procure evidências sobre como o fornecedor compara as saídas com dados humanos.
| Pergunta ao fornecedor | O que procurar na resposta |
|---|---|
| De onde vêm os perfis? | Distinção entre dados fornecidos, dados externos e conteúdo gerado. |
| Como foi avaliado o desempenho? | Tarefas, população, modelo, métrica e resultados fora dos exemplos de demonstração. |
| O sistema consegue indicar desconhecimento? | Lacunas explícitas e referências conferíveis, sem inventar respostas obrigatórias. |
| Como aparecem erros por grupo? | Análise de diferenças e limitações, além de uma média geral. |
| O que muda quando o modelo é atualizado? | Registro de versões e reavaliação dos usos relevantes. |
Se a equipe fizer uma avaliação própria, reserve casos humanos que não sejam fornecidos ao sistema. Defina critérios antes de observar o resultado e contabilize tanto sugestões incorretas quanto problemas reais que a simulação deixou de apontar. A lógica se aproxima de avaliações de produtos com IA, mas os critérios precisam refletir a decisão de pesquisa.
Uma ferramenta pode ser útil para preparar perguntas e insuficiente para prever escolhas. A aprovação de um uso não deve autorizar automaticamente os demais. Para organizar o processo completo de investigação, retome o guia de UX Research e escolha o método a partir da pergunta que precisa responder.
Perguntas frequentes
Posso calcular uma nota SUS com respostas de usuários sintéticos?
Você pode obter um número a partir de respostas geradas, mas ele não é uma medida da usabilidade percebida por usuários reais. Para reportar SUS como resultado de pesquisa com pessoas, o questionário precisa ser respondido por participantes após a experiência relevante. Identifique qualquer exercício sintético como simulação e não o misture à série histórica humana.
Usar documentos internos com RAG transforma a simulação em evidência?
RAG permite recuperar material para contextualizar a geração. Isso pode melhorar a fundamentação, mas não comprova que uma resposta nova corresponde ao comportamento de alguém. O registro original continua sendo a evidência; a resposta gerada precisa ser conferida e identificada como extração, interpretação ou hipótese.
O que fazer se a equipe não tem orçamento para recrutar agora?
Comece pelo que já existe: registros de suporte, pesquisas anteriores e dados de uso, com suas limitações. Reduza a pergunta e procure uma forma viável de contato com o público. A simulação pode ajudar a organizar o que investigar, mas a falta de orçamento não transforma respostas artificiais em evidência humana.
Como apresentar uma atividade com personas sintéticas no portfólio?
Descreva a atividade como exploração ou preparação de pesquisa com IA. Mostre a origem dos dados, as hipóteses geradas, o que você revisou e se houve verificação com pessoas. Não apresente personagens simulados como participantes recrutados nem contabilize suas respostas como entrevistas reais.
Referências
Fontes consultadas em setembro de 2026. Os trabalhos científicos abaixo possuem versões públicas no arXiv; essa disponibilidade, por si só, não comprova revisão por pares.
Maria Rosala e Kate Moran. Synthetic Users: If, When, and How to Use AI-Generated “Research”. Nielsen Norman Group, 2024. Avaliação comparativa de ferramentas e orientação metodológica. Consultar a fonte original.
Joon Sung Park e colegas. LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. 2024, revisão v3 de junho de 2026. Estudo experimental. Consultar a fonte original.
Pranav Narayanan Venkit e colegas. The Need for a Socially-Grounded Persona Framework for User Simulation. 2026, v2. Estudo de construção e avaliação de personas. Consultar a fonte original.
Pranav Narayanan Venkit e colegas. A Tale of Two Identities: An Ethical Audit of Human and AI-Crafted Personas. 2025. Auditoria de representações geradas por modelos. Consultar a fonte original.
