Respondente Sintético Precisa de Rótulo Antes de Precisar de Benchmark

A Aaru estava avaliada em US$ 1 bilhão em setembro de 2026. A Simile captou US$ 200 milhões com avaliação de US$ 2 bilhões em julho de 2026. As duas atuam na mesma categoria: respostas de pesquisa geradas por modelos de linguagem que ocupam o lugar de respondentes humanos. A Contrary Research revisou as evidências dessa categoria em um relatório atualizado em 22 de setembro de 2026, e o quadro que ela descreve é desigual. Painéis sintéticos se ajustam razoavelmente bem nos agregados. Em subgrupos e em indivíduos, o ajuste é ruim.

Duas ressalvas antes dos números. A Contrary é uma consultora registrada na SEC, e o próprio relatório avisa que seus clientes “podem assumir qualquer posição” nas empresas citadas. Os números da Verasight, da AAPOR e da Nature também chegam até nós pelo resumo da Contrary, e não lemos os documentos originais. Trate cada número deste texto como o relato da Contrary sobre ele.

O que os testes encontraram

A Contrary relata um teste da Verasight sobre uma medida de zoneamento. O painel sintético previu 59% de apoio. O número real foi 28%. O painel sintético também produziu 0% de respostas “não sei”, contra 29% entre os respondentes reais.

Esse zero merece mais atenção do que o erro principal. Cerca de três em cada dez pessoas reais não tinham opinião formada sobre a pergunta. Os respondentes simulados tinham todos. Uma equipe que usasse esse resultado para dimensionar demanda, planejar campanha ou ler o sentimento público veria certeza onde a população tinha dúvida.

Os testes da Verasight, no resumo da Contrary, também mediram o erro por subgrupo. A média foi de 8%. Para respondentes negros, subiu para 15%, e para respondentes de outras raças chegou a 20%. O erro se concentra justamente nos grupos que uma decisão sobre produto, crédito ou cuidado de saúde muitas vezes precisa ler em separado.

A Contrary cita ainda um estudo publicado na Nature em 2026 segundo o qual “o modelo superestima de forma consistente o tamanho dos efeitos”. Se esse achado valer além do contexto do estudo, uma equipe que compare duas mensagens ou duas ofertas em um painel sintético verá entre elas uma diferença maior do que respondentes reais produziriam.

A profissão já escreveu a regra

A área de pesquisa de opinião não esperou a tecnologia amadurecer. A Contrary cita uma força-tarefa da AAPOR em dois pontos. Primeiro, “uma margem de erro não pode ser produzida a partir de respostas sintéticas”. Segundo, “pesquisadores devem ser transparentes e distinguir claramente entre dados obtidos de respondentes humanos e dados gerados por sistemas de IA”.

O Gallup, segundo o mesmo relatório, “descartou o uso de respostas simuladas para estimativas publicadas ou séries de acompanhamento”. Ele segue validando o método para pré-teste de questionários e para populações de difícil acesso.

Com as duas posições lado a lado, surge uma política utilizável. Respondentes sintéticos ajudam a desenhar um questionário, testar a redação e explorar uma população de difícil acesso. Não sustentam uma estimativa publicada, e tudo o que produzem precisa vir marcado como gerado. As duas partes dessa política tratam de transparência e de escopo de uso, e ambas podem ser aplicadas hoje.

O caso Axios

A Contrary descreve um caso em que a regra falhou em público. O Axios “publicou um achado da Aaru de que ‘a maioria das pessoas confia nos próprios médicos e enfermeiros’, sem mencionar em lugar algum que aqueles respondentes eram modelos, e não pacientes”.

Temos apenas a descrição da Contrary sobre essa matéria e não vimos resposta do Axios nem da Aaru a ela. Tomado como descrito, o caso ensina pelo que faltou. O achado tratava de confiança na saúde, um tema em que leitores, gestores hospitalares e operadoras têm motivos para agir com base em pesquisa. Quem leu a matéria não tinha como saber que as “pessoas” dela eram simuladas.

Minha leitura é que um modelo mais preciso não teria consertado aquela matéria. Um modelo melhor produziria um número melhor, e esse número chegaria ao leitor sem a frase que dizia como ele foi feito. A pergunta do benchmark (quão perto o dado sintético está do humano?) importa. A pergunta do rótulo vem antes, porque sem rótulo ninguém mais adiante consegue sequer fazer a pergunta do benchmark.

Por que isso chega à empresa

Um resultado sintético não precisa ficar onde foi produzido. Ele pode sair do painel do fornecedor para um resumo de pesquisa, do resumo para um slide e do slide para uma decisão sobre preço, produto financeiro ou programa de pacientes. Cada passagem é uma chance de perder a nota que dizia como o dado foi gerado.

Defendemos a proveniência para mídia gerada em Um Laboratório Adicionou uma Marca d’Água Invisível. O Outro Lançou o Botão de Apagar.: quando a proveniência depende de uma configuração do fornecedor, ela pode mudar sem aviso. Dados de pesquisa têm a mesma fragilidade. Uma tabela de percentuais tem a mesma cara, tenha respondido uma pessoa ou um modelo.

Três tipos de decisão carregam essa exposição mais diretamente: marketing, finanças e saúde. Em marketing, um efeito superestimado pode justificar uma campanha que rende menos. Em finanças, erros por subgrupo como os que a Verasight mediu, se valessem ali, cairiam sobre o tipo de grupo que as análises de crédito justo existem para proteger. Em saúde, um número de confiança ou de adesão pode moldar um programa para pacientes que nunca foram consultados. Sobre equipes de marketing operando sistemas automatizados, veja também O Marketing Acabou de Ter Sua Primeira Queda de Engenharia.

Painéis sintéticos podem continuar na caixa de ferramentas, desde que todo consumidor do resultado saiba quais linhas vieram de pessoas.

Faça isto agora

Adicione um campo de proveniência a todo conjunto de dados de pesquisa que sua organização compra ou produz. Cada registro carrega um valor: humano, sintético ou misto. Relatórios e dashboards leem esse campo e o exibem ao lado de cada número derivado dele. Essa mudança torna o resto da lista aplicável.

Depois, defina quatro regras:

Nenhuma margem de erro em números sintéticos. A posição da AAPOR é explícita. Se um relatório de fornecedor mostrar uma, pergunte como foi calculada.
Resultado sintético fica interno até humanos confirmarem. Siga a linha do Gallup: pré-teste, checagem de redação e exploração de populações de difícil acesso são usos legítimos. Estimativas publicadas e séries de acompanhamento ficam de fora.
Nenhum recorte sintético por subgrupo em decisões. Com erro relatado de 15% a 20% em alguns grupos, qualquer conclusão por segmento precisa de uma amostra humana por trás.
Peça ao fornecedor a taxa de “não sei”. Um painel que nunca hesita diz algo sobre a própria calibração. Peça também o erro por subgrupo nos estudos de validação dele.

As avaliações mostram que investidores querem essa categoria. A profissão já disse o que o resultado pode e não pode sustentar. Falta garantir que o rótulo sobreviva ao caminho entre o fornecedor e a decisão.

Fontes

Contrary Research. “AI Polling: How Synthetic Surveys Could Predict Real Behavior.” Setembro de 2026.

A Victorino ajuda equipes de pesquisa, marketing e dados a colocar controles de proveniência em dados gerados por IA antes que cheguem a uma decisão: contato@victorino.com.br | www.victorino.com.br