Personas com IA sem inventar usuários.

Uma equipe precisa decidir quais problemas entram no próximo ciclo. O prazo é curto. Alguém pede à ferramenta de IA: “Crie três personas para o nosso aplicativo”. Em segundos surgem nomes, idades, fotos, objetivos, dores e frases que parecem ter vindo de entrevistas. O material fica bonito no slide e todos reconhecem alguma coisa nele.

Esse é exatamente o risco. Uma narrativa plausível reduz o desconforto da incerteza sem aumentar o conhecimento sobre quem usa o produto. A equipe passa a discutir a história produzida pelo modelo, não a realidade dos clientes. Quando a persona inventada orienta prioridade, comunicação ou política de serviço, o custo aparece em funcionalidade sem adoção, aquisição mal direcionada, suporte adicional e confiança perdida.

Personas com IA podem ser melhores do que um mural esquecido. Para isso, a tecnologia deve entrar depois do dado qualitativo. Seu papel é organizar volume, comparar fontes, localizar padrões, destacar contradições e manter versões. O contato com pessoas continua produzindo aquilo que o modelo não possui: experiência situada, contexto, linguagem própria e consequência real.

Quatro nomes que não significam a mesma coisa

Antes de abrir a ferramenta, defina o tipo de conhecimento disponível. Misturar conceitos cria uma confiança que a pesquisa ainda não conquistou.

Uma persona não é uma média demográfica nem um personagem com biografia completa. É um modelo de padrões relevantes para uma decisão. Idade ou profissão só entram quando ajudam a explicar necessidade, barreira, comportamento ou contexto. Detalhes decorativos tornam o retrato memorável, mas também podem reforçar estereótipos.

Essa distinção importa ainda mais quando o texto vem de um modelo generativo. O perfil de riscos de IA generativa do NIST chama de confabulação a produção confiante de conteúdo falso ou errôneo. Uma persona inventada pode ser uma confabulação bem diagramada.

Por que usuários sintéticos exigem cautela

Modelos de linguagem aprenderam regularidades em grandes coleções de texto. Isso permite imitar formas de falar e combinar atributos. Não lhes dá memória da última tentativa frustrada de um cliente, percepção do ambiente em que a tarefa ocorre nem acesso automático à composição real da sua base.

Um estudo publicado na Nature Machine Intelligence comparou quatro modelos em estudos com 3.200 pessoas e 16 identidades demográficas. Os autores observaram que as simulações podem representar grupos de modo incorreto e reduzir sua diversidade interna. Outro trabalho, nos Findings of EMNLP 2025, mostrou que mudar a formulação do prompt alterava a representação de 15 grupos interseccionais e que os modelos tinham dificuldade maior com grupos marginalizados.

Em 2026, um preprint sobre preferência visual comparou simulações com 2.073 participantes de 29 testes reais. Como o trabalho ainda não passou pelo mesmo processo de revisão de um periódico, deve ser lido como evidência inicial. Mesmo assim, reforça um alerta: justificativas sintéticas podem soar detalhadas enquanto se apoiam em propriedades genéricas.

O problema aparece também quando o teste envolve interação. Em um estudo clínico randomizado publicado na Nature Medicine, participantes simulados não reproduziram adequadamente a forma como pessoas reais usaram assistentes de IA. O domínio é saúde e não pode ser generalizado diretamente para qualquer produto. O mecanismo, porém, é relevante: simular a pessoa e simular o sistema ao mesmo tempo pode esconder as dificuldades da relação entre ambos.

A matéria-prima é uma trilha de evidências

Entrevistas são importantes, mas a persona melhora quando conecta o que as pessoas dizem ao que tentam fazer. Combine fontes de natureza diferente: entrevistas, observação, diários, tickets, avaliações, termos de busca, dados de relacionamento e comportamento no produto. Cada uma responde a uma pergunta.

O dado qualitativo explica razões, linguagem, ambiente e exceções. O quantitativo ajuda a dimensionar frequência, distribuição e mudança. Uma entrevista pode revelar por que uma etapa gera receio. Um funil pode mostrar quantas pessoas abandonam ali. O funil não explica o motivo, e a entrevista não estima sozinha a escala.

Antes de agrupar qualquer coisa, dê um identificador a cada unidade de evidência. Um trecho de entrevista pode receber o ID ENT-04-T12. Um ticket, SUP-137. Um evento agregado, ANA-07. O ID aponta para uma fonte governada, acessível somente a quem precisa. O texto levado ao modelo deve usar a versão mínima e anonimizada.

Anonimizar é mais do que apagar o nome

Pesquisa de produto costuma reunir dados pessoais e, às vezes, informações sensíveis. A Autoridade Nacional de Proteção de Dados trata anonimização como um processo baseado em risco, não como uma ação binária. A própria Lei Geral de Proteção de Dados define dado pessoal de forma ampla e inclui perfis comportamentais ligados a pessoa identificada.

Trocar “Marina” por “P01” pode ser insuficiente. Cargo raro, cidade, condição de saúde e uma história específica podem reidentificar alguém quando aparecem juntos. A revisão deve considerar tanto identificadores diretos quanto combinações indiretas.

Como usar IA sem romper a rastreabilidade

Depois de preparar o corpus, divida a análise em rodadas curtas. Primeiro extraia observações sem interpretar. Depois agrupe comportamentos e necessidades. Em seguida, procure contradições e lacunas. Somente então proponha uma síntese. Essa separação reduz a chance de uma inferência voltar disfarçada de fato.

Não peça uma persona pronta na primeira rodada. Quanto maior o salto entre dado e artefato, mais difícil perceber onde o modelo completou uma lacuna. Revise uma amostra de cada agrupamento contra a fonte. Se os IDs não sustentarem a frase, corrija ou exclua.

Depois, construa uma matriz entre evidência e hipótese. Ela evita que a quantidade de frases em um cluster seja confundida com representatividade.

A IA pode sugerir a estrutura, mas o pesquisador decide se fontes diferentes são comparáveis, se a ausência tem significado e se o padrão importa para o problema. A autoridade não vem da fluidez do texto. Vem da cadeia entre evidência, interpretação e decisão.

Da análise à persona que orienta escolhas

Uma persona útil deve ser curta o suficiente para entrar numa discussão e específica o bastante para mudar uma escolha. Em vez de uma biografia decorativa, descreva situação, objetivo, comportamento, barreiras, gatilhos, estratégias atuais, evidências, exceções e decisões que o modelo ajuda a avaliar.

Crie também um campo “não sabemos”. Lacunas visíveis protegem a equipe do excesso de confiança e alimentam o plano de pesquisa. Registre a data, as fontes, o contexto do produto e a pessoa responsável pela versão.

Valide em três frentes. Primeiro, devolva a síntese a participantes ou especialistas de contexto quando isso for adequado. Segundo, teste se o padrão aparece em dados comportamentais ou novas pesquisas. Terceiro, observe se a persona melhora decisões reais. Se ninguém a consulta, se serve para justificar qualquer solução ou se não distingue prioridades, o artefato não está cumprindo sua função.

Quando revisar ou descartar

Personas envelhecem porque produtos, mercados, renda, canais e hábitos mudam. A revisão não precisa ocorrer por calendário apenas. Use gatilhos: nova proposta de valor, entrada em outro segmento, mudança regulatória, alteração relevante na jornada, volume crescente de exceções ou divergência entre comportamento observado e modelo atual.

Descarte uma persona quando ela depender de evidência não rastreável, combinar grupos com necessidades incompatíveis, reproduzir estereótipos, não alterar decisão alguma ou cobrir um contexto que deixou de existir. Preservar um artefato conhecido não vale mais do que corrigir o modelo de realidade.

Como medir qualidade e efeito no negócio

Não atribua receita a uma persona apenas porque ela participou de um projeto bem-sucedido. Meça primeiro a qualidade do próprio sistema de pesquisa:

• percentual de afirmações com pelo menos um ID verificável;
• diversidade de fontes e contextos cobertos;
• quantidade de contradições e lacunas registradas;
• tempo entre uma nova evidência e a revisão do artefato;
• decisões em que a persona foi consultada e como alterou a escolha;
• hipóteses posteriormente confirmadas, corrigidas ou descartadas.

Depois, conecte a decisão a métricas de experiência e operação. Se a persona orientou uma mudança em conteúdo, acompanhe compreensão, conclusão, erro, contato e reclamação. Se orientou aquisição, observe qualidade da conversão, retenção e custo ao longo do tempo. Use comparação e declare fatores externos. A persona contribui para uma hipótese causal, mas não prova sozinha o resultado.

Perguntas frequentes

A IA pode criar uma persona sem entrevistas?

Pode criar uma proto-persona ou hipótese para orientar perguntas, mas não uma persona baseada em pesquisa. Sem dados reais, a saída não descreve os usuários do produto e não deve orientar decisões como se fosse evidência.

Quantas entrevistas são necessárias para uma persona?

Não existe um número universal. A suficiência depende da diversidade do público, do risco da decisão, da recorrência dos padrões e das lacunas ainda abertas. Registre cobertura e contradições em vez de usar um número mágico.

Posso enviar transcrições de clientes para uma ferramenta de IA?

Somente com base legal, finalidade definida, minimização, ambiente aprovado e controles compatíveis com a LGPD e as políticas da organização. Remover nomes não garante anonimização, porque combinações de detalhes podem reidentificar pessoas.

Usuários sintéticos servem para testar produtos?

Servem para ensaiar perguntas, explorar cenários e localizar hipóteses. Não substituem pessoas reais em validação de comportamento, preferência, compreensão, acessibilidade ou impacto.

Como saber se um padrão merece entrar na persona?

O padrão deve apontar para evidências identificáveis, aparecer em fontes ou participantes relevantes, sobreviver à busca por casos contrários e alterar uma decisão de produto. Frequência sem contexto e uma frase marcante isolada não bastam.

O dado qualitativo vem antes do prompt

A equipe do início não precisava abandonar a IA. Precisava mudar a ordem. Em vez de começar por três personagens, deveria começar pelo que sabe, pelo que apenas supõe e pelo que ainda precisa descobrir.

A IA ganha valor quando reduz o trabalho mecânico sem apagar a origem. Ela ajuda a encontrar relações que merecem investigação e a atualizar um modelo conforme chegam novos sinais. A pessoa pesquisadora preserva contexto, confronta contradições, protege participantes e responde pela interpretação.

Se sua organização acumula entrevistas, tickets e dados, mas ainda decide por histórias soltas, a Jornada do cliente da AIUX Brasil pode transformar esse repertório em uma arquitetura de evidências, métricas e decisões. O objetivo não é produzir uma persona mais bonita. É entender melhor o negócio para desenhar uma experiência que mereça investimento.

Fontes públicas

• NIST: Artificial Intelligence Risk Management Framework, Generative AI Profile, 2024.
• Wang, Morgenstern e Dickerson: Large language models that replace human participants can harmfully misportray and flatten identity groups, Nature Machine Intelligence, 2025.
• Lutz e outros: The Prompt Makes the Person(a), Findings of EMNLP, 2025.
• Distorted Perspectives of LLM-Simulated Preferences: Can AI Mislead Design?, preprint, 2026.
• Goh e outros: Reliability of LLMs as medical assistants for the general public, Nature Medicine, 2025.
• ANPD: estudos técnicos sobre anonimização e proteção de dados.
• Brasil: Lei nº 13.709, Lei Geral de Proteção de Dados Pessoais.