Simulação de Audiência: Os LLMs Podem Prever o Comportamento Humano?
No marketing, avaliar com que precisão os LLMs preveem o comportamento humano é crucial para avaliar sua eficácia em antecipar as necessidades do público e reconhecer os riscos de desalinhamento, comunicação ineficaz ou influência não intencional.
A simulação de audiência com LLMs permite modelar audiências virtuais, ajudando organizações a antecipar reações a conteúdos ou produtos sem depender de pesquisas caras ou grupos focais.
Testamos quão bem os modelos de IA conseguem prever qual dos dois posts no LinkedIn, do mesmo autor, terá maior engajamento (curtidas, comentários, compartilhamentos), essencialmente simulando o comportamento do público humano.
Resultados do benchmark de simulação de audiência
Razões por trás das diferenças de desempenho nos LLMs
Os modelos de linguagem grandes apresentam diferentes níveis de precisão ao prever qual dos dois posts no LinkedIn, do mesmo autor, receberá maior engajamento. Essas diferenças surgem da forma como cada modelo processa as entradas descritas no benchmark e com que eficácia identifica os fatores que influenciam as reações do público.
Entendendo os sinais de engajamento
O benchmark exige que os modelos avaliem sinais sutis que predizem o engajamento. Modelos com melhor desempenho tendem a detectar esses sinais com maior precisão. Esses sinais incluem se o post:
- Apresenta uma percepção pessoal ou uma lição
- Faz uma pergunta direta
- É identificável com um público amplo
- Parece promocional
- A estrutura afeta a atenção do leitor
Modelos como o DeepSeek Chat V3 e o Claude Opus 4 performam bem porque identificam esses sinais com maior consistência.
Uso de informações contextuais
A avaliação inclui várias peças de dados contextuais para cada post, e os modelos diferem na forma como os utilizam. Cada modelo recebe:
- Texto do post
- Tipo de mídia, como texto, imagem, vídeo ou link
- Faixa de seguidores do autor
Para prever com precisão, o modelo precisa combinar essas entradas. Modelos com melhor desempenho reconhecem padrões, como menor engajamento em posts com link e maior engajamento em narrativas reflexivas. Modelos mais fracos frequentemente tratam as entradas isoladamente ou ignoram suas interações.
Interpretação do comportamento humano
Prever o engajamento exige raciocínio sobre as preferências do público. Apenas alguns modelos demonstram forte capacidade nessa área. Muitos modelos ficam próximos da linha de base de 50%, pois o comportamento do público é variável e depende de fatores psicológicos difíceis de inferir apenas a partir do texto.
Modelos com desempenho em torno de 52% mostram compreensão parcial desses sinais. Conseguem identificar padrões gerais, mas enfrentam dificuldades em casos limítrofes. Modelos com pontuações muito baixas, como o1, parecem subestimar os fatores padrão de engajamento e frequentemente favorecem a opção menos envolvente.
Influência dos dados de treinamento
Observa-se que as saídas dos modelos refletem os dados nos quais foram treinados. Se os dados de treinamento não representam uma ampla variedade de estilos de comunicação ou grupos demográficos, o modelo pode interpretar mal certos tipos de conteúdo. Essas diferenças de treinamento contribuem diretamente para a variação dos resultados no benchmark.
Modelos treinados com conjuntos de dados mais amplos ou mais conversacionais tendem a aproximar melhor as reações dos usuários. Modelos treinados com conjuntos de dados mais restritos frequentemente dependem de características superficiais que não se correlacionam bem com o engajamento real.
Generalização entre autores
O conjunto de dados inclui posts de 50 autores com diferentes quantidades de seguidores, preferências de mídia e estilos de escrita. Os modelos precisam generalizar essas diferenças. Modelos mais fortes formam expectativas consistentes sobre o que impulsiona o engajamento, independentemente do autor.
Modelos com desempenho mais baixo aplicam critérios inconsistentes entre diferentes autores e posts.
Veja nossa metodologia para entender como calculamos essas medições.
O que é simulação de audiência?
A simulação de audiência é a prática de usar populações sintéticas, impulsionadas por modelos, às vezes chamadas de audiências virtuais, para prever como pessoas reais podem reagir a conteúdos, produtos ou ideias de políticas antes de seu lançamento. Em vez de realizar testes ao vivo com pesquisas caras ou grupos focais, as organizações podem criar personas que representam seu público-alvo e observar suas respostas simuladas.
A técnica baseia-se em métodos de modelagem baseada em agentes, modelos de linguagem grandes e simulação de personas. Cada agente ou persona simulado é projetado com atributos como demografia, preferências ou tendências comportamentais. Juntas, essas personas interagem, produzindo dados sintéticos que aproximam o comportamento de um grupo de clientes ou cidadãos reais na mesma situação.
Como funcionam as ferramentas de simulação de audiência?
A mecânica da simulação de audiência depende das ferramentas utilizadas, mas a maioria das abordagens compartilha componentes padrão:
- Design de persona: Pesquisadores definem personas com base em demografia específica, psicografia ou segmentos de mercado. Essas personas podem variar de agentes baseados em regras simples a personas de IA detalhadas, enriquecidas com biografias e habilidades conversacionais.
- Geração de dados sintéticos: Modelos de linguagem grandes ajudam a simular diálogos, respostas a pesquisas ou comportamento de postagem. Por exemplo, as Sociedades Artificiais operam entre 100 e 300 personas de IA que leem, reagem e compartilham posts no LinkedIn para simular dinâmicas de rede.
- Modelagem de interação: As personas não agem isoladamente. Elas interagem, influenciam umas às outras e formam padrões como câmaras de eco, cascata de republicações ou mudanças na opinião pública. Isso permite que as simulações capturem não apenas reações individuais, mas também fenômenos em nível grupal.
- Teste de cenários: Variando entradas como enquadramento da mensagem, tipo de mídia ou perguntas da pesquisa, as organizações podem observar como as audiências simuladas respondem a essas variações. Esses cenários ajudam a gerar hipóteses e testar ideias em um estágio seguro antes de interagir com pessoas reais.
- Análise de dados: As saídas são analisadas usando técnicas como nuvens de palavras, análise de sentimento e pontuação de precisão. Os resultados podem mostrar os prováveis vencedores entre duas variantes de post, temas comuns no feedback ou a perspectiva de uma persona sobre por que uma ideia ressoa mais do que outra.
Exemplo da vida real: Simulações de Agentes Generativos da Stanford
Uma equipe de pesquisa da Universidade de Stanford desenvolveu uma arquitetura de agentes que converte dados qualitativos de entrevistas em representações baseadas em LLM de indivíduos reais.
Em vez de construir personas apenas com base em rótulos demográficos, cada agente é fundamentado em uma entrevista de duas horas com a pessoa que representa. Testado contra a Pesquisa Social Geral, os agentes corresponderam às respostas de seus indivíduos originais quase tão bem quanto esses indivíduos corresponderam às próprias respostas ao serem pesquisados novamente duas semanas depois.
A arquitetura também mostrou redução do viés de previsão entre grupos raciais e ideológicos em comparação com abordagens de persona baseadas apenas em demografia, sugerindo que pode modelar populações diversas com mais fidelidade do que métodos mais simples.1
Casos de uso da simulação de audiência
Marketing e publicidade
As marcas podem testar slogans de campanhas, visuais ou posicionamento de produtos com uma audiência virtual antes de investir em distribuição em larga escala. Em vez de depender apenas de respostas tradicionais de pesquisas, podem gerar dados sintéticos de personas de IA e comparar o desempenho entre grupos.
Por exemplo, os profissionais de marketing podem determinar se um produto ressoa mais com a Geração Z do que com profissionais mais velhos e ajustar sua estratégia criativa de acordo. Essa capacidade de validar campanhas na fase de teste resulta em economia de custos e segmentação mais precisa.
Exemplo da vida real: Focus Agent
Pesquisadores da KU Leuven criaram um sistema multiagente que replica a estrutura de um grupo focal tradicional inteiramente em software, incluindo tanto os participantes quanto o papel do moderador.
O sistema foi validado realizando cinco sessões reais de grupo focal com 23 participantes humanos sobre os mesmos temas de discussão, comparando as saídas com as geradas apenas por participantes de IA. As opiniões geradas por IA alinharam-se fortemente com as dos respondentes humanos.
Além de substituir participantes, o moderador de LLM também ofereceu vantagens práticas sobre a moderação humana, como direcionamento de tópicos mais consistente e gerenciamento de tempo.2
Mídia e publicação
Empresas de mídia podem simular como diferentes formatos de conteúdo (por exemplo, posts curtos, artigos longos, vídeos explicativos) performarão entre seus públicos.
A simulação de persona também permite testar como manchetes afetam cliques ou como o tom influencia compartilhamentos. Antecipando reações, editores podem priorizar histórias com maior probabilidade de viralizar, em vez de esperar métricas pós-publicação.
Política pública e pesquisa
Governos e centros de pesquisa podem usar simulação de audiência para testar ideias de pesquisa em políticas. Populações sintéticas modeladas com base em demografias específicas podem ilustrar como diferentes comunidades poderiam reagir a um novo imposto, regulamentação de saúde ou iniciativa climática. Pesquisadores já aplicaram simulações generativas para explorar questões como polarização e desinformação.
Essa abordagem facilita a geração de hipóteses e fornece um ambiente mais seguro para antecipar consequências não intencionais antes de interagir com pessoas reais.
Desenvolvimento de produtos
Empresas podem simular como personas representando demografias específicas falam sobre um novo recurso ou dispositivo. Por exemplo, uma empresa de tecnologia poderia comparar se pequenos empresários, estudantes ou gerentes corporativos encontram mais valor em uma nova atualização de software.
Os insights da simulação podem orientar decisões de design e mitigar o risco de lançar recursos que não ressoam com o público-alvo.
Treinamento e educação
Universidades e empresas podem usar simulações para criar ambientes práticos onde os alunos interagem com personas de IA. Um negociador em treinamento pode praticar com contrapartes simuladas, ou um estudante de medicina pode testar estratégias de comunicação com pacientes sintéticos.
Esses cenários de treinamento oferecem uma ampla gama realista de respostas, permitindo que os alunos aprimorem suas habilidades antes de encontrar pessoas reais.
Agências de pesquisa de mercado
Perguntas tradicionais de pesquisas e grupos focais podem ser caros e lentos. Agências de pesquisa de mercado podem complementá-los com simulação de audiência para gerar dados sintéticos que fornecem insights direcionais rápidos.
Embora as simulações não substituam o engajamento com clientes reais, podem reduzir a dependência de painéis caros e acelerar testes em estágios iniciais.
Ferramentas de simulação de audiência
Se você está procurando uma ferramenta dedicada para simulação de audiência em vez de usar LLMs, aqui estão algumas opções:
Artificial Societies
A Artificial Societies permite que os usuários descrevam um público-alvo em linguagem simples ou o gerem com base em interações em redes sociais. Em seguida, constrói uma “sociedade” de personas e executa simulações impulsionadas por IA.
Cada simulação inclui testes A/B automáticos, que geram variações de uma mensagem no estilo do usuário e as testam com o público. Os resultados são apresentados com pontuações, comentários e resumos, permitindo interpretação rápida. Os casos de uso abrangem RP, desenvolvimento de produtos, branding, marketing, jornalismo e mídias sociais.
Figura 1: Painel de simulação da Artificial Societies.
Exemplo da vida real: Teneo
A Teneo, uma empresa de RP, estava se preparando para lançar uma nova estratégia tecnológica e precisava testar se sua mensagem ressoaria com partes interessadas-chave antes do anúncio público. No entanto, a empresa enfrentava várias restrições:
- A estratégia era confidencial, limitando métodos tradicionais de pesquisa.
- O cronograma era curto, dificultando pesquisas em larga escala.
- Públicos importantes, como formuladores de políticas, líderes do setor e partes interessadas especializadas, eram quase impossíveis de alcançar por meio de painéis tradicionais de pesquisa de mercado.
Para enfrentar esses desafios, a Teneo se associou à Artificial Societies. O processo incluiu:
- Criação de personas de IA: Mais de 5.000 personas de IA foram geradas. Essas personas foram baseadas em perfis demográficos e psicográficos reais, informados por escuta social e pesquisa qualitativa.
- Criação de “sociedades” especializadas: Sociedades de IA separadas representavam diferentes grupos de partes interessadas, incluindo:
- Consumidores
- Concorrentes do setor
- Formuladores de políticas, lobistas e influenciadores políticos.
- Teste de narrativas de mensagens: Pesquisadores testaram seis narrativas tecnológicas concorrentes usando pesquisas e experimentos dentro de cada sociedade de IA.
- Análise de reações: As respostas foram analisadas em níveis agregado e individual de persona, permitindo à equipe comparar reações entre segmentos de audiência.
A simulação produziu insights em larga escala muito mais rápido do que métodos tradicionais de pesquisa. Os principais resultados incluíram:
- 189.756 respostas únicas geradas pelas simulações de IA.
- Insights baseados em 30 perguntas de pesquisa aprofundadas em seis narrativas.
- Identificação da narrativa mais eficaz e mensagens personalizadas para cada segmento de audiência.
- Entrega dos resultados por meio de uma plataforma analítica interativa e um relatório escrito.3
Ask rally
O Ask Rally é um simulador de audiência virtual que permite aos usuários testar perguntas, conteúdos e ideias com personas de IA projetadas para se assemelhar a audiências reais.
Os usuários criam ou editam personas, ou as clonam a partir de dados existentes, como entrevistas ou pesquisas. Após definir uma audiência, podem fazer perguntas e receber respostas geradas por personas, variando de 5 a 100. A plataforma agrega respostas, fornece insights principais e permite que agentes votem em opções.
Principais recursos incluem:
- Respostas multiagente com resumos agregados e insights.
- A memória de persona impulsionada por Mem0 permite que personas retenham contexto e padrões comportamentais ao longo do tempo, ajudando a simular reações de audiência mais consistentes e realistas.
- Quatro níveis de sofisticação de audiência permitem que os usuários modelam audiências com diferentes níveis de expertise ou familiaridade com um tópico.
- A simulação de reação em vídeo permite que equipes testem como audiências podem responder a conteúdos em vídeo, como anúncios, materiais de campanha ou apresentações.
- O acesso por API permite que equipes integrem o simulador em fluxos de trabalho de pesquisa, ferramentas internas ou pipelines de testes automatizados.
- Ambientes de teste para sites, campanhas e mídia.
- Recursos adicionais como gêmeos digitais, ambientes simuladores e calibração com dados do mundo real.
- Plano gratuito para experimentação e testes iniciais.
Generative Audiences da Dentsu
Generative Audiences é uma ferramenta de inteligência de marketing com IA que cria audiências consumidoras simuladas a partir de dados reais. Ajuda marcas a melhorar o direcionamento de público, planejamento de mídia e desempenho de campanha, permitindo que os profissionais de marketing interajam com essas personas de IA e analisem suas respostas.4
- Dados determinísticos e impulsionados por IA: Combina dados determinísticos baseados em pessoas com sinais comportamentais impulsionados por IA para modelar com precisão o comportamento do público.
- Insights interativos do consumidor: Os profissionais de marketing podem interagir com personas simuladas para explorar motivações e comportamentos, por exemplo, para testar como audiências podem responder a novas mensagens, ideias de produtos ou eventos atuais.
- Integração de múltiplas fontes de dados: Sintetiza múltiplas fontes de dados (estáticas e em tempo real) e integra-se com dados existentes do cliente.
- Planejamento e ativação de mídia: Os insights das audiências de IA podem ser usados para construir estratégias de mídia direcionadas e ativar campanhas.
- Modelagem de audiência consciente da privacidade: Como usa simulações estatísticas em vez de depender fortemente de identificadores pessoais, a solução pode escalar o direcionamento de audiência mantendo-se mais compatível com a privacidade.
Electric Twin
O Electric Twin é uma plataforma de audiência sintética que cria populações digitais a partir de dados do mundo real.5
- Modelagem de audiência sintética: Cria populações digitais que representam grupos demográficos reais e simulam comportamento humano.
- Feedback em tempo real da audiência: Os usuários podem fazer perguntas e receber respostas imediatas de personas simuladas, em vez de realizar pesquisas.
- Teste de cenários e mensagens: Equipes podem avaliar conceitos de produtos, campanhas, estratégias de precificação e propostas de políticas antes de lançá-las.
- Pesquisas e grupos focais simulados: Suporta pesquisas rápidas, entrevistas e discussões no estilo de grupo focal com personas de IA.
- Audiências personalizadas e pré-construídas: Organizações podem construir audiências usando seus próprios dados de pesquisa ou usar populações demográficas prontas em vários países.
- Motor de previsão: Compara resultados com dados reais de pesquisas para estimar prováveis respostas do consumidor.
- Ambiente de pesquisa que preserva a privacidade: Populações sintéticas permitem testar ideias sem expor dados sensíveis ou pessoais.
Simile AI
Desenvolvido por pesquisadores da Stanford, o Simile visa simular grandes grupos, ou até sociedades inteiras, para prever como as pessoas podem reagir a produtos, políticas ou decisões corporativas.6
- Personas de gêmeo digital: Cria agentes de IA que representam indivíduos reais com base em dados comportamentais e entrevistas.
- Simulações em larga escala de comportamento humano: Modela interações entre milhares de agentes para prever decisões do consumidor ou resultados sociais.
- Previsão de cenários: Empresas podem antecipar eventos como mudanças na demanda do consumidor ou perguntas de analistas durante chamadas de resultados.
- Arquitetura de agente generativo: Agentes de IA planejam ações, formam opiniões e interagem entre si para produzir dinâmicas comportamentais realistas.
Adicionar como fonte preferencialMetodologia do benchmark
Nossa pergunta de pesquisa para este benchmark foi “Modelos de IA podem prever qual post no LinkedIn terá mais engajamento antes de ser publicado?” Por essa razão, avaliamos quão bem os modelos de IA conseguem prever qual dos dois posts no LinkedIn, do mesmo autor, gerará maior engajamento total (curtidas + comentários + compartilhamentos) dentro de 7 dias após a publicação.
Usamos posts de 50 autores para nosso conjunto de dados. Cada linha contém um par de posts do mesmo autor com essas características:
- Conteúdo do post: Texto bruto dos dois posts
- Tipo de mídia: texto/imagem/vídeo/link para cada post
- Contexto do autor: Faixa de seguidores (por exemplo, “1k-5k”, “5k-20k”)
- Verdade de referência: Números reais de engajamento e rótulo do vencedor (A ou B)
Dados de exemplo:
Post A (Vencedor – 156 engajamentos): “Depois de três startups fracassadas, aqui está o que eu gostaria que alguém me dissesse sobre o ajuste entre produto e mercado: Pare de criar recursos que seus cinco usuários beta pediram. Comece a se concentrar no problema que 95% do seu mercado-alvo realmente enfrenta. Cometi esse erro por 2 anos. Não repita. Qual é a maior lição sobre produtos que você aprendeu da maneira mais difícil?”
- Mídia: texto
- Seguidores: 5k-20k
Post B (84 engajamentos): “Empolgado para apresentar nosso novo painel de análises com IA! Confira a demonstração e nos diga o que você acha.”
- Mídia: link
- Seguidores: 5k-20k
Análise: O Post A venceu porque fornece conselhos específicos e aplicáveis a partir de um fracasso pessoal, faz uma pergunta envolvente e oferece conteúdo identificável. O Post B é uma promoção genérica com menor potencial de engajamento.
Avaliação
Na avaliação, cada modelo recebe essas informações para ambos os posts:
- Texto do post
- Tipo de mídia
- Faixa de número de seguidores do autor
Com essas informações, espera-se que os modelos prevejam se o post A ou B é o melhor em desempenho. Eles podem mostrar seu raciocínio, mas não avaliamos o raciocínio neste benchmark.
Como os modelos têm 50% de chance de acertar o melhor desempenho (há apenas duas opções), estamos considerando a busca por “ganho em relação ao acaso (Precisão menos 50%, que é a linha de base de adivinhação aleatória)” no futuro.
Ainda assim, neste conjunto de dados, não observamos adivinhação aleatória; todos os modelos explicaram seu raciocínio, independentemente de suas respostas estarem certas ou erradas.
Quais são os desafios potenciais da simulação de audiência?
Apesar de sua promessa, a simulação de audiência deve ser abordada com cautela.
Validação com clientes reais
As previsões de audiências virtuais devem ser comparadas com resultados reais. Sem benchmarks, os resultados podem criar falsa confiança. A validação é crucial para garantir que personas sintéticas reflitam com precisão o comportamento de pessoas reais.
Viés em modelos de linguagem
As personas de IA são moldadas pelos dados que treinaram os modelos de linguagem subjacentes. Se esses dados sub-representam certos grupos, as personas resultantes podem distorcer a forma como grupos demográficos específicos são retratados. Isso pode afetar como respostas de pesquisa ou opinião pública são simuladas.
Interpretabilidade
Embora conversas de personas ou nuvens de palavras possam mostrar temas comuns, nem sempre é claro por que saídas específicas surgem. A complexidade das respostas de LLM pode dificultar explicar ou validar o comportamento da audiência.
Diretrizes éticas
O uso de dados sintéticos para pesquisa de clientes ou política exige transparência. As organizações devem garantir que não apresentem simulações como substituição de clientes reais e devem respeitar os limites éticos ao definir personas.
Generalização
As simulações dependem muito do escopo do design da persona. Um modelo treinado com fundadores de tecnologia nos EUA não pode prever automaticamente respostas da Geração Z na Ásia. A generalização excessiva é um risco ao estender descobertas a populações não representadas na simulação.
Custo computacional
Executar simulações detalhadas com milhares de personas pode exigir recursos significativos. Embora as ferramentas de IA estejam melhorando a eficiência, experimentos em larga escala ainda exigem tempo, conhecimento técnico e infraestrutura.
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{ermut2026,
author = {Ermut, Sıla},
title = {{Simulação de Audiência: Os LLMs Podem Prever o Comportamento Humano?}},
year = {2026},
month = apr,
howpublished = {\url{https://aimultiple.com/audience-simulation}},
note = {AIMultiple. Acessado em 28 Abril 2026}
}Links de referência
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.