Simulação de público: os modelos de aprendizagem de línguas (LLMs) conseguem prever o comportamento humano?

atualizado em Abr 28, 2026

Em marketing, avaliar a precisão com que os Modelos de Aprendizagem Baseados em Leis (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 público com LLMs permite a modelagem de públicos virtuais, ajudando as organizações a antecipar reações a conteúdo ou produtos sem depender de pesquisas ou grupos focais dispendiosos.

Testamos a capacidade dos modelos de IA em prever qual de duas publicações do LinkedIn, do mesmo autor, obterá maior engajamento (curtidas, comentários, compartilhamentos), simulando essencialmente o comportamento do público humano.

Resultados de referência da simulação de público

Loading Chart

Razões por trás das diferenças de desempenho em mestrados em Direito (LLMs)

Grandes modelos de linguagem mostram diferentes níveis de precisão na previsão de qual de duas postagens do LinkedIn, do mesmo autor, receberá maior engajamento. Essas diferenças surgem da forma como cada modelo processa as entradas descritas no teste de referência e da eficácia com que identifica os fatores que influenciam as reações do público.

Entendendo os sinais de engajamento

O teste de referência exige que os modelos avaliem pistas sutis que preveem o engajamento. Os modelos com melhor desempenho tendem a detectar essas pistas com mais precisão. Essas pistas incluem se a publicação:

Apresenta uma visão pessoal ou uma lição.
Faz uma pergunta direta.
É algo com que um público amplo pode se identificar.
Parece promocional.
A estrutura influencia a atenção do leitor.

Modelos como DeepSeek Chat V3 e Claude Opus 4 apresentam bom desempenho porque identificam essas pistas com maior consistência.

Utilizando informações contextuais

A avaliação inclui diversos dados contextuais para cada postagem, e os modelos diferem na forma como os utilizam. Cada modelo recebe:

Texto da postagem
Tipo de mídia, como texto, imagem, vídeo ou link.
Balde de seguidores do autor

Para uma previsão precisa, o modelo precisa combinar essas informações. Modelos com melhor desempenho reconhecem padrões, como menor engajamento em publicações com links e maior engajamento em narrativas reflexivas. Modelos com desempenho inferior geralmente tratam as informações isoladamente ou ignoram suas interações.

Interpretando o comportamento humano

Prever o engajamento exige raciocínio sobre as preferências do público. Apenas alguns modelos demonstram uma capacidade robusta nessa área. Muitos modelos permanecem próximos da linha de base de 50%, porque 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% demonstram compreensão parcial dessas pistas. Eles conseguem identificar padrões gerais, mas têm dificuldades em casos limítrofes. Modelos com pontuações muito baixas, como o1, parecem avaliar mal os fatores de engajamento padrão e frequentemente favorecem a opção menos envolvente.

Influência dos dados de treinamento

Observa-se que os resultados do modelo refletem os dados com os quais ele é treinado. Se os dados de treinamento não representarem uma ampla gama de estilos de comunicação ou grupos demográficos, o modelo poderá interpretar erroneamente certos tipos de conteúdo. Essas diferenças no treinamento contribuem diretamente para a dispersão dos resultados no benchmark.

Modelos treinados em conjuntos de dados mais amplos ou mais conversacionais tendem a aproximar-se melhor das reações dos usuários. Modelos treinados em conjuntos de dados mais restritos geralmente dependem de características superficiais que não se correlacionam bem com o engajamento real.

Generalização entre autores

O conjunto de dados inclui publicações de 50 autores com diferentes números de seguidores, preferências de mídia e estilos de escrita. Os modelos devem ser capazes de generalizar apesar dessas diferenças. Modelos mais robustos estabelecem expectativas consistentes sobre o que impulsiona o engajamento, independentemente do autor.

Os modelos com desempenho inferior aplicam critérios inconsistentes entre diferentes autores e publicações.

Consulte nossa metodologia para entender como calculamos essas medidas.

O que é simulação de audiência?

A simulação de público é a prática de usar populações sintéticas, baseadas em modelos e às vezes chamadas de públicos virtuais, para prever como pessoas reais podem reagir a conteúdo, produtos ou ideias de políticas antes de serem lançados. 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 se baseia em métodos de modelagem baseada em agentes, grandes modelos de linguagem e simulação de personas. Cada agente ou persona simulada é projetada com atributos como dados demográficos, preferências ou tendências comportamentais. Juntas, essas personas interagem, produzindo dados sintéticos que se aproximam do comportamento de um grupo de clientes ou cidadãos reais na mesma situação.

Como funcionam as ferramentas de simulação de público?

A mecânica da simulação de audiência depende das ferramentas utilizadas, mas a maioria das abordagens compartilha componentes padrão:

Design de personas : Pesquisadores definem personas com base em dados demográficos, psicográficos ou segmentos de mercado específicos. Essas personas podem variar deagentes simples baseados em regras a personas de IA detalhadas, enriquecidas com biografias e habilidades de conversação.
Geração de dados sintéticos : Grandes modelos de linguagem ajudam a simular diálogos, respostas a pesquisas ou comportamento de publicação. Por exemplo, a Artificial Societies opera com 100 a 300 personas de IA que leem, reagem e compartilham publicações do LinkedIn para simular a dinâmica da rede.
Modelagem de interação : As personas não agem isoladamente. Elas interagem, influenciam-se mutuamente e formam padrões como câmaras de eco, cascatas de compartilhamentos ou mudanças na opinião pública. Isso permite que as simulações capturem não apenas reações individuais, mas também fenômenos em nível de grupo.
Testes de cenário : Ao variar elementos como a formulação da mensagem, o tipo de mídia ou as perguntas da pesquisa, as organizações podem observar como o público simulado reage a essas variações. Esses cenários ajudam a gerar hipóteses e testar ideias em um ambiente de prática seguro antes de interagir com pessoas reais.
Análise de dados : Os resultados são analisados utilizando técnicas como nuvens de palavras, análise de sentimentos e pontuação de precisão. Os resultados podem mostrar os prováveis vencedores entre duas variantes de publicação, temas comuns nos feedbacks ou a perspectiva de uma persona sobre por que uma ideia ressoa mais do que outra.

casos de uso de simulação de público

Marketing e publicidade

As marcas podem testar slogans de campanha, elementos visuais ou posicionamento de produtos com um público virtual antes de investir em distribuição em larga escala. Em vez de depender exclusivamente de respostas de pesquisas tradicionais, elas podem gerar dados sintéticos a partir de personas criadas por IA e comparar o desempenho entre diferentes grupos.

Por exemplo, os profissionais de marketing podem determinar se um produto tem maior apelo para a Geração Z do que para profissionais mais velhos e ajustar sua estratégia criativa de acordo. Essa capacidade de validar campanhas na fase de testes resulta em economia de custos e segmentação mais precisa.

Mídia e publicação

As empresas de mídia podem simular o desempenho de diferentes formatos de conteúdo (por exemplo, posts curtos, artigos longos, vídeos explicativos) junto ao seu público.

A simulação de personas também permite testar como as manchetes afetam os cliques ou como o tom influencia o compartilhamento. Ao antecipar reações, os editores podem priorizar matérias com maior probabilidade de repercussão, em vez de esperar por métricas pós-publicação.

Políticas públicas e pesquisa

Governos e centros de pesquisa podem usar simulações de público para testar ideias de pesquisa política. Populações sintéticas modeladas a partir de dados demográficos específicos podem ilustrar como diferentes comunidades podem reagir a um novo imposto, regulamentação de saúde ou iniciativa climática. Pesquisadores têm aplicado simulações generativas para explorar questões como polarização e desinformação.

Essa abordagem facilita a geração de hipóteses e proporciona um ambiente mais seguro para antecipar consequências não intencionais antes de interagir com pessoas reais.

Desenvolvimento de produto

As empresas podem simular como personas representando grupos demográficos específicos falam sobre um novo recurso ou dispositivo. Por exemplo, uma empresa de tecnologia poderia comparar se proprietários de pequenas empresas, estudantes ou gerentes de grandes empresas encontram mais valor em uma nova atualização de software.

As informações obtidas com a simulação podem orientar as decisões de design e mitigar o risco de lançar funcionalidades que não agradem ao público-alvo.

Formação e educação

Universidades e empresas podem usar simulações para criar ambientes de prática onde os alunos interagem com personas de IA. Um negociador em treinamento poderia praticar com contrapartes simuladas, ou um estudante de medicina poderia testar estratégias de comunicação com pacientes sintéticos.

Esses cenários de treinamento oferecem uma gama realista de respostas, permitindo que os alunos aprimorem suas habilidades antes de encontrarem indivíduos reais.

Agências de pesquisa de mercado

Questionários tradicionais e grupos focais podem ser caros e demorados. Agências de pesquisa de mercado podem complementá-los com simulação de público para gerar dados sintéticos que fornecem insights direcionais rápidos.

Embora as simulações não substituam o contato com clientes reais, elas podem reduzir a dependência de painéis caros e acelerar os testes em estágios iniciais.

Ferramentas de simulação de público

Se você procura uma ferramenta específica para simulação de público em vez de usar LLMs , aqui estão algumas opções:

Sociedades Artificiais

O Artificial Societies permite que os usuários descrevam um público-alvo em linguagem simples ou gerem um com base em interações nas redes sociais. Em seguida, constrói uma "sociedade" de personas e executa simulações orientadas por IA.

Cada simulação inclui testes A/B automáticos, que geram variações de uma mensagem no estilo do usuário e as testam junto ao público. Os resultados são apresentados com pontuações, comentários e resumos, permitindo uma interpretação rápida. Os casos de uso abrangem relações públicas, desenvolvimento de produtos, branding, marketing, jornalismo e mídias sociais.

Figura 1: Painel de simulação de Sociedades Artificiais.

Exemplo da vida real: Teneo

A Teneo, uma empresa de relações públicas, estava se preparando para lançar uma nova estratégia tecnológica e precisava testar se sua mensagem teria repercussão entre as principais partes interessadas antes de anunciá-la publicamente. No entanto, a empresa enfrentou diversas restrições:

A estratégia adotada foi confidencial, limitando os métodos tradicionais de pesquisa.
O prazo era curto, o que dificultou a realização de pesquisas em larga escala.
Públicos importantes, como formuladores de políticas, líderes do setor e partes interessadas especializadas, eram praticamente impossíveis de alcançar por meio de painéis de pesquisa de mercado convencionais.

Para enfrentar esses desafios, a Teneo estabeleceu uma parceria com a 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, obtidos por meio de monitoramento de mídias sociais e pesquisa qualitativa.
Construindo “sociedades” especializadas: Sociedades de IA separadas representavam diferentes grupos de partes interessadas, incluindo:
- Consumidores
- colegas do setor
- Formuladores de políticas, lobistas e influenciadores políticos.
Testando narrativas de mensagens: Pesquisadores testaram seis narrativas tecnológicas concorrentes usando pesquisas e experimentos em cada sociedade de IA.
Análise das reações: As respostas foram analisadas tanto em nível agregado quanto em nível de persona individual, permitindo à equipe comparar as reações entre os diferentes segmentos de público.

A simulação gerou insights em larga escala muito mais rapidamente do que os métodos de pesquisa tradicionais. Os principais resultados incluíram:

189.756 respostas únicas geradas a partir das simulações de IA.
Análises baseadas em 30 questões de pesquisa aprofundadas, distribuídas em seis narrativas.
Identificação da narrativa mais eficaz e mensagens personalizadas para cada segmento de público.
Entrega dos resultados por meio de uma plataforma de análise interativa e um relatório escrito. ¹

Ask rally

Ask Rally é um simulador de público virtual que permite aos usuários testar perguntas, conteúdo e ideias com personas de IA projetadas para se assemelharem a públicos reais.

Os usuários criam ou editam personas, ou as clonam a partir de dados existentes, como entrevistas ou pesquisas. Após definirem um público-alvo, podem fazer perguntas e receber respostas geradas por personas, que variam de 5 a 100. A plataforma agrega as respostas, fornece insights importantes e permite que os agentes votem nas opções.

As principais características incluem:

Respostas multiagentes com resumos e análises agregadas.
A tecnologia de memória de personas Mem0 permite que as personas retenham o contexto e os padrões de comportamento ao longo do tempo, ajudando a simular reações de público mais consistentes e realistas.
A sofisticação do público em quatro níveis permite aos usuários modelar públicos com diferentes níveis de conhecimento ou familiaridade com um tópico.
A simulação de reação a vídeos permite que as equipes testem como o público pode reagir a conteúdos em vídeo, como anúncios, materiais de campanha ou apresentações.
O acesso à API permite que as equipes integrem o simulador em fluxos de trabalho de pesquisa, ferramentas internas ou pipelines de testes automatizados.
Ambientes de teste para sites, campanhas e mídias.
Funcionalidades adicionais como gêmeos digitais, ambientes de simulação e calibração com base em dados do mundo real.
Plano gratuito para experimentação e testes iniciais.

Públicos Generativos da Dentsu

O Generative Audiences é uma ferramenta de inteligência de marketing com IA que cria públicos-alvo simulados a partir de dados reais. Ela ajuda as marcas a aprimorarem a segmentação de público, o planejamento de mídia e o desempenho de campanhas, permitindo que os profissionais de marketing interajam com essas personas de IA e analisem suas respostas. ²

Dados determinísticos e orientados por IA: Combina dados determinísticos baseados em pessoas com sinais comportamentais orientados por IA para modelar o comportamento do público com precisão.
Insights interativos do consumidor: Os profissionais de marketing podem interagir com personas simuladas para explorar motivações e comportamentos, por exemplo, para testar como o público pode reagir a novas mensagens, ideias de produtos ou eventos atuais.
Integração de dados de múltiplas fontes: Sintetiza diversas fontes de dados (estáticas e em tempo real) e as integra com os dados existentes do cliente.
Planejamento e ativação de mídia: os insights do público-alvo da IA podem ser usados para criar estratégias de mídia direcionadas e ativar campanhas.
Modelagem de público-alvo com foco na privacidade: Por utilizar simulações estatísticas em vez de depender fortemente de identificadores pessoais, a solução consegue dimensionar a segmentação de público-alvo, mantendo-se, ao mesmo tempo, mais compatível com a privacidade.

Elétrico Twin

Electric Twin é uma plataforma de público sintético que cria populações digitais a partir de dados do mundo real. ³

Modelagem de público sintético: Cria populações digitais que representam grupos demográficos reais e simulam o comportamento humano.
Feedback do público em tempo real: os usuários podem fazer perguntas e receber respostas imediatas de personas simuladas, em vez de realizar pesquisas.
Testes de cenário e mensagens: as equipes podem avaliar conceitos de produtos, campanhas, estratégias de preços e propostas de políticas antes de lançá-las.
Pesquisas e grupos focais simulados: Permite a realização de pesquisas rápidas, entrevistas e discussões no estilo de grupos focais com personas de IA.
Públicos-alvo personalizados e predefinidos: as organizações podem criar públicos-alvo usando seus próprios dados de pesquisa ou utilizar populações demográficas prontas em vários países.
Mecanismo de previsão: Compara os resultados com dados de pesquisas do mundo real para estimar as 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 de Stanford, o Simile visa simular grandes grupos, ou mesmo sociedades inteiras, para prever como as pessoas podem reagir a produtos, políticas ou decisões corporativas. ⁴

Personas de gêmeos digitais: Criam agentes de IA que representam indivíduos reais com base em dados comportamentais e entrevistas.
Simulações de comportamento humano em larga escala: Modelam interações entre milhares de agentes para prever decisões de consumo ou resultados sociais.
Previsão de cenários: As empresas podem antecipar eventos como mudanças na demanda do consumidor ou perguntas de analistas durante as teleconferências de resultados.
Arquitetura de agentes generativos: agentes de IA planejam ações, formam opiniões e interagem entre si para produzir dinâmicas comportamentais realistas.

Metodologia de referência

Nossa questão de pesquisa para este benchmark foi: "Os modelos de IA conseguem prever qual publicação no LinkedIn terá mais engajamento antes mesmo de ser publicada?" Para isso, avaliamos a capacidade dos modelos de IA em prever qual de duas publicações do mesmo autor no LinkedIn gerará maior engajamento total (curtidas + comentários + compartilhamentos) em até 7 dias após a publicação.

Utilizamos as postagens de 50 autores em nosso conjunto de dados. Cada linha contém um par de postagens do mesmo autor com as seguintes características:

Conteúdo da postagem: Texto bruto de ambas as postagens
Tipo de mídia: texto/imagem/vídeo/link para cada postagem
Contexto do autor: Faixa de seguidores (ex.: “1.000 a 5.000”, “5.000 a 20.000”)
Dados concretos: Números reais de engajamento e classificação do vencedor (A ou B)

Dados de exemplo:

Postagem A (Vencedora – 156 interações): “Depois de três startups fracassadas, eis o que eu gostaria que alguém tivesse me dito sobre adequação produto-mercado: Pare de desenvolver funcionalidades que seus cinco usuários beta pediram. Comece a se concentrar no problema que 95% do seu público-alvo realmente enfrenta. Cometi esse erro por 2 anos. Não o repita. Qual a maior lição sobre produtos que você aprendeu da maneira mais difícil?”

Mídia: texto
Seguidores: 5 mil a 20 mil

Postagem B (84 interações): “Estamos animados para compartilhar nosso novo painel de análise com inteligência artificial! Confira a demonstração e nos diga o que achou.”

Mídia: link
Seguidores: 5 mil a 20 mil

Análise : A publicação A venceu porque oferece conselhos específicos e práticos baseados em experiências pessoais de fracasso, faz uma pergunta instigante e apresenta conteúdo com o qual o público se identifica. A publicação B é uma promoção genérica com menor potencial de engajamento.

Avaliação

Na avaliação, cada modelo recebe esta informação para ambas as postagens:

Texto da postagem
Tipo de mídia
Contagem de seguidores do autor

Com essas informações, espera-se que os modelos prevejam qual postagem, A ou B, apresenta o melhor desempenho. Eles podem nos mostrar seu raciocínio, mas não avaliamos esse raciocínio neste teste comparativo.

Como os modelos têm 50% de chance de acertar sobre o melhor desempenho (existem apenas duas opções), estamos considerando buscar, no futuro, uma linha de base de "elevação em relação à probabilidade (Precisão menos 50%, que é a linha de base de palpite aleatório)".

Ainda assim, neste conjunto de dados, não observamos palpites aleatórios; todos os modelos explicaram seu raciocínio, independentemente de suas respostas estarem certas ou erradas.

Quais são os potenciais desafios da simulação de audiência?

Apesar de promissora, a simulação de público deve ser abordada com cautela.

Validação com base em clientes reais

As previsões de públicos virtuais devem ser comparadas com os resultados reais. Sem parâmetros de referência, os resultados podem gerar uma falsa sensação de segurança. A validação é crucial para garantir que as 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-representarem certos grupos, as personas resultantes podem distorcer a forma como determinados grupos demográficos são retratados. Isso pode afetar a forma como as respostas a pesquisas ou a opinião pública são simuladas.

Interpretabilidade

Embora as conversas entre personas ou as nuvens de palavras possam revelar temas comuns, nem sempre fica claro por que surgem resultados específicos. A complexidade das respostas em pesquisas de mercado pode dificultar a explicação ou a validação do comportamento do público.

Diretrizes éticas

A utilização de dados sintéticos para pesquisa de clientes ou de políticas públicas exige transparência. As organizações devem garantir que não apresentem simulações como substitutas de clientes reais e devem respeitar os limites éticos na definição de personas .

Generalizabilidade

As simulações dependem muito do escopo do design de persona. Um modelo treinado com fundadores de empresas de tecnologia dos EUA não pode prever automaticamente as respostas da Geração Z na Ásia. A generalização excessiva é um risco ao estender as descobertas para populações que não foram representadas na simulação.

Custo computacional

Executar simulações detalhadas com milhares de personas pode exigir recursos significativos. Embora as ferramentas de IA estejam aprimorando a eficiência, experimentos em larga escala ainda demandam tempo, conhecimento técnico e infraestrutura.

Links de referência

Artificial Societies

Dentsu Launches Generative Audiences: AI-Powered Growth Intelligence That Thinks Like Consumers | News | dentsu

Electric Twin - Synthetic Audiences for Instant Consumer Insights

Electric Twin

Home | Simile

Sıla Ermut

Analista do setor

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo