Simulação de Audiência: LLMs Podem Prever o Comportamento Humano?
Em 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 a modelagem de públicos virtuais, ajudando as organizações a antecipar reações a conteúdos ou produtos sem depender de pesquisas caras ou grupos focais.
Testamos o quão bem os modelos de IA podem prever qual de duas publicações do LinkedIn do mesmo autor obterá mais 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
Modelos de linguagem grandes mostram diferentes níveis de precisão ao prever qual de duas publicações do LinkedIn do mesmo autor receberá mais engajamento. Essas diferenças surgem de quão bem cada modelo processa as entradas descritas no benchmark e com que eficácia ele identifica os fatores que influenciam as reações do público.
Compreensão dos sinais de engajamento
O benchmark exige que os modelos avaliem pistas sutis que preveem o engajamento. Modelos com melhor desempenho tendem a detectar essas pistas com mais precisão. Essas pistas incluem se a publicação:
- Apresenta uma percepção pessoal ou uma lição
- Faz uma pergunta direta
- É relevante para um público amplo
- Parece promocional
- A estrutura afeta a atenção do leitor
Modelos como DeepSeek Chat V3 e Claude Opus 4 têm bom desempenho porque identificam essas pistas com maior consistência.
Uso de informações contextuais
A avaliação inclui vários dados contextuais para cada publicação, e os modelos diferem no quão bem os utilizam. Cada modelo recebe:
- Texto da publicação
- Tipo de mídia, como texto, imagem, vídeo ou link
- Faixa de seguidores do autor
Uma previsão precisa exige que o modelo combine essas entradas. Modelos com melhor desempenho reconhecem padrões, como menor engajamento para publicações com link e maior engajamento para narrativas reflexivas. Modelos mais fracos geralmente tratam as entradas isoladamente ou ignoram suas interações.
Interpretação do comportamento humano
Prever o engajamento requer raciocinar sobre as preferências do público. Alguns modelos exibem uma forte capacidade 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 que apresentam desempenho em torno de 52% mostram compreensão parcial dessas pistas. Eles conseguem identificar padrões gerais, mas têm dificuldade em casos limítrofes. Modelos com pontuações baixas, como o o1, parecem julgar mal os direcionadores de engajamento padrão e frequentemente favorecem a opção menos envolvente.
Influência dos dados de treinamento
Nota-se que as saídas dos modelos refletem os dados nos quais foram treinados. Se os dados de treinamento não representam uma ampla gama de estilos de comunicação ou grupos demográficos, o modelo pode interpretar incorretamente certos tipos de conteúdo. Essas diferenças de treinamento contribuem diretamente para a dispersão dos resultados no benchmark.
Modelos treinados em conjuntos de dados mais amplos ou mais conversacionais tendem a aproximar melhor as reações dos usuários. Modelos treinados em conjuntos de dados mais restritos frequentemente se apoiam em características superficiais que não se correlacionam bem com o engajamento real.
Generalização entre autores
O conjunto de dados inclui publicações de 50 autores com contagens de seguidores, preferências de mídia e estilos de escrita variados. Os modelos devem generalizar essas diferenças. Modelos mais fortes formam expectativas consistentes sobre o que impulsiona o engajamento, independentemente do autor.
Modelos com desempenho inferior aplicam critérios inconsistentes entre diferentes autores e publicações.
Consulte 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 orientadas por modelos, às vezes chamadas de públicos virtuais, para prever como pessoas reais podem reagir a conteúdos, 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, modelos de linguagem grandes e simulação de personas. Cada agente ou persona simulada é projetado com atributos como dados demográficos, preferências ou tendências comportamentais. Together, 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 audiência?
Os mecanismos da simulação de audiência dependem das ferramentas utilizadas, mas a maioria das abordagens compartilha componentes padrão:
- Design de personas: Os pesquisadores definem personas com base em dados demográficos, psicográficos ou segmentos de mercado específicos. Essas personas podem variar de agentes simples baseados em regras 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 comportamentos de publicação. Por exemplo, a Artificial Societies opera 100–300 personas de IA que leem, reagem e compartilham publicações do LinkedIn para simular dinâmicas de rede.
- Modelagem de interações: As personas não agem isoladamente. Elas interagem, influenciam umas às outras e formam padrões como câmaras de eco, cascatas de republicações ou mudanças na opinião pública. Isso permite que as simulações capturem tanto as reações individuais quanto os fenômenos em nível de grupo.
- Teste de cenários: Variando entradas como enquadramento da mensagem, tipo de mídia ou perguntas da pesquisa, as organizações podem observar como os públicos simulados respondem a essas variações. Esses cenários ajudam a gerar hipóteses e testar ideias em uma fase de prática segura antes de se envolver 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 publicação, temas comuns no feedback ou a perspectiva de uma persona sobre por que uma ideia repercute mais do que outra.
Exemplo da vida real: Simulações de Agentes Generativos de Stanford
Uma equipe de pesquisa da Universidade Stanford desenvolveu uma arquitetura de agente que converte dados qualitativos de entrevistas em representações de indivíduos reais impulsionadas por LLM.
Em vez de construir personas apenas a partir de rótulos demográficos, cada agente é fundamentado em uma entrevista de duas horas com a pessoa que representa. Testados contra a General Social Survey, os agentes igualaram as respostas de seus indivíduos de origem quase tão bem quanto essas pessoas igualaram suas próprias respostas quando entrevistadas novamente duas semanas depois.
A arquitetura também mostrou viés de previsão reduzido entre grupos raciais e ideológicos em comparação com abordagens de personas baseadas em dados demográficos específicos, sugerindo que pode modelar populações diversas de forma mais fiel do que métodos mais simples.1
Casos de uso da simulação de audiência
Marketing e publicidade
As marcas podem testar slogans de campanha, visuais ou posicionamento de produto 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 de personas de IA e comparar o desempenho entre grupos.
Por exemplo, os profissionais de marketing podem determinar se um produto repercute mais na Geração Z do que entre profissionais mais velhos e ajustar sua estratégia criativa de acordo. Essa capacidade de validar campanhas na fase de testes leva a economias de custos e a uma segmentação mais precisa.
Exemplo da vida real: Focus Agent
Pesquisadores da KU Leuven construíram um sistema multiagente que replica a estrutura de um grupo focal tradicional totalmente em software, incluindo tanto os participantes quanto o papel do moderador.
O sistema foi validado executando cinco sessões reais de grupo focal com 23 participantes humanos sobre os mesmos tópicos de discussão e, em seguida, comparando as saídas com aquelas geradas apenas por participantes de IA. As opiniões geradas pela IA se alinharam estreitamente com as dos entrevistados humanos.
Além de substituir os participantes, o moderador LLM também ofereceu vantagens práticas sobre a moderação humana, como direcionamento mais consistente do tópico e gerenciamento do tempo.2
Mídia e publicação
As empresas de mídia podem simular como diferentes formatos de conteúdo (por exemplo, posts curtos, artigos longos, vídeos explicativos) se sairão entre seus públicos.
A simulação de personas também permite testar como as manchetes afetam as taxas de clique ou como o tom influencia os compartilhamentos. Antecipando as reações, os editores podem priorizar histórias com maior probabilidade de se espalhar, em vez de esperar pelas métricas pós-publicação.
Políticas públicas e pesquisa
Governos e think tanks podem usar a simulação de audiência para testar ideias de pesquisa de políticas. Populações sintéticas modeladas a partir de dados demográficos específicos podem ilustrar como diferentes comunidades podem responder a um novo imposto, regulamentação de saúde ou iniciativa climática. Pesquisadores 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 se envolver com pessoas reais.
Desenvolvimento de produtos
As empresas podem simular como personas que representam dados demográficos específicos falam sobre um novo recurso ou dispositivo. Por exemplo, uma empresa de tecnologia pode comparar se proprietários de pequenas empresas, estudantes ou gerentes empresariais encontram mais valor em uma nova atualização de software.
Os insights da simulação podem informar decisões de design e mitigar o risco de lançar recursos que não repercutem no público-alvo.
Treinamento e educação
Universidades e empresas podem usar simulações para criar ambientes de prática onde os alunos interagem com personas de IA. Um negociador estagiário pode praticar com contrapartes simuladas, ou um estudante de medicina pode testar estratégias de comunicação com pacientes sintéticos.
Esses cenários de treinamento oferecem uma gama realista de respostas, permitindo que os alunos refinem suas habilidades antes de encontrar indivíduos reais.
Agências de pesquisa de mercado
Perguntas de pesquisa tradicionais e grupos focais podem ser caros e lentos. As 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, elas podem reduzir a dependência de painéis caros e acelerar os testes em estágio inicial.
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 gerem um com base em interações em mídias sociais. Em seguida, ela 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 contra o público. Os resultados são apresentados com pontuações, comentários e resumos, permitindo uma 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 de tecnologia e precisava testar se suas mensagens repercutiriam entre as principais partes interessadas antes de anunciá-la publicamente. No entanto, a empresa enfrentava várias restrições:
- A estratégia era confidencial, limitando os métodos de pesquisa tradicionais.
- 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 de pesquisa de mercado convencionais.
Para enfrentar esses desafios, a Teneo fez 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, informados por escuta social e pesquisa qualitativa.
- Construção de “sociedades” especializadas: Sociedades de IA separadas representavam diferentes grupos de partes interessadas, incluindo:
- Consumidores
- Pares do setor
- Formuladores de políticas, lobistas e influenciadores políticos.
- Teste de narrativas de mensagens: Os pesquisadores testaram seis narrativas de tecnologia concorrentes usando pesquisas e experimentos dentro de cada sociedade de IA.
- Análise das reações: As respostas foram analisadas tanto em nível agregado quanto no nível de persona individual, permitindo que a equipe comparasse as reações entre os segmentos de público.
A simulação produziu insights em larga escala mais rapidamente do que os métodos de pesquisa tradicionais. Os principais resultados incluíram:
- 189.756 respostas únicas geradas a partir das simulações de IA.
- Insights baseados em 30 perguntas de pesquisa aprofundadas em seis narrativas.
- Identificação da narrativa mais eficaz e mensagens adaptadas para cada segmento de público.
- Entrega de resultados por meio de uma plataforma de análise interativa e um relatório escrito.3
Ask rally
O Ask Rally é um simulador de público virtual que permite aos usuários testar perguntas, conteúdo e ideias com personas de IA projetadas para se assemelhar a públicos reais.
Os usuários criam ou editam personas, ou as clonam a partir de dados existentes, como entrevistas ou pesquisas. Após definir um público, eles podem fazer perguntas e receber respostas geradas pelas personas, que variam de 5 a 100. A plataforma agrega as respostas, fornece insights importantes e permite que os agentes votem em opções.
Principais recursos incluem:
- Respostas multiagente com resumos e insights agregados.
- Memória de persona baseada em Mem0 permite que as personas retenham contexto e padrões comportamentais, ajudando a simular reações de público mais consistentes e realistas.
- Sofisticação de público em quatro níveis permite que os usuários modelem públicos com diferentes níveis de experiência ou familiaridade com um tópico.
- Simulação de reação a vídeo permite que as equipes testem como o público pode responder a conteúdo de vídeo, como anúncios, materiais de campanha ou apresentações.
- Acesso via API permite que as equipes integrem o simulador em fluxos de trabalho de pesquisa, ferramentas internas ou pipelines de teste automatizados.
- Ambientes de teste para sites, campanhas e mídia.
- Recursos adicionais, como gêmeos digitais, ambientes de simulação e calibração com dados do mundo real.
- Plano gratuito para experimentação e testes iniciais.
Generative Audiences da Dentsu
O Generative Audiences é uma ferramenta de inteligência de marketing com IA que cria públicos consumidores simulados a partir de dados reais. Ajuda as marcas a melhorar a segmentação de público, o planejamento de mídia e o desempenho da campanha, permitindo que os profissionais de marketing interajam com essas personas de IA e analisem suas respostas.4
- 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 responder a novas mensagens, ideias de produtos ou eventos atuais.
- Integração de dados de várias fontes: Sintetiza várias fontes de dados (estáticas e em tempo real) e integra-se com dados existentes do cliente.
- Planejamento e ativação de mídia: Os insights dos públicos de IA podem ser usados para construir estratégias de mídia direcionadas e ativar campanhas.
- Modelagem de público consciente da privacidade: Como usa simulações estatísticas em vez de depender fortemente de identificadores pessoais, a solução pode escalar a segmentação de público permanecendo mais compatível com a privacidade.
Electric Twin
O Electric Twin é uma plataforma de público sintético que cria populações digitais a partir de dados do mundo real.5
- 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.
- Teste de cenários e mensagens: As equipes podem avaliar conceitos de produtos, campanhas, estratégias de precificação e propostas de políticas antes de lançá-los.
- Pesquisas e grupos focais simulados: Suporta enquetes rápidas, entrevistas e discussões no estilo de grupo focal com personas de IA.
- Públicos personalizados e pré-construídos: As organizações podem criar públicos usando seus próprios dados de pesquisa ou usar populações demográficas prontas em vários países.
- Motor de previsão: Faz benchmark dos 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 IA
Construída por pesquisadores de Stanford, a Simile tem como objetivo simular grandes grupos, ou até mesmo 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 de comportamento humano em larga escala: Modela interações entre milhares de agentes para prever decisões do consumidor ou resultados sociais.
- Previsão de cenários: As empresas podem antecipar eventos como mudanças na demanda do consumidor ou perguntas de analistas durante teleconferências de resultados.
- Arquitetura de agente generativo: Os agentes de IA planejam ações, formam opiniões e interagem entre si para produzir dinâmicas comportamentais realistas.
Metodologia do benchmark de simulação de audiência
Nossa pergunta de pesquisa para este benchmark foi “Os modelos de IA podem prever qual publicação do LinkedIn terá mais engajamento antes de ser publicada?” Para isso, avaliamos o quão bem os modelos de IA podem prever qual de duas publicações do LinkedIn do mesmo autor gerará maior engajamento total (curtidas + comentários + compartilhamentos) dentro de 7 dias após a publicação.
Usamos publicações de 50 autores para nosso conjunto de dados. Cada linha contém um par de publicações do mesmo autor com estas características:
- Conteúdo da publicação: Texto bruto de ambas as publicações
- Tipo de mídia: texto/imagem/vídeo/link para cada publicação
- Contexto do autor: Faixa de seguidores (por exemplo, “1k-5k”, “5k-20k”)
- Verdade fundamental: Números reais de engajamento e rótulo do vencedor (A ou B)
Dados de exemplo:
Publicação A (Vencedora – 156 engajamento): “Depois de três startups fracassadas, aqui está o que eu gostaria que alguém tivesse me dito sobre product-market fit: Pare de construir recursos que seus cinco usuários beta pediram. Comece a se obcecar pelo problema que 95% do seu mercado-alvo realmente enfrenta. Cometi esse erro por 2 anos. Não o repita. Qual a maior lição sobre produto que você aprendeu da maneira mais difícil?”
- Mídia: texto
- Seguidores: 5k-20k
Publicação B (84 engajamento): “Animado para compartilhar nosso novo painel de análise com IA! Confira a demonstração e diga-nos o que você acha.”
- Mídia: link
- Seguidores: 5k-20k
Análise: A publicação A venceu porque fornece conselhos específicos e acionáveis a partir de um fracasso pessoal, faz uma pergunta envolvente e oferece conteúdo relevante. A publicação B é uma promoção genérica com menor potencial de engajamento.
Avaliação do benchmark de simulação de audiência
Na avaliação, cada modelo recebe estas informações para ambas as publicações:
- Texto da publicação
- Tipo de mídia
- Faixa de contagem de seguidores do autor
Com essas informações, espera-se que os modelos prevejam se a publicação A ou B é a de melhor desempenho. Eles podem nos mostrar seu raciocínio, mas não avaliamos seu raciocínio neste benchmark.
Como os modelos têm uma chance de 50% de acertar o melhor desempenho (existem duas opções), estamos considerando procurar por “elevação sobre o acaso (Precisão menos 50%, que é a linha de base de adivinhação aleatória)” como linha de base no futuro.
Ainda assim, neste conjunto de dados, não observamos adivinhação aleatória; todos os modelos explicaram seu raciocínio, estando suas respostas certas ou erradas.
Adicionar como fonte preferencialQuais são os possíveis desafios da simulação de audiência?
Apesar de sua promessa, a simulação de audiência deve ser abordada com cautela.
Validação com clientes reais
As previsões de públicos virtuais devem ser comparadas com resultados reais. Sem benchmarks, os resultados podem criar falsa confiança. 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-representam certos grupos, as personas resultantes podem distorcer como dados demográficos específicos são retratados. Isso pode afetar como as respostas de pesquisas ou a opinião pública são simuladas.
Interpretabilidade
Embora as conversas das personas ou nuvens de palavras possam mostrar temas comuns, nem sempre está claro por que determinadas saídas emergem. A complexidade das respostas dos LLMs pode dificultar a explicação ou validação do comportamento do público.
Diretrizes éticas
O uso de dados sintéticos para pesquisa de clientes ou de políticas requer transparência. As organizações devem garantir que não apresentem simulações como substitutas de clientes reais e devem respeitar os limites éticos na definição de personas.
Generalização
As simulações são altamente dependentes do escopo do design das personas. Um modelo treinado em fundadores de tecnologia baseados nos EUA não pode prever automaticamente as respostas da Geração Z na Ásia. A supergeneralização é um risco ao estender os achados para populações que não estavam 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 and Alper, Şevval},
title = {{Simulação de Audiência: 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.