Voltar ao portfólio

Personas Sintéticas: Como Transformei 11 Entrevistas em Agentes de IA

Metodologia de pesquisa aumentada por IA: 11 entrevistas em profundidade viram agentes que representam as personas e validam funcionalidades, jornadas e telas sem acionar usuários novamente.

Cliente

PP Concursos

Ano

2026

Categorias

AI Solution

Ver projeto

IA no Product Design para Além do Prompt

O uso mais comum de IA no design de produto hoje é o prompt. Você pede uma tela, um texto, uma variação de componente, ajusta o resultado na conversa e segue. Isso resolve tarefas isoladas com competência e não resolve processo: quando o problema é recorrente e depende de contexto acumulado, pedir de novo não escala.

O que muda de patamar é estruturar um harness em volta do modelo, ou seja, um arranjo explícito de contexto, memória, ferramentas, formato de saída e pontos de verificação humana, que determina o que a IA pode consultar, o que ela pode executar e onde a decisão continua sendo de quem projeta. Prompts melhoram a resposta de hoje. Harness melhora a resposta de amanhã, porque cada correção vira regra em vez de virar uma nova tentativa.

A persona de pesquisa foi o primeiro artefato do meu processo em que apliquei essa lógica de ponta a ponta, e foi no projeto da PP Concursos, a partir de 11 entrevistas em profundidade com concurseiros, que desenvolvi, testei e validei o método. Em vez de sintetizar um documento sobre o usuário, tratei a persona como um sistema: dado bruto, memória estruturada, ferramenta de consulta e um contrato de comportamento que define como ela pensa e fala. O resultado é uma persona sintética.

O Que É uma Persona Sintética

Persona sintética é um agente de IA que representa um perfil de usuário definido a partir de dados reais de pesquisa. A distinção importa: não é um texto gerado por IA descrevendo um usuário hipotético, e não é um chatbot que simula empatia com conhecimento genérico. A personalidade dela vem do material coletado, do que as pessoas disseram, de como disseram e daquilo que demonstraram valorizar. O papel da IA é outro: transformar esse material em um sistema consultável, com memória própria, que responde perguntas que ninguém fez durante a entrevista.

Na prática, a persona sintética se sustenta em três componentes: uma base de conhecimento vetorial com os registros daquele perfil, um prompt de sistema que funciona como contrato de personalidade e uma camada de ferramentas que permite receber artefatos de produto e devolver uma avaliação estruturada. É esse conjunto que faz o usuário virtual existir como instrumento de trabalho, e não como peça de apresentação.

O ganho é operacional antes de ser conceitual. As 11 entrevistas deixam de ser um acervo que se consulta por busca manual e passam a operar como memória viva durante o design: cada decisão de fluxo, cada rótulo de interface e cada regra de negócio pode ser confrontada com o que os usuários já disseram, sem depender de uma nova rodada de agenda.

Tratamento dos Dados: a Etapa que Define o Resultado

Nada do que vem depois se sustenta se o tratamento for ruim. O agente responde a partir da memória que recebeu, então a qualidade da resposta é consequência direta de como o dado bruto foi tratado. Se a transcrição foi resumida, o agente perde vocabulário. Se foi fragmentada além da conta, perde contexto. Se foi transformada em texto corrido sem metadados, perde rastreabilidade. Tratar dados de pesquisa é engenharia de informação, não organização de arquivo, e é onde a maior parte do esforço do projeto realmente ficou.

Cada entrevista rendeu de 60 a 75 minutos de conversa com muito ruído: saudações, digressões, vícios de linguagem, interrupções de conexão e perguntas repetidas. A tentação é mandar tudo para um modelo de linguagem e pedir um resumo. Isso destrói exatamente o que o agente precisa: o vocabulário, os nomes das ferramentas e a forma de falar da pessoa.

O que se quer é o oposto de um resumo. Quer-se memória. O tratamento tem cinco movimentos:

1. Limpeza profunda. Remover preenchimentos, repetições e marcações técnicas, preservando o conteúdo substantivo de cada resposta.

2. Segmentação granular. Cada dor, cada fluxo descrito e cada cenário vira um bloco independente. A granularidade define a precisão do agente: um bloco monolítico devolve um borrão, um bloco pequeno devolve uma resposta específica.

3. Reescrita em primeira pessoa. O bloco deixa de ser transcrição e passa a ser memória: frases completas, autossuficientes, escritas como se a pessoa estivesse falando. O significado é preservado, inclusive quando o entrevistado se contradiz em momentos diferentes da conversa.

4. Classificação por tags. Cada bloco recebe marcações como [PONTO DE DOR], [MODELO MENTAL], [FERRAMENTAS EXTERNAS] e [OBJETIVO DO USUÁRIO], o que permite filtrar a base por tipo e não apenas por tema.

5. Estruturação em JSON. Cada bloco se torna um registro com identificador, trecho de origem, contexto, perfil, confiança e versão.

Duas regras sustentam a qualidade dessa camada. A primeira: nomes de ferramentas e termos técnicos são preservados exatamente como foram ditos. Quando uma aluna fala "eu jogo o PDF no Gemini e faço um fechamento", Gemini e fechamento pertencem ao vocabulário dela, e é esse vocabulário que dá autenticidade ao agente depois. A segunda: o corpus original nunca é alterado. O registro tratado é uma lente sobre o dado bruto, não um substituto dele. Se alguém questionar uma fala do agente, o caminho de volta até a transcrição precisa existir.

O tratamento também não termina na geração dos blocos. Uma amostra dos registros é conferida contra a transcrição original antes de a base ser aceita, porque erro sistemático é mais fácil de detectar em amostra pequena do que em volume grande. O resultado é o que passei a chamar de base de evidências: registros pesquisáveis por significado, cada um ligado à sua origem e prontos para serem vetorizados.

Onze Pessoas, Três Arquétipos

Com a base pronta, a síntese deixa de ser intuição e passa a ser leitura de recorrência. Três arquétipos emergiram com clareza das 11 conversas.

Mariana, a concurseira organizada (32 anos, advogada, Belo Horizonte). Estuda para procuradorias há dois anos, segue cronograma rígido, estuda de três a cinco horas por dia e usa bancos de questões por conta própria. O problema dela não é disciplina, é custo operacional: gasta energia demais gerenciando planilhas e aplicativos para saber se está progredindo. Nas palavras dela, "eu tenho o melhor material com a PP, mas gasto uma energia enorme gerenciando planilhas e apps para saber se estou realmente progredindo".

Rafael, o iniciante desorganizado (27 anos, servidor temporário, Recife). Está há seis meses na jornada, alterna períodos intensos com semanas paradas, baixa cronogramas prontos que raramente segue e enxerga a aprovação como símbolo de mudança de vida. "Eu começo animado, mas depois me perco no meio dos PDFs e mensagens. Parece que estudo muito e aprendo pouco."

Camila, a persistente equilibrista (35 anos, técnica judiciária, Curitiba). Já é servidora, quer evoluir de cargo sem abrir mão da estabilidade que tem, e divide o tempo entre trabalho, filhos e estudo noturno. "Eu não preciso que me digam o que estudar, preciso que me ajudem a ver se estou evoluindo, e me motivem quando eu não estiver."

O critério importa mais que o resultado. Persona não é média, é recorrência: um padrão mencionado por uma pessoa é hipótese isolada, mencionado por cinco é comportamento de grupo. E contradição não é defeito a limpar. Quando o mesmo entrevistado se mostra confiante em um trecho e inseguro em outro, essa oscilação é justamente o que o agente vai precisar reproduzir para parecer gente de verdade.

A Arquitetura do Agente de Persona

Cada arquétipo se tornou um agente com três componentes.

Base de conhecimento vetorial própria. Apenas os registros daquele arquétipo entram na coleção dele. O armazenamento ficou em um banco relacional com capacidade vetorial, PostgreSQL com a extensão pgvector, o que permite combinar filtros por perfil e metadados com busca por similaridade. A pergunta do designer é transformada em vetor e o sistema recupera os blocos de memória mais próximos em significado, não em palavras. É isso que faz o agente responder sobre dificuldade de manter constância quando a pergunta é sobre abandono no meio do cronograma.

Prompt de sistema como contrato de comportamento. Aqui está o coração do desenho e é onde a fidelidade da personalidade se decide. Quatro regras: responder sempre em primeira pessoa e no vocabulário original; basear a resposta prioritariamente nos trechos de memória recuperados; nunca mencionar que existe entrevista, transcrição ou banco de dados por trás, respondendo como se aquilo fosse opinião própria; e, quando a memória não cobre a pergunta, dizer que não sabe, em vez de completar com conhecimento genérico.

Ferramentas agênticas. O agente não é um chat que só responde. Ele recebe artefatos e executa o ciclo de validação: lê a descrição de uma jornada, de uma tela ou de uma regra de negócio, consulta a própria memória, cruza o que foi proposto com o que ele já viveu e devolve uma avaliação estruturada, no formato que defini, com pontos de aceitação, fricções, dúvidas e critérios de rejeição. É essa camada de ferramentas que transforma a base vetorial em um instrumento de teste, e não em um museu de citações.

O Ciclo de Validação sem Acionar o Usuário

O uso no dia a dia é direto. Antes de levar uma decisão para o usuário, mando o material para os três agentes. O que circula nesse envio:

• Jornadas e fluxos. O passo a passo proposto, do primeiro acesso até a conclusão da tarefa.

• Telas e componentes. A descrição do que existe em cada tela, hierarquia de informação e rótulos de interface.

• Regras de negócio e modelos. Cobrança recorrente, progressão de nível, limites de uso, tudo aquilo que costuma gerar atrito real.

O que volta de cada persona: onde ela travaria, o que ela entenderia errado, qual informação ela procuraria e não encontraria, e qual parte do fluxo ela consideraria desnecessária. Cada retorno vem em vocabulário diferente, e essa diferença é o valor do processo. A Mariana questiona o custo de manter mais uma ferramenta, o Rafael precisa de direção explícita para não se perder no primeiro passo, a Camila não aceita um cronograma que muda toda semana sem explicar o motivo.

Com isso, o ciclo de iteração deixa de depender de agenda. Ajustes que antes esperavam a próxima rodada de pesquisa, ou que simplesmente não eram testados para não incomodar o cliente, passam a ser checados no mesmo dia, quantas vezes for necessário. E quando uma nova rodada de pesquisa acontece, ela chega com material muito mais maduro nas mãos.

Limites e Verificação

Três cuidados acompanham o processo e vale registrá-los, porque um recurso desse tipo engana fácil.

• Viés de confiança. Resultado bem escrito parece verdadeiro, e a fluência do texto não é prova de fidelidade ao dado. A verificação é por amostragem: comparar a resposta do agente com a transcrição original e conferir se aquela opinião foi mesmo dita. Acima de uma taxa pequena de erro, o ajuste é no prompt de sistema ou na granularidade dos blocos.

• Erosão de competência. Quem nunca tratou uma entrevista à mão não tem repertório para julgar se o agente está inventando. Automatizar a extração antes de ter feito ela manualmente é o caminho mais rápido para produzir volume com aparência de rigor.

• Arquétipo não é pessoa. Mariana condensa padrões de várias entrevistas. Ela serve para testar e priorizar hipóteses de design, nunca para ser citada como usuária real nem para substituir a conversa com gente de verdade em decisões de alto impacto.

A persona sintética responde o que já está nos dados, com o vocabulário de quem viveu aquilo. Ela não descobre o que ninguém disse e não assume responsabilidade por decisão nenhuma. O julgamento continua humano, e o papel do sistema é encurtar o caminho até o momento em que esse julgamento é necessário.

Um agente de persona bem construído não é um atalho para pular pesquisa. É o que permite que cada rodada de pesquisa com usuários reais comece muito mais perto da resposta certa.