A semana deixou um recado direto: qualidade em pesquisa deixou de ser reputação e passou a ser especificação. Isso aparece em três frentes ao mesmo tempo. Primeiro, o padrão que o mercado usa como régua incorporou IA e automação como tópico formal, o que empurra a conversa para evidência de processo. Segundo, o combate a respondente fraudulento mostrou que o filtro escolhido altera a estimativa, então detecção é decisão metodológica, não faxina operacional. Terceiro, quando um estudo troca o modo de coleta, consentimento e comparabilidade entram no mesmo pacote de decisão.

Se eu tivesse que resumir em uma linha: pergunte menos "eu confio nesse dado?" e mais "que evidência repetível eu tenho de que o método foi cumprido?".

ISO 20252 coloca IA e automação na régua de qualidade

A ISO publicou a edição 2026 da 20252, padrão de referência para pesquisa de mercado, opinião e social. O texto integral é pago, mas o sinal público já é útil: IA e automação passam a figurar ao lado de amostragem, painéis e privacidade. Traduzindo para procurement, a pergunta padrão deixa de ser "vocês usam IA?" e passa a ser onde a máquina atua, qual é o ponto de controle humano e qual evidência o cliente recebe de que o método foi cumprido. Na prática de projeto isso significa registrar uso de IA por etapa, definir em quais passos existe verificação determinística e garantir trilha de auditoria antes de acelerar. Se você usa automação para codificar resposta aberta, detectar fraude ou sugerir questionário, a régua não é a fluência do texto, é taxa de falso positivo, efeito nas estimativas e capacidade de explicar o erro.

Fonte: ISO 20252:2026 e Research Live

Porém: sem ler o texto integral ninguém pode afirmar requisito. O risco é transformar resumo setorial em obrigação e produzir governança de fachada, com política escrita e nenhuma evidência verificável.

Fraude em painel: o filtro que você escolhe muda o resultado

O Pew testou abordagens para identificar respondente fraudulento em painel opt-in, e o achado que vale guardar não é qual filtro ganha, é que cada critério move a estimativa. Dependendo da regra, a taxa de exclusão varia bastante, e parte do que sai é respondente válido. A decisão prática muda de lugar: em vez de perguntar "qual é a nossa taxa de fraude?", pergunte qual é o efeito de cada filtro nas estimativas e em quais subgrupos o erro cresce. Isso coloca fraude no lugar certo, hipótese testável com validação externa, e transforma o protocolo em bateria de sinais em vez de bala de prata.

Fonte: Pew Research Center

Porém: filtro agressivo é gerador de viés. Quem não mede falso positivo apenas troca erro aleatório por erro sistemático e chama isso de qualidade.

Pesquisa com crianças: trocar de modo tem preço declarado

A ONS redesenhou o survey de crime com crianças de 10 a 15 anos para autoaplicação online. O material é útil porque não romantiza a mudança: a participação em tema sensível melhora e, ao mesmo tempo, a série histórica quebra, o consentimento passa a ter duas etapas (responsável e criança) e validação e ponderação exigem plano explícito. A aplicação vale para qualquer estudo sensível: ao deslocar modo, decida o que é mais caro perder, tendência comparável ou participação, e documente a escolha em vez de chamar tudo de inovação. Consentimento aqui é parte do desenho, não rodapé jurídico.

Fonte: ONS

Porém: taxa de resposta maior não significa erro menor. O ganho só se sustenta quando você mostra que o novo modo não mudou quem responde nem o que a pessoa se sente autorizada a dizer.

Na sua operação hoje, qual parte do seu método já é verificável por evidência e qual parte ainda depende de confiança declarada?

Eric Santos | AI Strategist da HSR

Opiniões e recomendações são pessoais e não representam posição institucional de nenhuma organização citada.