Eu vejo muita conversa sobre IA em pesquisa que começa pelo modelo e termina numa promessa de velocidade. O que está mudando de verdade, por baixo disso, é outra coisa: ficou barato produzir respostas, mas o erro ficou mais caro. Quando a evidência vira abundante, o diferencial passa a ser o critério de validação. Contra o que eu verifico a decisão, e com qual rastro, antes de aceitar que "parece metodológico".
Na semana passada, três sinais distintos apontaram para o mesmo diagnóstico. Um é um fornecedor grande colocando trilha de aprovação, auditoria e opt-out como parte do produto, não como slide de compliance. Outro é a tentação de "turbinamento" com sintéticos. O terceiro é um caso público de dado inventado que se espalha porque muita gente aceita aparência de metodologia como prova de método. Juntos, eles lembram que governança não é fase final. Ela começa quando eu decido o que entra como evidência.
Governança de IA entra no desenho do fluxo de engajamento
A Pegasystems anunciou o Pega Customer Engagement Studio, um pacote de capacidades para "responsible AI customer engagement" que tenta transformar instruções em linguagem natural em regras executáveis, exigir aprovações com histórico de auditoria e detectar mudanças de opt-out antes da execução. A governança de contato em setores regulados (TCPA, DNC, FDCPA) vem de uma parceria com a Gryphon, não da plataforma sozinha.
O que isso muda na forma de decidir: parar de tratar governança como política e começar a tratá-la como parte do desenho do fluxo. Para pesquisa, o paralelo é direto. Não basta "ter diretriz de uso de IA". O que muda o risco é quando o sistema obriga que uma mudança de regra, um ajuste de elegibilidade ou uma ativação passe por aprovação, registre trilha e respeite o opt-out. Governança que não vive no fluxo vira slide.
Porém: é comunicado de fornecedor. A existência das features é verificável, mas os benefícios e a efetividade dependem de como isso é configurado e auditado em campo. A regra editorial é simples: usar como benchmark de checklist, não como prova de que o problema está resolvido.
Sintético bate com o holdout em 92%, e os 8% têm padrão
Ipsos e Barilla publicaram um paper de validação de dados sintéticos em product testing. Em 260 validações globais, amostras "boosted", em média 50 humanos mais 150 sintéticos, chegaram ao mesmo veredito de Action Standard que uma amostra all-human em 92% dos casos. O argumento metodológico mais importante é o critério de validação: comparar a amostra aumentada com um holdout humano independente, não com a semente que treinou o modelo. No caso Barilla, um teste domiciliar sequencial monádico do Ragù alla Bolognese com células de 100 humanos mais 300 sintéticos, acima da configuração média, os dois protótipos falharam nos três Action Standards: preferência, opinião geral e alienação. A decisão foi não alterar a receita, e não houve diferença de resultado entre a amostra humana e a aumentada.
O que isso muda na forma de decidir: parar de discutir sintético como "substituição" e começar a discutir como protocolo de verificação. A pergunta útil não é "o sintético parece humano?". É "ele muda a mesma decisão que eu tomaria com mais humanos?". Quando eu valido por consistência de decisão e analiso os 8% divergentes, eu ganho um mapa de risco. E isso é ouro para qualquer líder de insights, porque transforma turbinamento em método, não em argumento de venda.
Fonte: Research World
Porém: 92% é alto, mas os 8% importam mais do que os 92%. O próprio paper lista as classes de falha: desalinhamento de quotas na semente, amplificação de ruído quando os protótipos não diferem entre si, e excesso de dimensionalidade. Sintético não cria verdade nova. Ele amplifica padrões do seed. Se o seed está torto, eu turbino o erro com eficiência.
A Associated Press noticiou que uma organização chamada Median Strategies admitiu ao Los Angeles Times ter fabricado pelo menos três pesquisas eleitorais nos EUA, em Wisconsin, Nevada e na disputa pela prefeitura de Los Angeles. Antes de tirar o site do ar, a empresa descreveu a operação como um "experimento social de curto prazo" sobre como uma suposta informação de pesquisa entra e circula sem verificação independente. Os "resultados" foram amplificados por campanha, imprensa e contas agregadoras antes de a falsificação ser exposta. Agregadores que recusaram as pesquisas apontaram a ausência de informações básicas para vetting, como quem estava por trás da empresa, a origem do voter file e o fornecedor que teria feito o campo.
O que isso muda na forma de decidir: me obriga a tratar procedência como dado, não como confiança implícita. Se um estudo não traz identidade do responsável, método mínimo e cadeia de execução, ele não é "uma fonte fraca". Ele é um item não verificável, e portanto não pode virar evidência em apresentação, tracker ou decisão. Na pesquisa de mercado, isso vale para qualquer dado secundário, estudo de fornecedor, painel terceirizado e benchmark que chega pronto.
Fonte: AP (via ABC News)
Porém: é um caso eleitoral e norte-americano, e não diz nada sobre o que "a população pensa". Ele diz algo mais útil para nós: que a indústria aceita rápido demais a estética de metodologia. A defesa não é criar mais um score de credibilidade. É um checklist de campos obrigatórios, e a disciplina de recusar o que não pode ser verificado.
Qual é o seu "campo obrigatório" hoje para aceitar um achado como evidência: holdout de validação, checklist de procedência ou governança no fluxo?
Eric Santos
AI Strategist da HSR
Opiniões e recomendações são pessoais e não representam posição institucional de nenhuma organização citada.