©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

CONSUMIDOR

Reinventando a pesquisa de mercado na era da IA generativa

Grandes modelos de linguagem estão encurtando cronogramas com o uso de consumidores sintéticos, entrevistas moderadas por algoritmos e análises qualitativas conduzidas em larga escala

Neeraj Arora, Ishita Chakraborty e Yohei Nishimura

30 de junho de 2026

31 min de leitura

Líderes de marketing costumam enfrentar um dilema: obter os insights necessários para tomar decisões adequadas pode custar dezenas de milhares de dólares e envolver vários meses de coleta e análise de dados – período em que as condições do mercado podem já ter mudado. Será que a IA generativa pode transformar fundamentalmente essa lógica?

Com base em pesquisas recentes, incluindo um estudo nosso publicado no Journal of Marketing, e em entrevistas com líderes de marketing de grandes organizações, identificamos formas pelas quais os grandes modelos de linguagem (LLMs, do inglês large language models) estão começando a transformar a função de marketing e a remodelar a indústria de insights de US$ 153 bilhões.

1. LLMs podem reduzir ciclos de pesquisas de mercado de meses para dias ao introduzir novas abordagens para testes rápidos de conceitos.
2. Esses testes, como o uso de “gêmeos digitais” sintéticos para consumidores, geram insights valiosos sobre os consumidores.
3. A IA viabiliza pesquisas qualitativas conduzidas em larga escala.
4. Essas técnicas também permitem que as empresas aproveitem melhor os dados não estruturados.
5. Elas permitem que equipes menores realizem estudos muito maiores do que era possível anteriormente.

Usualmente as empresas vivem um processo lento, complexo e intensivo em mão de obra para realizar pesquisas de mercado geradoras de insights sobre o consumidor que possam guiar decisões. Um pipeline típico de pesquisa de marketing envolve múltiplas etapas, incluindo definição do problema, formato, estruturação do estudo, seleção de amostras, coleta de dados, análise e geração de insights. E, dependendo do escopo, um projeto pode levar de algumas semanas a vários meses para ser concluído e custar de dezenas a centenas de milhares de dólares.

A IA generativa está tornando a geração de insights do consumidor substancialmente mais eficiente e eficaz.

1. Compressão do ciclo entre dados e decisões

Assim como a descoberta de medicamentos impulsionada por IA reduziu o tempo entre a triagem de princípios ativos promissores e a preparação para ensaios clínicos, a IA generativa está encurtando o caminho entre exploração e geração de insights.

A inteligência artificial vem sendo integrada ao processo de pesquisa de mercado em um modelo de “humans in the loop” [como mostramos na figura “Como a IA é integrada ao processo de pesquisa de mercado”, logo abaixo]. Nos estágios iniciais dos estudos, a definição e o desenho de problemas são guiados principalmente por pessoas.

Isso porque fatores críticos – como experiência do cliente, intuição de mercado e restrições práticas como orçamento e tempo – ainda dependem fortemente do julgamento humano, sendo desafiadores para a IA inferir. E embora a tecnologia possa ajudar a refinar enunciados de problemas ou apoiar sessões de brainstorming sobre opções de design, seu papel nesses estágios iniciais tende a ser mínimo. Em contraste, nas fases seguintes da pesquisa de mercado, a tecnologia passa a atuar como uma colaboradora poderosa.

Na etapa de desenho do estudo da pesquisa qualitativa, os LLMs podem ser utilizados para gerar rascunhos iniciais de guias de discussão para trabalhos exploratórios. Ajudam, por exemplo, a identificar perfis de respondentes alinhados aos objetivos da pesquisa durante a seleção das amostras.

Já na fase de análise, esses modelos conseguem resumir entrevistas longas, extrair temas recorrentes e transformar grandes volumes de texto não estruturado em insights interpretáveis.

Como bem resumiu Paul Metz, CEO da C+R Research: “Ferramentas de IA processam e sintetizam grandes volumes de dados de transcrições em poucas horas, detectando padrões e temas que antes levavam dias para serem descobertos”.

Esses ganhos de eficiência permitem que as equipes processem volumes muito maiores de dados qualitativos e trabalhem de maneira mais produtiva. A combinação entre velocidade e redução de custos também possibilita que as empresas substituam estudos amplos e esporádicos – que tradicionalmente levavam meses para serem concluídos – por pesquisas menores, com menor intervalo entre elas e mais alinhadas aos ciclos de decisão do negócio. Na prática, isso dá aos gestores maior capacidade de testar ideias, iterar rapidamente e adotar uma abordagem mais orientada à experimentação.

Na pesquisa quantitativa, os modelos de linguagem podem ser usados para gerar rapidamente versões iniciais de questionários (rascunhos), produzir estatísticas resumidas, visualizar dados e até depurar códigos de análise quando necessário. Essas aplicações de IA generativa permitem que equipes deleguem tarefas rotineiras à tecnologia e concentrem mais tempo na interpretação estratégica dos dados e na resposta às perguntas centrais do negócio, o que resulta em uma geração de insights mais rápida e alinhada ao ritmo das decisões empresariais.

Como IA é integrada no processo de pesquisa de mercado

Os estágios iniciais da pesquisa são conduzidos exclusivamente por humanos; ferramentas de IA/LLM pode ajudar os humanos na hora de completar tarefas nos estágios finais do processo

2. Geração de insights por consumidores sintéticos

Uma das formas mais importantes pelas quais os LLMs estão ampliando a geração de insights sobre consumidores é por meio do uso de gêmeos digitais. Um gêmeo digital é uma representação sintética e orientada por dados de um objeto, sistema ou processo, criada para permitir simulações e experimentações hipotéticas a baixo custo. Diversos campos, como descoberta de medicamentos, ciência do clima e gestão da cadeia de fornecimento, já utilizavam gêmeos digitais para testar cenários e apoiar decisões, muito antes do surgimento dos modelos de linguagem.

No marketing, os LLMs estão possibilitando o uso de gêmeos digitais de consumidores – personas sintéticas que simulam processos de tomada de decisão, mudanças de preferência e respostas a estímulos de marketing – como base para experimentação pré-mercado. Ou seja, em vez de esperar pela coleta de novos dados, analistas podem simular conceitos, decisões de portfólio, alterações de preços ou reações a campanhas antes de assumir compromissos financeiros relevantes.

Empresas especializadas em pesquisa de mercado baseada em IA, como a Evidenza, e iniciativas acadêmicas como o conjunto de dados de gêmeos digitais da Columbia University ilustram o crescimento do ecossistema de emulação de consumidores impulsionada por IA.

A Evidenza, por exemplo, trabalhou em parceria com uma empresa alemã de tecnologia da informação e comunicação para avaliar se compradores B2B confiariam à companhia a gestão de cibersegurança e infraestrutura em nuvem para dados sensíveis. A equipe de pesquisa utilizou amostras sintéticas de tomadores de decisão para simular o estudo e testar rapidamente hipóteses relacionadas a trajetórias de gastos, os produtos mais propensos a impulsionar a troca de fornecedores e outras questões estratégicas.

A validação dos resultados, com base em uma pesquisa humana que já existia, revelou fortes correlações entre as métricas analisadas (0,75 a 0,88), sugerindo que as amostras sintéticas produziram insights confiáveis em termos de direção apontada – a abordagem sintética permitiu à empresa B2B obter contribuições valiosas em uma fração do tempo e do custo normalmente associados à pesquisa de mercado tradicional.

Gêmeos digitais de consumidores podem ser gerados a partir de uma variedade de combinações de dados demográficos, psicográficos e comportamentais a partir de fontes internas e externas às quais as empresas tenham acesso. Para criar gêmeos digitais, obtivemos perfis detalhados dos participantes do estudo original, conduzido por nosso parceiro de pesquisas de mercado, incluindo informações demográficas e padrões de uso dos produtos.

Em seguida, fornecemos ao GPT-4 o contexto da pesquisa e a persona específica que ele deveria assumir com base no perfil de um respondente humano. Solicitamos, então, que o modelo executasse tarefas como responder detalhadamente a perguntas abertas ou selecionar respostas entre alternativas de um questionário. Desta forma, por meio da API de um LLM, geramos centenas de respondentes sintéticos.

Nosso estudo mostrou que os LLMs podem criar dados qualitativos de alta qualidade e ricos em informação. Tanto as informações geradas por LLMs quanto as produzidas por participantes humanos parecem e se comportam de maneiras notavelmente semelhantes, embora as respostas do GPT-4 sejam superiores em termos de profundidade e perspicácia, pois não são limitadas por tempo ou disposição para elaborar.

Os modelos também podem ampliar o acesso a segmentos de nicho ou de difícil alcance, complementando de maneira relevante os respondentes humanos. No caso das pesquisas quantitativas baseadas em questionários, descobrimos que os LLMs conseguem reproduzir com boa precisão tanto a direção quanto a magnitude das respostas de pessoas participantes.

Além disso, nossas descobertas revelaram que gêmeos digitais agregam valor significativo ao desenvolvimento do processo de pesquisa. Um modelo de linguagem pode ser usado para gerar dados sintéticos de resposta antes do questionário ser aplicado a entrevistados humanos. Ao inverter o fluxo típico da pesquisa, essa abordagem “de cabeça para baixo” permite que os pesquisadores testem o formato antes da coleta real de dados. Com isso, é possível analisar previamente os resultados sintéticos para responder a questões fundamentais, como a qualidade dos insights que o estudo provavelmente produzirá e quais perguntas deveriam ser removidas, ajustadas ou adicionadas.

Em algumas circunstâncias, dados sintéticos podem até eliminar a necessidade de realizar a pesquisa. Isso pode ocorrer, por exemplo, quando um conceito domina claramente todos os que seriam testados ou quando o principal insight obtido não traz informações realmente novas.

Os ganhos com dados de gêmeos digitais provavelmente serão maiores para entrevistados de difícil acesso, como médicos ou gestores seniores. Os tomadores de decisão preferem muito mais trabalhar com dados de gêmeos digitais do que não ter nenhum dado para esses grupos menos acessíveis. E um aspecto atraente dos gêmeos digitais é que eles não se cansam, nem têm limitações de tempo, podendo fornecer respostas longas para muitas perguntas. Além disso, para além da geração de dados úteis, os LLMs podem ser eficientes na coleta e análise de dados não estruturados de participantes humanos ou sintéticos.

3. Escala e velocidade na pesquisa qualitativa

O modelo tradicional de pesquisa de mercado costuma começar com métodos qualitativos não estruturados (como etnografias, entrevistas em profundidade e grupos focais) conduzidos com um número reduzido de participantes. Os insights obtidos nessas etapas servem de base para pesquisas quantitativas aplicadas em larga escala.

Como dados qualitativos não estruturados envolvem amostras pequenas e demandam coleta e análise intensivas em trabalho humano, historicamente eles sempre foram caros e demorados de produzir. Por isso, as empresas passaram a depender mais fortemente de pesquisas quantitativas. Os LLMs, porém, estão começando a mudar essa lógica ao tornar a coleta e a análise de dados qualitativos muito mais fáceis de reunir e analisar.

IA como motor de coleta de dados. Um caso de uso impressionante da IA generativa na coleta de dados é como entrevistador de participantes humanos, em que ela é usada para realizar três tarefas-chave, detalhadas a seguir.

• Entrevistador: o LLM segue um guia para fazer perguntas específicas.
• Pontuador: o LLM avalia a resposta humana, com base em métricas como clareza e profundidade, e fornece uma pontuação em uma escala de 1 a 100.
• Avaliador: se a pontuação da avaliação estiver abaixo de um limite preestabelecido, o LLM pede ao respondente que explique melhor.

Essa abordagem de três etapas não se limita a realizar entrevistas com humanos; também pode ser aplicada à geração de dados sintéticos. Ao testar essa ideia, determinamos que dados sintéticos de entrevistas moderadas por IA preservam o significado e a essência dos dados gerados por humanos – e é importante dizer que a avaliação independente feita por humanos concluiu que os dados gerados pela inteligência artificial são significativamente mais altos em medidas de profundidade e insight.

Entrevistas moderadas por IA estão se tornando uma adição poderosa ao repertório de ferramentas dos pesquisadores de marketing, especialmente por possibilitarem pesquisas qualitativas conduzidas em larga escala.

Diferentemente de um moderador humano, um moderador baseado em IA pode coletar rapidamente grandes volumes de dados não estruturados – em texto, áudio ou vídeo – de muitos participantes distribuídos ao redor do mundo, e a uma fração do custo associado a entrevistas presenciais em profundidade.

Embora um moderador humano experiente possa ser melhor em ler o tom, a linguagem corporal e os sinais visuais dos respondentes, a vantagem dos moderadores de IA é a capacidade de conduzir entrevistas rapidamente em larga escala, com velocidade e alcance geográfico muito maiores. A tecnologia também pode oferecer benefícios adicionais em situações nas quais participantes se sentem desconfortáveis para falar sobre determinados temas ou produtos devido a vieses de desejabilidade social ou medo de julgamento.

Fornecedores como Outset e Nexxt Intelligence possuem produtos comercialmente disponíveis com funcionalidades moderadas por IA para conduzir entrevistas. Em um estudo de caso, a Outset afirmou ter concluído 100 entrevistas em apenas alguns dias – uma tarefa que normalmente levaria semanas para ser realizada. Os dados qualitativos resultantes revelaram problemas que seu cliente não sabia que existiam e ajudaram a orientar o posicionamento de campanhas de marca. A abordagem de moderador de IA também deu ao cliente a capacidade de conduzir pesquisas de maneira contínua, em vez de depender de estudos pontuais realizados apenas uma ou duas vezes por ano.

IA como motor de análise. A abordagem tradicional para interpretação de dados qualitativos é, em grande parte, manual e conduzida por analistas especializados, responsáveis por decodificar grandes volumes de texto não estruturado e materiais audiovisuais.

No caso de dados textuais, por exemplo, a análise temática costuma envolver leitura detalhada das respostas, seleção de trechos relevantes, destaque de frases ou termos recorrentes, agrupamento em conceitos relacionados, eliminação de redundâncias e consolidação dos principais temas em um resumo conciso.

Nossa pesquisa mostra que os LLMs facilitaram a realização de muitas dessas tarefas sem sacrificar a qualidade. No nível do processo, constatamos que os analistas humanos tendem a destacar um volume maior de trechos do que LLMs ao examinar dados qualitativos. Ainda assim, há sobreposição significativa nos conteúdos considerados relevantes por humanos e pela IA. Grandes modelos tendem a revelar a maioria dos mesmos temas que os humanos identificam e ainda encontram outros que passaram despercebidos. Mas, de maneira geral, os modelos demonstraram desempenho comparável ao de pessoas na identificação de ideias-chave, agrupamento temático e síntese de insights.

Na prática, fornecedores como a Voxpopme já oferecem excelentes ferramentas para analisar dados qualitativos multimodais (vídeo, áudio e texto). Em um estudo de caso, a empresa afirmou ter alcançado redução de 30% a 50% nos custos de projetos qualitativos, um aumento de 50% no reaproveitamento de insights de pesquisa já existentes e uma velocidade de análise até 60 vezes maior.

A pesquisa de marketing habilitada por IA está tornando viável a realização de estudos qualitativos e quantitativos em escala simultaneamente – algo que antes era limitado pela divisão tradicional entre métodos qualitativos, associados a amostras pequenas e insights profundos, e métodos quantitativos, voltados a grandes amostras e insights amplos.

Dada a eficácia, o baixo custo e a facilidade de uso dos LLMs, esperamos que esses modelos passem a desempenhar um papel cada vez mais central nas etapas de coleta e análise de dados não estruturados. Como consequência, as empresas estão descobrindo rapidamente o quanto mais conseguem extrair valor de dados qualitativos e não estruturados do que era possível anteriormente.

Além dos dados tradicionais de pesquisa qualitativa (de entrevistas aprofundadas e grupos focais, por exemplo), também há informações valiosas em fontes não estruturadas, como avaliações online, transcrições de call centers e postagens em redes sociais.

Chauncey Holder, especialista sênior da McKinsey, observou que “agentes de IA podem analisar dados multimodais – como redes sociais, características de categoria e sinais comportamentais – para identificar necessidades não atendidas e tendências emergentes, revelando oportunidades de mercado de modo mais eficiente do que os métodos tradicionais”.

Historicamente, porém, a dificuldade de explorar esses dados ricos em informação de maneira rápida e economicamente viável limitava seu uso em pesquisas de marketing, pois modelos anteriores de processamento de linguagem natural dependiam fortemente de rotulagem humana cara e trabalhosa.

Os LLMs pré-treinados começaram a mudar esse cenário ao viabilizar, com muito mais facilidade, tarefas como sumarização semântica de baixo custo, extração de tópicos, análise de sentimento e geração de insights narrativos a partir de grandes volumes de dados multimodais. E essa transformação representa uma mudança importante na forma como a pesquisa de marketing pode desbloquear o valor de dados não estruturados para apoiar decisões de negócios.

4. RAG unifica dados não estruturados (mas é necessário ter cautela)

Embora os modelos de linguagem atuais tenham um conjunto impressionante de capacidades, seu desempenho em tarefas complexas que exigem conhecimento do domínio (pesquisa de marketing interna de uma marca, por exemplo) pode ser limitado.

Para situações em que o LLM não possui as informações necessárias, a geração aumentada por recuperação (RAG, do original em inglês“ retrieval-augmented generation“) é um método econômico que pode melhorar a qualidade de sua saída. A RAG incorpora informações de uma fonte externa de conhecimento, como dados qualitativos existentes na empresa, como entrada adicional ao prompt do usuário.

Em nosso próprio estudo, tivemos resultados mistos ao gerar dados de pesquisas sintéticas usando apenas um modelo (sem RAG). Embora o LLM tenha capturado corretamente a direção e a proporção das atitudes dos consumidores, apresentou duas fraquezas principais evidentes em muitas aplicações básicas de IA. Primeiro, as respostas apresentavam menor heterogeneidade: havia menos variação nos resultados gerados pela IA em comparação com os dados humanos. Segundo, as respostas produzidas pelos LLMs demonstraram menor consistência interna do que aquela observada entre participantes humanos.

Melhor explicando: as respostas do LLM não avaliavam atributos como “ingredientes saudáveis” e “alimento mais seguro” da mesma forma que participantes humanos fariam. Mas ambas as deficiências foram parcialmente superadas quando usamos a RAG para nos basear em dados qualitativos existentes. De maneira mais ampla: a abordagem pode ser particularmente útil para pesquisa de mercado, nas quais os gestores dependem de múltiplas fontes externas de informação para a tomada de decisões.

Integrar esses fluxos fragmentados de insights costuma ser uma tarefa desafiadora para organizações de marketing: rastreadores de pesquisa, sistemas de gestão de relacionamento com clientes (CRM), plataformas de social listening e fontes terceiras de inteligência raramente “conversam” entre si de maneira coesa.

LLMs que usam RAG oferecem um “elo” para integrar fontes distintas, permitindo a síntese e a correlação de informações. A abordagem também pode ser usada para integrar múltiplas bases de dados – como CRM, pesquisas e informações demográficas internas – e criar chatbots habilitados por IA, ou persona bot, que ajudam gestores de marca a desenvolver uma compreensão mais profunda de seus consumidores.

Lisa Gudding, presidente de crescimento estratégico da consultoria Ipsos, reforçou esse ponto ao afirmar que “as empresas estão começando a combinar seus próprios dados comportamentais com estudos compartilhados e indicadores de tendência fornecidos por parceiros externos para construir ecossistemas de insights mais ricos e dinâmicos. Essa mudança está impulsionando o modelo de Data as a Service [DaaS], no qual a IA viabiliza uma nova forma de inteligência consultiva”.

Empresas como Market Logic e Stravito exemplificam esse movimento. Ambas utilizam modelos baseados em DaaS para integrar múltiplas fontes de informação e fornecer insights mais acessíveis e conectados a equipes de pesquisa de mercado. Mas. embora a RAG seja útil para integrar dados de marketing multimodais e compartimentados, ela também tem suas limitações.

Primeiro, enfrenta desafios de escalabilidade, em que a precisão da recuperação e a velocidade de processamento se deterioram à medida que a base de conhecimento se torna muito grande. Além disso, a complexidade e a inconsistência inerentes à integração, em tempo real, de dados de marketing em múltiplos formatos frequentemente exigem extensos processos de pré-tratamento, o que pode limitar tanto o volume quanto a fidelidade das informações que os LLMs conseguem utilizar de maneira eficaz.

Por fim, a qualidade dos insights gerados depende diretamente da qualidade das informações recuperadas. Se o mecanismo de recuperação identificar dados incompletos, irrelevantes ou sem contexto adequado, os resultados produzidos pelo modelo serão comprometidos, independentemente da sofisticação de suas capacidades generativas.

Sobre esse tema, Chuck Hwang, vice-presidente de analytics e insights da Procter & Gamble, observou que “parte do conhecimento criado, especialmente em marketing e pesquisa, não é totalmente preservado e frequentemente permanece disperso em apresentações ou em trocas verbais, dificultando que a IA capture integralmente o contexto institucional”.  

Portanto, a eficácia de um sistema baseado em RAG depende da arquitetura de recuperação de informações e da completude dos dados disponíveis. Quando esses desafios relacionados à infraestrutura e à qualidade dos dados são superados, a capacidade de integração de conhecimento proporcionada pela IA generativa pode se tornar uma fonte relevante de criação de valor para as organizações.

5. Equipes humanas podem ser menores (porém são essenciais na supervisão)

Embora vejamos um valor imenso no uso da IA tanto para pesquisa qualitativa como quantitativa, é essencial ressaltar que os humanos ainda são os motores do processo de geração de insights.

Na fase de coleta de dados da pesquisa qualitativa, as empresas podem montar equipes humano-IA para gerar insights de maneira eficiente e eficaz. Grandes modelos são excelentes assistentes, que podem fazer a primeira análise de volumes de texto e dados audiovisuais. Isso dá tempo aos especialistas para tarefas de ordem superior, como garantir que os insights respondam às perguntas de pesquisa. Em nosso estudo, por exemplo, descobrimos que surgiram mais insights únicos dos híbridos IA-humano do que das abordagens apenas humanas ou LLMs. Pesquisadores qualitativos experientes e LLMs se complementam bem.

De modo semelhante, em pesquisas quantitativas, um LLM pode rapidamente gerar um primeiro rascunho forte, para servir como um ponto de partida eficiente no processo de design. Um especialista humano pode começar com esse rascunho e realizar tarefas como adicionar lógica de pular certos itens e instruções de programação, além de avaliar a experiência do respondente, antes de aprovar a versão final. Nesse pipeline de pesquisa reinventado, o LLM foca nas tarefas trabalhosas, repetitivas e desinteressantes, enquanto o especialista humano usa o tempo economizado para pensar de maneira mais criativa sobre as questões do negócio a serem respondidas e a qualidade dos insights que a pesquisa deve proporcionar.

Como observou Kajoli Tankha, diretora sênior de insights de consumidor com IA da Microsoft: “No nosso próprio trabalho, a IA generativa se tornou uma colaboradora poderosa – acelerando a síntese, possibilitando escala e ampliando o que as equipes podem assumir. Ao mesmo tempo, a expertise humana continua essencial para formular as perguntas certas e traduzir os resultados em insights”.

Como em qualquer inovação disruptiva, incentivamos as empresas a serem cuidadosas e estratégicas ao adotar LLMs para pesquisa de mercado. Para calibrar e descobrir o verdadeiro valor de um modelo de linguagem para seu negócio, as empresas devem realizar múltiplas verificações de validação antes de adotar totalmente os resultados gerados pela IA. E essa abordagem de testar e aprender pode revelar áreas em que um LLM se destaca e aquelas em que ele é inadequado.

Os pesquisadores devem desenvolver letramento em IA para saber como orientar, avaliar e administrar modelos – e suas empresas devem implementar proteções de qualidade, verificações de viés e protocolos rigorosos para trabalhar com IA.

A adoção da IA generativa aumenta o valor do julgamento humano ao elevar o pesquisador ao papel de curador da verdade, em vez de apenas um produtor de tabelas, gráficos e slides.

Riscos e considerações na implementação

Como qualquer tecnologia, a IA generativa traz externalidades negativas significativas. Muitas são estruturais (como violação de propriedade intelectual, impacto no clima e deslocamento de postos de trabalho) e fora do escopo deste artigo, mas outras estão diretamente relacionadas à pesquisa de mercado e merecem total consideração dentro da função de geração de insights.

Primeiro, os LLMs são propensos a vieses de gênero, raça e cultura devido aos dados com os quais são treinados. Pesquisadores de marketing alinhados às práticas atuais devem ser treinados para identificar essas limitações ao incorporar LLMs no pipeline de pesquisa. Essa questão reforça ainda mais a necessidade de supervisão humana crítica na pesquisa de mercado.

Segundo, os modelos de linguagem facilitam muito não só a produção de boa pesquisa de mercado, mas também de estudos de baixa qualidade com aparente credibilidade. A maioria dos especialistas com quem conversamos expressou preocupação com o crescente apetite da indústria de marketing por velocidade, em detrimento de insights verdadeiramente significativos.

Terceiro, há algumas evidências iniciais de perda de empregos em nível inicial no marketing por causa da IA. As tarefas que podem ser mais facilmente automatizadas por LLMs são justamente as que serviam como oportunidades de treinamento para talentos juniores.

A maioria dos especialistas com quem conversamos expressou preocupações sobre o impacto da IA no pipeline de talentos. Na visão deles, sem experiência prática em tarefas que a IA pode automatizar, talentos emergentes podem ter dificuldades para desenvolver o pensamento analítico profundo e o julgamento contextual necessários para interpretar dados de maneira significativa e para desafiar pressupostos.

Em quarto e último lugar, embora gêmeos digitais tenham um enorme potencial, eles podem ser usados indevidamente para gerar dados fraudulentos difíceis de detectar. Por exemplo, entrevistados humanos em pesquisas online poderiam usar LLMs para gerar respostas realistas a fim de vender resultados.

Embora os riscos descritos acima sejam reais, podem ser mitigados por meio da rigorosa supervisão e do letramento que defendemos anteriormente. A inteligência artificial generativa é uma aliada poderosa dos profissionais de marketing, e a próxima geração de pesquisa de mercado será definida por uma parceria simbiótica liderada por humanos e totalmente apoiada por IA.