Marketing com IA: como entender seu público sem inventar o cliente

Imagem de capa: ilustração gerada por IA. Cena fictícia; não retrata participantes das pesquisas citadas.

Uma pequena escola de cursos profissionais pede à IA que descreva seu cliente ideal. Em segundos, aparece um perfil completo: nome, idade, renda, dificuldades, desejos e até uma rotina de estudos. A equipe gosta do resultado e começa a preparar anúncios. Há apenas um problema: nenhuma dessas pessoas foi ouvida.

A inteligência artificial pode ajudar muito no marketing, entendido aqui como o trabalho de compreender necessidades, construir uma oferta e comunicar seu valor. Mas um retrato convincente do público não é, por si só, conhecimento sobre ele. O primeiro ganho que eu buscaria com a IA seria organizar melhor a escuta e transformar informações em perguntas que possam ser verificadas.

Como ler este artigo. Este texto reúne pesquisas e um método de trabalho proposto. A escola, os comentários e as peças de comunicação são exemplos fictícios, escritos para explicar o processo. Não representam uma pesquisa de mercado executada nem um teste comparativo de ferramentas de IA.

Uma persona ajuda a pensar. Um cliente pode contrariá-la

Uma persona é um perfil usado para representar características relevantes de um público. Pode reunir evidências de entrevistas, atendimento e compras. Também pode ser uma hipótese inicial. O problema começa quando essas duas origens ficam indistinguíveis e o perfil passa a orientar decisões como se tivesse sido confirmado.

Um modelo de linguagem — sistema treinado para processar e gerar linguagem a partir de padrões — consegue produzir respostas plausíveis para um personagem descrito no pedido. Isso permite ensaiar perguntas e explorar objeções. Porém, a concordância de um cliente simulado não demonstra que compradores reais terão a mesma reação.

Há pesquisa séria sobre essa possibilidade. Em Using GPT for Market Research, na versão de abril de 2023, James Brand, Ayelet Israeli e Donald Ngwe compararam estimativas do GPT-3 com um estudo com consumidores. Para o flúor na pasta de dente, estimaram disposição a pagar de US$ 3,40, próxima dos US$ 3,27 entre humanos. Para a presença de alumínio no desodorante, porém, obtiveram −US$ 0,99, contra −US$ 1,97: cerca de metade da redução estimada no valor atribuído ao produto. A proximidade depende do atributo analisado; não é uma validação geral da simulação. [1]

Os autores também retomam uma observação de John Horton: a variação natural de preferências humanas não aparece automaticamente no modelo sem que sejam introduzidas diferenças. Discutem, por exemplo, variar características conforme o público. Isso não garante representatividade, mas mostra por que repetir uma única persona não equivale a ouvir pessoas diferentes. [1]

A redação da pergunta também alterou fortemente a frequência de respostas de não compra. [1] Por isso, eu usaria a simulação para preparar perguntas e explorar hipóteses, preservando a possibilidade de o público real contradizê-las.

Uma revisão de Marko Sarstedt e colaboradores, publicada em 2024, encontrou resultados bastante variáveis entre domínios ao comparar participantes humanos e amostras sintéticas, isto é, respostas geradas por modelos. Os autores destacam o potencial para pré-testes e estudos-piloto, etapas anteriores à pesquisa principal. [2] Minha aplicação desse cuidado é simples: usar a simulação para melhorar a investigação e procurar confirmação fora dela.

Comece por uma decisão que precisa tomar

“Quero conhecer meu público” é uma intenção ampla demais para orientar uma boa análise. A escola poderia começar por uma decisão concreta: precisa oferecer aulas aos sábados ou explicar melhor como o curso se aplica ao trabalho? As duas alternativas exigem investimentos diferentes e podem resolver problemas diferentes.

Eu reuniria perguntas frequentes, motivos registrados para não comprar e relatos de quem concluiu o curso. Cada registro teria uma identificação, uma data e uma origem. Não misturaria, sem distinção, a opinião de quem visitou uma página com a experiência de quem efetivamente estudou.

Também procuraria pessoas ausentes desse material. O atendimento mostra quem entrou em contato; não mostra automaticamente quem desistiu antes de perguntar. Uma entrevista ajuda a aprofundar o motivo de uma escolha, mas poucas conversas não revelam, sozinhas, quantas pessoas de todo o mercado compartilham aquele motivo.

Peça à IA uma análise que você consiga conferir

Veja quatro comentários fictícios. Eles parecem simples, mas permitem uma confusão comum: tratar qualquer dúvida sobre uma compra como objeção ao preço.

Se o resumo disser apenas “os interessados precisam de desconto”, ele apagou diferenças decisivas. D01 pode precisar de uma aula de entrada; D02, de uma informação sobre horários; D03, de exemplos profissionais. Reduzir o preço não responde necessariamente a nenhuma dessas três dúvidas.

Um pedido útil à IA seria: “Agrupe estes registros por necessidade. Para cada grupo, apresente os identificadores e os trechos que o sustentam. Separe o que foi dito da sua interpretação. Permita mais de uma categoria por registro. Quando o motivo estiver ausente ou ambíguo, marque a pendência. Não invente renda, idade nem intenção de compra”.

Depois, eu conferiria os registros originais. Uma categoria pode parecer correta enquanto o trecho associado não a sustenta. Pedir à própria IA que revise o resumo pode ajudar a encontrar inconsistências, mas a revisão ainda precisa voltar ao material de origem.

Transforme a descoberta em uma proposta verificável

A próxima etapa é converter a leitura em uma hipótese: mostrar uma atividade introdutória pode reduzir a insegurança de quem teme não acompanhar. A hipótese é específica e permite uma ação concreta: disponibilizar uma aula curta, explicar os conhecimentos necessários e ouvir o que continua confuso.

A IA pode sugerir perguntas para essa conversa e ajudar a organizar as respostas. Eu evitaria perguntar “você gostou da nossa aula incrível?”. Perguntas como “em que ponto ficou difícil?” e “o que você conseguiria fazer sozinho depois dela?” deixam mais espaço para uma resposta que contrarie a equipe.

Para D03, a escola poderia apresentar um exercício sobre fluxo de caixa. O material precisa mostrar o que realmente é ensinado. Acrescentar “ganhe mais em uma semana” cria uma promessa que os comentários não sustentam e que o curso talvez não possa cumprir.

Um calendário editorial pode ser uma sequência de respostas

Com essa base, a produção deixa de começar por “faça trinta posts”. Uma primeira publicação mostra o nível de entrada. Outra apresenta a aplicação no trabalho. Uma terceira esclarece horários, acompanhamento e condições. Cada peça tem uma função, em vez de ocupar um espaço vazio no calendário.

Eu forneceria à IA um briefing, documento curto com objetivo, público, informações confirmadas, tom de voz e limites. A ferramenta poderia propor títulos e formatos a partir desse material. Preço, disponibilidade, certificado e resultados prometidos só entrariam depois de confirmação pela escola.

Também pediria alternativas de abordagem, não apenas sinônimos: uma demonstração, uma pergunta respondida pelo professor e um relato real autorizado. A revisão escolheria o formato que explica melhor a oferta. Um depoimento escrito pela IA e atribuído a um aluno inexistente seria uma fabricação, ainda que soasse perfeitamente natural.

Os dados do público também exigem cuidado

Antes de enviar conversas a qualquer ferramenta, é necessário verificar quais dados podem ser usados, para qual finalidade e em qual ambiente. Trocar um nome por um código pode reduzir exposição, mas detalhes da história ainda podem identificar a pessoa. Para iniciar o trabalho, exemplos fictícios e dados agregados podem ser suficientes.

O guia da Autoridade Nacional de Proteção de Dados sobre legítimo interesse, de fevereiro de 2024, explica que essa hipótese exige análise de finalidade, necessidade e equilíbrio com direitos do titular. Não se aplica a dados pessoais sensíveis. [3]

O exemplo 5 do guia admite que uma instituição de ensino e editora envie promoções de livros à comunidade acadêmica, considerando a relação prévia, o benefício e a opção de descadastramento. Nesse caso, os dados não são compartilhados com terceiros. [3] Isso mostra que o marketing pode se apoiar nessa hipótese quando as condições a sustentam. Enviar históricos a uma ferramenta externa de IA envolve outro tratamento, cuja finalidade, necessidade e condições exigem análise própria.

Eu verificaria ainda retenção, acesso pela equipe e condições de uso do fornecedor. A organização dos comentários deve servir à decisão necessária, evitando coletar detalhes pessoais apenas porque a ferramenta consegue processá-los.

O que verificar antes da primeira campanha

• Evidência: cada necessidade aponta para registros que realmente a sustentam?
• Lacunas: estão visíveis as pessoas não ouvidas e as perguntas sem resposta?
• Oferta: a mensagem promete somente o que pode ser entregue?
• Validação: existe uma forma de ouvir pessoas reais e observar seu comportamento?
• Dados: o material pode ser usado nesse ambiente, com essa finalidade?

A IA pode ajudar a compreender o público quando organiza evidências, sugere perguntas e permite explorar alternativas. O conhecimento se fortalece quando essas propostas encontram pessoas que podem discordar delas. Para o marketing, essa discordância é valiosa: às vezes, o melhor resultado da pesquisa é descobrir o problema antes de pagar para anunciá-lo.

Leia também: Marketing com IA: sua campanha ganhou cliques ou ganhou clientes?.

Referências

1. Brand, James; Israeli, Ayelet; Ngwe, Donald. Using GPT for Market Research. Marketing Science Institute, relatório 23-131, versão de 4 abr. 2023. Estudo com GPT-3.
2. Sarstedt, Marko; Adler, Susanne J.; Rau, Lea; Schmitt, Bernd. Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing, 41, 1254–1270. Publicado online em 10 fev. 2024. DOI: 10.1002/mar.21982.
3. ANPD. Guia orientativo: hipóteses legais de tratamento de dados pessoais — legítimo interesse. Versão 1.0, fev. 2024.

Fontes consultadas em 20 de outubro de 2026.