Se você desenha interface e está pensando em usar usuários sintéticos para validar decisão, este artigo é para você. A Nielsen Norman Group publicou um estudo que mede, com dados, uma suspeita antiga: respondentes sintéticos convergem na resposta dominante e perdem a cauda. E a cauda é normalmente onde está a decisão de design que importa.
O que a Nielsen Norman publicou
Em outubro de 2026, a NN/G publicou um estudo em que gerou 120 respondentes sintéticos pela plataforma Synthetic Users, usando um modelo generativo que simula participantes de pesquisa, e comparou as respostas com um levantamento anterior de 604 profissionais humanos de tecnologia e design. A pergunta era aberta e simples: que nome você daria para o trabalho de reunir insights sobre pessoas e transformar isso em recomendação de produto.
A conclusão central do estudo é dupla. Primeiro, as duas amostras apontaram para a mesma resposta dominante: UX continua sendo o termo mais usado. Segundo, as respostas sintéticas foram muito menos diversas que as humanas. A autora chama isso de mode collapse, emprestando o termo de aprendizado de máquina.
Como funciona o mode collapse, por baixo
Vale explicar o mecanismo, porque o termo está sendo usado de forma mais ampla do que a origem dele.
Mode collapse é um modo de falha observado em modelos generativos, originalmente notado em Generative Adversarial Networks, em que o modelo produz saídas menos diversas do que o esperado, colapsando para gerar apenas alguns modos da distribuição de dados enquanto ignora os outros. Modo aqui é no sentido estatístico: o valor mais comum da distribuição.
Um jeito prático de pensar: imagine que você pediu para cem pessoas descreverem o café da manhã que tomaram ontem. A distribuição real tem pão com manteiga, tapioca, misto quente, só café, iogurte com granola, açaí, cuscuz, nada. Um modelo que colapsou não vai inventar que todo mundo tomou a mesma coisa. Ele vai responder pão com manteiga em 80% dos casos, café puro no restante, e nunca vai mencionar cuscuz. A moda está certa. A distribuição está errada. A analogia quebra num ponto importante: no café da manhã você consegue checar o que de fato aconteceu, na pesquisa qualitativa não, e por isso o erro passa despercebido.
Em modelos de linguagem o mesmo mecanismo aparece por razões diferentes das GANs originais. A resposta do modelo não é observação de comportamento, é texto estatisticamente plausível gerado com base em padrões dos dados de treino. Treino massivo em texto da internet, mais ajuste por feedback humano que premia resposta canônica, mais temperatura de amostragem calibrada para coerência, tudo isso empurra o modelo para o centro da distribuição. Ele responde o que a maioria dos textos sobre aquele assunto diria, não o que uma amostra aleatória de pessoas diria.
Por que no estudo da NN/G isso ficou visível
O desenho do estudo deixa o efeito nítido porque a pergunta é aberta e o espaço de resposta real é grande. A plataforma simula entrevistas, então os respondentes sintéticos responderam como se falando com um entrevistador e deram respostas mais longas que as pesquisas humanas, e às vezes reformulou a pergunta, por exemplo trocando necessidades e experiências por necessidades, comportamentos e experiências. Mais tokens de saída deveriam dar mais chance de aparecer termo alternativo. Mesmo assim o inverso aconteceu.
O que isso significa na prática para quem desenha interface
Os números do estudo:
- 84% dos respondentes sintéticos usaram terminologia relacionada a UX, contra cerca de 70% dos humanos. Diferença de 14 pontos percentuais, estatisticamente significativa, mas sem mudar a conclusão prática.
- Humanos usaram mais de 50 rótulos distintos, incluindo coisas como pesquisa de comportamento do consumidor, estratégia de experiência digital, gestão de jornada, engenharia de fatores humanos.
- Sintéticos colapsaram em cerca de uma dúzia de rótulos. Não apareceu human factors, não apareceu experience design, não apareceu consumer research.
- Dentro do subgrupo de product managers, 93% dos sintéticos usaram terminologia de UX contra 44% dos humanos. O colapso aconteceu dentro de cada papel profissional, não só no agregado.
O ponto que importa para interface é este: quando você faz pesquisa aberta para decidir rótulo de botão, nome de seção, texto de erro, categoria de menu, você está justamente procurando a cauda. Se o seu sistema de pagamento tem um fluxo que o usuário chama de confirmar pedido, outro chama de finalizar compra, outro chama de pagar agora, outro chama de concluir, e um usuário em cem chama de fechar carrinho, essa cauda é informação de design. Um respondente sintético vai te devolver confirmar pedido em 90% das respostas e te deixar confiante de que acertou. Você não acertou. Você converge no centro de uma distribuição que não é a dos seus usuários.
Vou dar um caso concreto do que eu vivi. Trabalhando num assistente de reunião que gerava resultado durante a call, não depois dela, uma das decisões mais difíceis foi como rotular o estado em que o conteúdo já está escrito mas ainda não foi revisado. Quando a call terminava, a descrição da vaga já estava escrita e os candidatos já estavam ranqueados, questão de segundos, não dias. Mas o que chamar aquilo na UI, rascunho, pré-visualização, resultado preliminar, pronto para revisar, gerado automaticamente. Testamos com usuários reais e as respostas se espalharam de um jeito que nenhum prompt reproduziria. Alguém usou a palavra bruto, no sentido de minério bruto. Nenhum modelo me daria bruto. Mas bruto foi a palavra que ganhou no teste de reconhecimento, porque comunicava o que importava: tem conteúdo ali, você precisa trabalhar antes de usar.
Onde quebra
O estudo tem limitações que a própria autora cita e que vale repetir, porque são as mesmas limitações que você vai encontrar se tentar reproduzir internamente.
Primeiro, a amostra humana original era enviesada para profissionais já familiarizados com UX. Essas diferenças apontam para uma limitação mais ampla das plataformas de usuários sintéticos: pesquisadores têm controle limitado sobre como as perguntas são apresentadas e essa apresentação pode ser uma variável de confundimento no estudo. Ou seja, você está comparando duas coisas que não são exatamente a mesma condição experimental. Mesmo assim o resultado qualitativo é consistente com o que outros estudos já apontavam.
Segundo, mode collapse em modelo de linguagem não é idêntico a mode collapse em GAN. O conceito original é mais restrito. Em GAN, mode collapse é um problema que ocorre quando o gerador aprende a mapear vários valores diferentes de entrada para o mesmo ponto de saída, e na prática colapso completo é raro, parcial é comum. Em LLM o fenômeno observado é parecido no efeito, menos diversidade do que a população real, mas a causa envolve treino supervisionado, RLHF, decodificação, e não dinâmica adversarial. Usar o mesmo termo é útil para comunicar, mas trate como analogia, não como identidade mecânica.
Terceiro, isso não é novidade absoluta. Já havia literatura apontando o problema. Uma revisão sistemática de 182 estudos sugere que essa limitação é estrutural, não uma deficiência temporária dos modelos atuais, porque LLMs são preditores de texto plausível, não seres incorporados com experiência sensorial, memória como história pessoal ou restrições vividas. O que a NN/G fez de novo foi medir no mesmo desenho experimental, com amostras comparáveis, e nomear o efeito.
Quarto, nem tudo em interface precisa da cauda. Se você está validando se um fluxo de checkout faz sentido em termos amplos, se o rótulo primário do botão principal está compreensível, se a hierarquia funciona, sintético pode servir como primeiro filtro. Stress-test de guia de discussão é uma aplicação legítima, rodar um rascunho de guia por uma interação com usuário sintético revela perguntas confusas, perguntas tendenciosas, lacunas lógicas no fluxo e frases ambíguas antes de expor participantes reais a um guia não revisado, e isso é usar usuário sintético como proxy de um colega lendo o guia criticamente, não como fonte de dado de pesquisa. É uma distinção importante.
O que não dá para afirmar ainda
O estudo foi feito com uma plataforma específica, Synthetic Users, em fevereiro de 2026, numa única pergunta aberta. Não dá para generalizar que todo modelo sintético colapsa na mesma proporção, nem que o efeito seja constante entre domínios. Pergunta sobre comportamento de compra pode colapsar mais ou menos do que pergunta sobre terminologia profissional. Modelos atualizados podem ter comportamento diferente, para melhor ou para pior, e a própria NN/G não testou isso.
Também não dá para afirmar, apenas com este estudo, qual seria o impacto no resultado final de um projeto de design se você usasse só sintético. O estudo mede divergência na distribuição de respostas, não mede quantas decisões de produto teriam saído diferentes. Essa é uma pergunta aberta.
Como testar isso você mesmo
Se você quer sentir o efeito antes de pagar por plataforma, dá para fazer um experimento barato com qualquer LLM que você já use.
Pegue uma pergunta aberta que você aplicaria num teste com usuário. Por exemplo: quando você vê um botão chamado Enviar num formulário de contato, o que você espera que aconteça ao clicar nele. Rode essa pergunta por um modelo com um prompt do tipo:
Você vai responder como se fosse 30 pessoas diferentes.
Cada pessoa tem perfil distinto: idade, profissão, familiaridade com
tecnologia, país. Para cada uma, gere uma resposta curta de uma a
duas frases, no estilo de fala natural daquela pessoa.
Não padronize vocabulário. Formato: número, perfil breve, resposta.Depois conte quantos rótulos distintos aparecem nas respostas. Agrupe por sinônimo real, não por palavra idêntica. Compare com o que você esperaria de 30 pessoas de verdade, mesmo que a comparação seja de memória. Você vai perceber que a cauda está ausente. Vai aparecer envia o formulário, envia a mensagem, manda os dados, com variações de superfície, mas dificilmente alguém vai dizer dispara email, ou abre meu cliente de email, ou provavelmente nada visível porque sites quebram, que são respostas que humanos reais dão.
O próximo passo é rodar essa mesma pergunta com cinco pessoas reais, de preferência fora do seu time. Não precisa amostra estatística. Cinco pessoas já mostram a diferença de tipo, não só de grau. E daí você decide, projeto a projeto, qual a mistura certa entre sintético e humano. Minha regra pessoal: sintético para formatar e stress testar instrumento de pesquisa, humano para gerar dado que vai informar decisão de interface.
