Público sintético (ou audiência sintética) é um painel de personas geradas por IA, montado para simular as respostas de um segmento-alvo real, que você consulta como consultaria um painel de pesquisa ou um grupo focal, só que sem nenhuma pessoa de verdade envolvida.
Você descreve um público-alvo, por exemplo mulheres de 25 a 40 anos que compram skincare premium, e o sistema gera ou recupera um conjunto de personas que se encaixam nesse perfil. Depois mostra a essas personas um anúncio, uma mensagem ou uma landing page e coleta reações, rankings e preferências previstos. O atrativo é a velocidade e o custo em comparação com recrutar um painel real. O problema é que um público sintético prevê respostas em vez de medi-las, e entender essa diferença é o que importa.
Como um público sintético é montado
Existem dois métodos gerais de construção, e muitas plataformas misturam os dois.
Geração só de personas. O sistema pede a um grande modelo de linguagem que interprete personas com um determinado perfil demográfico e psicográfico e depois consulta essas personas. É rápido e barato, mas é o menos embasado, porque o modelo inventa pessoas plausíveis a partir dos dados de treinamento, e não a partir de dados sobre respondentes reais.
Agentes baseados em dados. A outra abordagem ancora cada agente em dados reais de entrevistas ou pesquisas com pessoas concretas, de modo que as respostas simuladas remetem a respostas humanas observadas, e não a pura invenção. Um estudo de Joon Sung Park e colegas seguiu esse caminho com uma amostra nacional de 1.052 americanos. Na versão atual do artigo, em perguntas da General Social Survey reservadas para a avaliação, agentes construídos a partir de entrevistas e pesquisas reproduziram as respostas dos participantes com 86% da consistência que as pessoas mostram com as próprias respostas duas semanas depois, contra 74% dos agentes que receberam apenas dados demográficos.
Se um fornecedor citar um número de precisão, pergunte contra o que ele foi medido: bater com padrões agregados do passado não é o mesmo que prever a reação ao seu criativo novo e específico.
Quando usar um público sintético
Triagem criativa inicial. Quando a geração com IA entrega 40 ou 50 variantes, um público sintético pode ordenar e agrupar essas variantes a baixo custo, para ajudar você a escolher as 10 a 15 que vão receber verba de teste real. Trate o ranking como uma lista curta, não como um resultado.
Triagem de conceitos e mensagens. Verificar se uma proposta de valor soa relevante, qual de vários ângulos ressoa ou como um conceito se posiciona diante das alternativas, antes de comprometer produção ou mídia.
Leituras direcionais rápidas e baratas. Quando um painel real é lento ou caro demais para a decisão que você tem pela frente, uma leitura sintética pode dar uma direção. Trate-a como uma hipótese a confirmar, não como uma medição.
Limites de validade
Públicos sintéticos falham de formas específicas e documentadas. Num relatório da Verasight de janeiro de 2026, respostas de pesquisa imputadas por um LLM foram mal em perguntas de múltipla resposta: "Very often, the LLM imputer would only generate responses for one or two options" (muitas vezes, o imputador LLM só gerava respostas para uma ou duas opções). As perguntas com pior desempenho tratavam de experiências pessoais e preferências de comportamento que "lack strong demographic predictors" (não têm preditores demográficos fortes), com erros absolutos médios de 27% a 33% nos quatro exemplos que o relatório cita; no conjunto das opções de resposta, o erro médio foi de 14,5 pontos percentuais. O mesmo relatório encontrou "a systematic tendency to regress predictions toward the mean" (uma tendência sistemática de puxar as previsões para a média).
Paglieri e colegas (2026) observam que a maioria das abordagens de geração de personas precisa de dados detalhados sobre a população-alvo e muitas vezes prioriza "density matching (replicating what is most probable) rather than support coverage (spanning what is possible), leaving long-tail behaviors underexplored" (reproduzir o mais provável em vez de cobrir o possível, deixando pouco explorados os comportamentos da cauda longa). Uma revisão de 63 estudos de 2023 a 2025, feita por Batzner e colegas, concluiu que só 35% discutiam se as personas eram representativas, e pediu mais validade ecológica.
A consequência prática: se um painel puxa as respostas para a mais provável, ele pode subestimar reações incomuns, e uma ideia criativa incomum pode ser exatamente o que você está testando. Não conte com ele para pegar um erro de leitura cultural que uma pessoa real apontaria. Use-o como um filtro com pontos cegos, não como substituto dos resultados no mercado.
Exemplos
Enxugar um lote de variantes (ilustrativo). Um time de growth gera 50 variantes de anúncio para um novo sérum. Passa as 50 por um público sintético calibrado para o seu comprador, que ordena os ganchos e os agrupa por apelo previsto. As 35 piores saem, as 15 melhores vão para um teste no Meta com pouca verba. A etapa sintética não escolheu a vencedora; ela tornou o teste real viável ao estreitar o campo.
Triar uma linha de posicionamento (ilustrativo). Uma marca B2B testa quatro formulações da proposta de valor com um painel sintético de tomadores de decisão de TI. Três ficam muito próximas em relevância prevista e uma fica bem atrás. A marca descarta a mais fraca e leva as outras três para testes ao vivo, em vez de apostar a campanha só no ranking sintético. O painel estreitou as opções; o mercado confirmou.
Perguntas frequentes
Um público sintético pode substituir um teste real? Não. Use-o para enxugar um lote e depois confirme com verba real ou com respondentes reais.
O 8frame oferece públicos sintéticos? Não. O 8frame gera as variantes de imagem e de vídeo; o painel sintético é uma ferramenta à parte.
Quanto custa gerar um lote de 50 variantes no 8frame? Cinquenta imagens estáticas do Nano Banana 2 em 1K custam 550 créditos (cerca de US$ 5,50 no preço de pacote); variantes em vídeo custam mais, por exemplo 86 créditos por um clipe de 5 segundos do Kling v3 Standard com som, feito a partir de uma imagem inicial.
Conceitos relacionados
- Pré-teste de anúncios com públicos sintéticos (em inglês) é o guia completo do fluxo e das ressalvas: gerar em volume, fazer o pré-teste para montar a lista curta, investir para confirmar e calibrar o painel com os seus resultados reais ao longo do tempo.
- Fluxo de teste de variantes de anúncio com IA (em inglês) produz o lote amplo que um público sintético deve filtrar. Sem volume entrando, o painel não tem o que triar.
Fontes
- Park et al., "LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals" (publicado pela primeira vez em novembro de 2024 como "Generative Agent Simulations of 1,000 People"; versão atual revisada em 2026-06-28; 1.052 participantes; em perguntas reservadas da General Social Survey, 83%, 82% e 86% da consistência teste-reteste de duas semanas dos participantes para agentes só de entrevistas, só de pesquisas e combinados, contra 74% dos agentes só com dados demográficos): https://arxiv.org/abs/2411.10109, consultada em 2026-10-02
- Verasight, "Can Large Language Models Replicate Survey Data Across Topics?" (G. Elliott Morris e Benjamin Leff, 2026-01-13; respostas de múltipla escolha limitadas a "one or two options", uma ou duas opções; piores exemplos citados com 33%, 30%, 29% e 27% de erro absoluto médio; 14,5 pontos percentuais no geral; "systematic tendency to regress predictions toward the mean", uma tendência sistemática de puxar as previsões para a média): https://www.verasight.io/reports/synthetic-omnibus-survey, consultada em 2026-10-02
- Paglieri et al., "Persona Generators: Generating Diverse Synthetic Personas for Arbitrary Contexts" (enviado em 2026-02-03): https://arxiv.org/abs/2602.03545, consultada em 2026-10-02
- Batzner et al., "Whose Personae? Synthetic Persona Experiments in LLM Research and Pathways to Transparency" (63 estudos revisados por pares, de 2023 a 2025; só 35% discutiam a representatividade; pede mais validade ecológica): https://arxiv.org/abs/2512.00461, consultada em 2026-10-02
- Preços do Nano Banana 2 e do Kling v3, exigência de imagem inicial do Kling v3, valor do crédito no preço de pacote e ausência de qualquer ferramenta de público sintético: registro de ferramentas do 8frame, definições das ferramentas MCP e catálogo de cobrança, lidos em 2026-10-02
Um público sintético precisa de variantes para julgar. Gere essas variantes no 8frame e depois leia o fluxo completo de pré-teste sintético (em inglês) para filtrar e investir com segurança.
Experimente sem cadastro: você cai direto num quadro real. O canvas do 8frame é gratuito e ilimitado; a geração é paga a partir de US$ 19 por mês.