8,3 bilhões de personas sintéticas em um mundo virtual

Um consórcio de pesquisa liderado por autores de Harvard e do MIT liberou no início de agosto uma base de 8,3 bilhões de personas sintéticas, cada uma descrita por 1.290 dimensões categóricas, junto de uma infraestrutura que transforma esses registros em agentes de IA. O nome é MatrAIx, referência declarada ao filme. O código saiu no GitHub sob licença MIT e um recorte de 999.847 perfis foi publicado de graça no Hugging Face. Entre os financiadores estão OpenAI, Anthropic, Microsoft, Amazon Web Services e Meta.

Por que isso importa: a promessa é trocar semanas de recrutamento de painel por horas de simulação, a custo de chamada de API. O problema é que o mesmo documento que anuncia isso registra que nenhum efeito de persona do seu estudo central sobreviveu ao teste estatístico, e que apenas 18 das 1.010 tarefas do catálogo envolvem produtos digitais navegáveis.

Como as personas sintéticas são construídas

O esquema tem 1.290 dimensões distribuídas em cinco grupos: 238 de background, 210 de psicologia, 331 de capacidade, 124 de comportamento e interação e 387 de estilo de vida. Idade, região, idioma, proficiência, tolerância a risco, expertise de domínio, hábitos de consumo, esportes, alimentação.

Os registros vêm por dois caminhos. Os sintéticos são amostrados de um grafo de dependências que impede combinações incoerentes, como alguém cuja língua materna é o inglês aparecer com proficiência nula no idioma. Os ancorados em gente real saem de seis fontes: biografias da Wikipedia, históricos de review da Amazon, o Stack Overflow Developer Survey, o General Social Survey, o dataset PRISM Alignment e 355 questionários voluntários com consentimento. Nomes e dados de contato são removidos.

Instanciada como agente, cada persona registra sinais finos de comportamento. Hesitação diante de um aumento de preço. Quanta latência tolera antes de desistir. Se continua a conversa depois de o assistente de IA errar. No total, 18.189 execuções foram rodadas com três modelos por trás dos agentes: Claude Opus 4.8, GPT 5.5 e Claude Haiku 4.5.

Doze tarefas de mil e dez

A distribuição do catálogo diz mais do que o número redondo. Das 1.010 tarefas, 621 são questionários e 371 são conversas com chatbot. Web tem 12. Aplicativo nativo tem 6.

Ou seja: 98% do que o sistema sabe fazer é perguntar e conversar. A parte que interessa a quem vende software, opera e-commerce ou testa fluxo de checkout está representada por 18 tarefas.

O paper é explícito ao dizer que o número de tarefas do catálogo não significa que todas foram executadas. As 18.189 execuções cobriram oito tarefas representativas, duas por ambiente. As duas de aplicativo usaram 24 e 20 personas, contra cerca de mil nas demais, porque interação nativa custa caro.

A validação comportamental segue o mesmo padrão. Em 400 execuções controladas, o comportamento declarado foi expresso ou corretamente suprimido em 366 casos, 91,5%. Questionário, chatbot e web atingiram o critério forte em 9 de 10 atributos. Aplicativo, em 6 de 10.

O número que desmonta o case principal

O estudo de caso mais detalhado do paper coloca mil personas por modelo pedindo plano alimentar a um mesmo assistente rodando GPT-4o mini. O resultado que salta: casais com filhos já fora de casa declararam 66% de probabilidade de seguir o plano, contra 46% dos profissionais em transição de carreira.

Vinte pontos de diferença. Depois da correção de Benjamini-Hochberg para múltiplas comparações, nenhuma associação permaneceu significativa. O melhor valor foi q igual a 0,51. Em termos práticos, ruído.

Os autores classificam o achado como descritivo, não como efeito confirmado de persona. E acrescentam limites que raramente aparecem em manchete: o coreset público foi calibrado para apenas quatro distribuições marginais, idade, região, identidade de gênero e urbanicidade, sem garantia de cobertura conjunta nas 1.290 dimensões. As fontes humanas não são representativas de população. A qualidade média das extrações, avaliada por seis humanos, ficou em 4,135 de 5.

Quando o atributo tem canal comportamental claro, o sistema funciona. Na tarefa com a plataforma financeira OpenBB, nível de confiança separou os subgrupos com os três modelos, e os três ordenaram os grupos na mesma sequência. Fora desse desenho, o sinal desaparece.

Onde a simulação de usuários já cabe na operação

O próprio repositório define o escopo: mundo simulado útil para exploração, teste de estresse e geração de hipóteses, sem substituir evidência de pessoas reais. A conclusão do paper vai na mesma direção e pede validação humana antes de qualquer decisão consequente.

Isso deixa um uso legítimo e barato. Triagem antes de comprometer orçamento de lançamento. Varredura de casos-limite que painel de 30 pessoas nunca acha. Comparação entre duas versões de um mesmo fluxo com a coorte congelada. Levantamento de hipóteses que depois vão para pesquisa de verdade.

Duas travas valem o registro. O modelo que anima a persona faz parte da configuração do experimento e precisa constar do relatório, porque resultado achado com um modelo pode não se repetir em outro. E qualquer conclusão que vá a comitê tem de ser reproduzida em mais de um modelo antes disso. Executivos que estão montando critério interno para avaliar evidência gerada por IA encontram esse tipo de leitura estruturada em programas como o AI for Leaders.

Sinais e Impactos

Para CEOs e conselhos. O item que entra na pauta não é a base de personas, é o protocolo de aceitação de evidência sintética. Sem regra escrita sobre o que pode e o que não pode fundamentar decisão de investimento, a próxima apresentação de pesquisa vai chegar com mil respondentes que não existem e ninguém na sala vai saber perguntar o q.

Para diretores e executivos. O uso defensável hoje é pré-triagem e teste de estresse, com resultado replicado em pelo menos dois modelos e validação humana antes de qualquer decisão irreversível. Time de produto que rodar isso como pré-filtro ganha velocidade. Time que apresentar isso como resultado de pesquisa perde credibilidade na primeira auditoria.

Para pequenos empresários. Aqui está a assimetria favorável. O coreset de um milhão de perfis é gratuito e a licença é MIT. Instrumento que antes exigia orçamento de instituto de pesquisa passa a caber em conta de API, o que permite testar conceito, preço e mensagem antes de comprometer capital escasso. A limitação é a mesma para todos: serve para levantar hipótese, não para fechar decisão.

Para ir mais fundo

O paper completo está no arXiv e traz nos apêndices a construção do grafo de dependências, o contrato de tarefa e a discussão de uso responsável. O dataset e o card de composição estão no Hugging Face. O código, a documentação e o playground visual estão no GitHub.

Separar o que já dá para operar do que ainda é promessa de laboratório é exatamente o exercício do Convergência Summit, nos dias 3 e 4 de novembro de 2026, na sede da StartSe em São Paulo, com 210 vagas por aplicação.