Acelerando e refinando testes de UX com AI e sistemas multi-agentes.

Aqui na Taqtile encaramos o onboarding não apenas como um processo de integração, mas como um convite à experimentação prática com novas tecnologias. Resultado desse processo, o experimento da Ysabella Andrade utilizando Personas Sintéticas para testes de UX reforçou um dos aspectos mais importantes no uso da tecnologia:

Soluções com Inteligência Artificial geram resultados quando começam por gargalos específicos, crescendo a cada resultado alcançado, e não pela automação de processos inteiros.

No caso da abordagem da Ysabella ao invés de tentar substituir a pesquisa de UX completa, ela mirou em uma etapa crítica: o refino intermediário entre o protótipo inicial e o primeiro teste de usabilidade. Como resultado, o produto ganha maturidade antes de ir para um teste com pessoas reais, trazendo velocidade e valor para o processo, já que o teste com pessoas reais pode ser aproveitado para questões mais estratégicas.

No artigo abaixo, o processo é detalhado, passando pela engenharia dos agentes utilizados e os aprendizados sobre os limites e potenciais dessa abordagem para designers e PMs.

E caso você queira saber mais sobre a adoção de AI em grandes empresas, confira o Radar Taqtile, um report com os principais aprendizados e dados de mercado sobre a adoção da tecnologia em 2025.

Personas Sintéticas: Aprendizados Práticos para Testes de UX

Por Ysabella Andrade.

Concept/Prompt: Ysabella Andrade.

E se você pudesse testar seu produto com dezenas de "usuários" antes de recrutar um único participante real?

Parece contraditório, mas é exatamente o que personas sintéticas com IA permitem fazer.

No meu onboarding na Taqtile, recebi um desafio: compreender como personas sintéticas poderiam otimizar o refino do processo de design/produto final antes de serem testados com usuários reais.

O nosso propósito foi utilizar o espaço do onboarding, um momento de entender processos e realizar capacitação, para testar se a IA conseguiria adiantar hipóteses e identificar falhas de usabilidade/regras de negócio antes de levarmos o produto para validação real.

A seguir, detalho o processo e os principais aprendizados:

1. O Cenário: a jornada na logística do B2B

Para que o protótipo faça sentido, ela precisa resolver um problema real e utilizar dados reais. O produto testado para nossa análise foi uma plataforma de e-commerce B2B voltada à distribuição de bens de consumo. Esse negócio tem como objetivo tornar todo o processo de compra digitalizado pelos seus canais oficiais, sobretudo o app mobile.

Nesse produto, o "hard user" é o representante da empresa que atende outros negócios. Não estávamos lidando com um carrinho de compras comum, mas sim com uma jornada complexa que necessitava atender diversos cenários logísticos.

Assim, o desafio era simplificar esse processo denso sem reduzir o informacional, mantendo a confiança de quem compra e de quem vende. Como o tempo era enxuto, vimos a oportunidade de testar personas sintéticas para amadurecer o protótipo e entender as possibilidades e os limites da IA em pesquisa UX: ela vai substituir pessoas reais? Gera insights de valor com evidências confiáveis? E como estruturar um bom teste nesse formato?

2. O processo: engenharia de prompt e segurança no terminal

Para garantir a precisão técnica e a segurança dos dados, não utilizamos interfaces comuns (como o chat gpt web, gemini web, etc). Operamos via Gemini CLI com API Key diretamente no terminal.

Essa escolha nos permitiu um controle maior sobre as variáveis e garantiu que os dados sensíveis de negócio fossem processados em um ambiente controlado, para não ser utilizado como aprendizado pelo modelo.

Estruturamos nossa IA em dois agentes complementares, criando uma "esteira" de análise de dados:

• O Agente Pesquisador: sua missão era realizar sínteses, isto é, ele consumia transcrições brutas de entrevistas, métricas do Looker e jornadas de negócio para gerar personas acionáveis. Nada de dados inventados: se a informação não estivesse no material original, o agente reportava a lacuna.

• O Agente UX Sênior: este atuava como um simulador da entrevista. Ele recebia as personas criadas pelo primeiro agente e executava um Roleplay. Através dele, conseguíamos questionar o protótipo sob diferentes perspectivas, alternando entre modos de resposta (Roleplay, Crítica ou Misto).

• O artefato final: a partir dos dois agentes acima, nasceu a nossa persona sintética, que é criado pelo Agente 1 e utilizado pelo Agente 2. Com esse artefato, conseguíamos saber o que potencialmente uma pessoa real responderia sobre nossas perguntas/telas apresentadas.

Acima encontra-se uma parte do prompt do agente “pesquisador”, com a descrição do comando, formato do resultado e limitações das respostas.

2.1. As personas sintéticas: João e Susana

Para que o teste fosse efetivo, selecionamos dois perfis que personificam as diferentes jornadas dos usuários:

Após configurar o agente pesquisador (para criar as personas a partir dos dados) e o agente UX Sênior (para simular a conversa com elas), rodei o comando modo roleplay no terminal e o teste de usabilidade com IA ganhou vida. Foi nesse diálogo sintético que identificamos o potencial que as personas sintéticas possuem para identificar pontos de melhorias no fluxo do app!

2.2. O que aprendemos sobre o uso de personas sintéticas?

Ao final do processo, apesar de tirarmos aprendizados importantes para chegar em uma proposta de fluxo com uma maturidade muito superior, os maiores insights foram sobre como trabalhar com IA no design. 

2.2.1. A persona é um reflexo dos dados utilizados

Aprendi que uma persona sintética é uma "cápsula do tempo". Se o material de origem (transcrições, informações do negócio, pesquisas, etc) for antigo ou incompleto, a persona terá dificuldades em avaliar mudanças significativas baseando-se nos dados reais, visto que não existem nestes cenários. Ou seja, há grandes chances dos resultados não refletirem o comportamento dos usuários ou objetivos do negócio atuais.

Por conta disso, é importante frisar que a IA não substitui a necessidade da pesquisa de campo contínua; ela apenas potencializa a análise do que já foi coletado. Então, para utilizar personas sintéticas, é interessante ter um hábito de discovery contínuo implantado no seu time para tornar seus resultados mais assertivos.

2.2.2 A assertividade depende da estrutura do prompt

O teste revelou que a IA tende a divagar se as perguntas forem genéricas. Para extrair valor, é preciso direcionar a persona com referências explícitas.

Exemplo de uma das perguntas (com direcionamentos e referências) enviadas para a simulação.

Por exemplo, em vez de perguntar "O que você acha do checkout do app?", perguntamos "Com base na sua dor de falta de transparência fiscal, qual sua opinião sobre este agrupamento de descontos na etapa final na página (cita pasta/documento onde se encontra a página)?". Perguntas estruturadas e condicionadas geram respostas ricas em detalhes; perguntas soltas geram respostas confusas.

2.2.3 Roleplay como forma de levantar critiques rápidos

A maior vantagem foi a agilidade para realizar testes A/B sintéticos. Conseguimos contrastar rapidamente as reações de dois perfis opostos (o entusiasta vs. a desconfiada). Isso nos permitiu identificar falhas lógicas e melhorias na usabilidade em minutos, algo que levaria dias em um ciclo de recrutamento tradicional.

Além disso, pensando em uma futura iteração, tornar todo o processo automatizado e prompts granulados, tornaria o levantamento de melhorias ainda mais ágil e com mais dados de evidência!

2.2.4 A análise sintética como ponto de apoio

O uso do agente em "modo misto" (roleplay + leitura de UX) permitiu que a IA não apenas simulasse o usuário, mas também fizesse uma crítica técnica sobre a própria simulação. Isso ajudou a mapear lacunas de dados: a própria IA nos avisava quando não tinha evidências suficientes no repositório para responder com segurança ou citava diretamente qual fonte de dado utilizou para responder.

O que abriu portas para explorar os testes em uma estrutura multiagentes: dividir os objetivos do teste em mais de um agente (por exemplo, um para analisar gravações anteriores a fim de captar momentos de dúvidas e emoções; um para analisar as telas e já levantar críticas de design; etc).

Exemplo da análise que o agente “UX Sênior” trouxe após uma simulação.

2.2.5 Curva de aprendizado acelerada sobre o negócio

Um benefício inesperado foi como as personas sintéticas ajudaram a aprender sobre o negócio do cliente mais rápida. Muitas dúvidas sobre o negócio e sobre os usuários eu consegui esclarecer fazendo perguntas diretamente à persona, já que que ela se alimentava de todos os materiais anteriores do produto.

Posteriormente, confirmei os pontos com o time em uma reunião síncrona. Na reunião, confirmei que os pontos que ela trouxe estavam de acordo com as informações que o time do projeto possuía.

Vi nisso uma oportunidade de resolver dúvidas que, antes, precisariam de reuniões marcadas com colegas do projeto e depender da agenda de cada um para ocorrer. Agora, posso "perguntar" para ela primeiro, sobretudo em situações onde o tempo é um desafio.

Claro, sempre considerando a limitação da IA: pergunto sobre assuntos que temos dados e sempre confirmo os pontos cruciais com o time depois, antes de agir.

3. IA para refinar, humanos para validar

Um aprendizado fundamental desse onboarding foi a desmistificação do papel da IA. O uso de personas sintéticas é uma ferramenta de refinamento. Ela permite que o designer chegue à validação com humanos com um protótipo muito mais maduro, tendo já "limpado" erros óbvios de lógica e fluxo.

Ou seja, ela não descarta a necessidade de validação com usuários reais, mas sim otimiza o produto antes dos testes reais, para que o foco da validação seja em pontos cruciais ao negócio.

4. As Fronteiras da IA

Embora o uso de personas sintéticas tenha acelerado o nosso ciclo de design, a maturidade metodológica exige reconhecer onde a tecnologia ainda encontra barreiras (e o que podemos iterar ou não). Durante o processo, mapeamos limitações que definem o papel da IA como uma ferramenta de refinamento, e não de substituição:

4.1 A dependência de dados

Uma persona sintética é tão profunda quanto os dados utilizados para alimentá-la. Se houver lacunas nos materiais originais ou se for antigo (que era nosso caso), a IA não conseguirá prever reações precisas. Por exemplo, na nossa simulação, o usuário sintético focava frequentemente em um problema na sua jornada que hoje em dia já está resolvido, mas os testes realizados com usuários reais foram antes dessa melhoria. Nesse cenário, entendemos que ela reflete o passado para tentar antecipar o futuro; por isso, a reciclagem constante de dados reais é importante.

4.2 O "fator surpresa" e emocional

O foco da IA é em lógica e detecção de padrões, mas ainda falha em replicar a imprevisibilidade humana. Emoções complexas, como a hesitação ao ver um novo botão/tela, são questões que a simulação não conseguiu capturar. Como aponta o estudo do NN Group sobre o tema: o comportamento humano é complexo e depende do contexto, e os usuários sintéticos não conseguem captar essa complexidade.

4.3 Precisão qualitativa vs. quantitativo

Durante os testes, percebemos que a análise pende mais para o qualitativo. Enquanto a IA é excelente para apontar por que um fluxo é confuso, a metrificação do tempo de tarefa em ambiente sintético ainda não possui uma comprovação suficiente para além de uma sugestão da IA. A simulação nos responde o "o quê" e o "porquê", mas o "quanto" ainda pertence aos testes de usabilidade reais!

4.4 O risco da alucinação

Sem uma estrutura de prompts rigorosa (e mesmo sem uma estrutura multiagentes), a IA pode "divagar" ou tentar preencher lacunas de informação com suposições genéricas sobre os dados. Organizar as respostas da persona sintética seguido da análise UX do agente foi crucial para separar o que era potencial evidência do que era inferência, mantendo um resultado “limpo” de respostas criadas sem contexto e dados confiáveis.

Por fim, reconhecer essas limitações não diminui o valor da metodologia. Pelo contrário, dá ao designer a visão necessária para saber exatamente quando deve confiar na simulação, quando é necessário iterar o método e quando é o momento de ir para o campo ouvir o usuário real.

Liderando com consciência

No meu onboarding, aprendi que a Taqtile convive com transformações tecnológicas desde seu surgimento. Vivenciando essas mudanças, compreendi que a tecnologia muda, mas são pessoas que lideram os avanços.

No caso da IA não está sendo diferente! Como mostrou esse experimento, as personas sintéticas podem adiantar semanas de aprendizado em poucos dias de simulação. Contudo, não é a tecnologia em si, mas como usamos que determina o sucesso ou não de algum projeto… ou até de um experimento.

O uso de agentes organizados para cada etapa nos deu agilidade para errar rápido e corrigir antes de investirmos tempo com recrutamento e entrevistas reais.

Ficou interessado em conhecer mais? Aqui na Taqtile, convivemos diariamente com o desafio de implementar Inteligência Artificial em grandes corporações. Acompanhe nossa página no LinkedIn, onde estamos sempre compartilhando novos aprendizados, técnicas, estudos e estratégias envolvendo a tecnologia!