8,3 mil milhões de humanos virtuais: li o estudo que toda a gente comenta sem o ter aberto

O que o MatrAIx muda realmente para um dirigente de PME, e o número que ninguém cita

Por Patrick de Carvalho, CEO e cofundador da Apps Velocity

---

Em resumo: investigadores de Harvard e do MIT publicaram um método de simulação de 8,3 mil milhões de personas sintéticas, ou seja, perfis de consumidores gerados por inteligência artificial. O número que conta não é a dimensão da população simulada, mas a diferença entre modelos: 98,3 % de concordância para um, 27 % para o outro, sobre a mesma pergunta. Uma simulação não mede, portanto, um mercado. Mede antes de mais o modelo que se escolheu.

---

Ato 1: em 1998, saber o que queriam os meus leitores custou-me seis meses

Em 1998, lançava o planetepresse.com, um dos primeiríssimos quiosques de imprensa online em França. Vender jornais e revistas na Internet, numa época em que a imensa maioria dos franceses ainda se ligava por RTC, a rede telefónica comutada, ou seja, pela linha de telefone, com um modem que chiava durante quarenta segundos antes de mostrar uma página.

Nessa altura, fazia exatamente a mesma pergunta que qualquer dirigente faz hoje: as pessoas vão comprar?

Para responder, fiz o que se fazia na época. Telefonei a quiosqueiros. Abordei leitores na rua. Paguei um pequeno estudo qualitativo com cerca de trinta pessoas. Passei horas ao telefone com editores de imprensa que não percebiam porque é que eu queria pôr os títulos deles «no computador». Construí uma intuição à mão, pessoa a pessoa, conversa a conversa.

Seis meses. Talvez mais. E no fim tinha uma amostra de algumas dezenas de opiniões, enviesada pelo facto de as únicas pessoas que aceitavam falar-me de um quiosque online serem já, por construção, gente bastante curiosa em relação à tecnologia.

Lembro-me muito bem dessa sensação: a de gastar imensa energia para obter um sinal fraco, difuso e provavelmente falso.

Vinte e oito anos mais tarde, uma equipa de investigadores de Harvard e do MIT publica um trabalho que pretende comprimir esses seis meses numa noite. E fazê-lo não com trinta pessoas, mas com uma população virtual equivalente à da Terra.

O projeto chama-se MatrAIx. Foi depositado a 4 de agosto de 2026 no arXiv, a plataforma de publicação científica em acesso livre onde os investigadores depositam os seus trabalhos antes mesmo da revisão pelos pares. Desde então, a informação circula por todo o lado, muitas vezes mal resumida, muitas vezes amplificada.

Dei-me ao trabalho de ler o que foi realmente publicado, em vez do que se diz sobre isso. Eis o que retiro daí e, sobretudo, o que isso muda para si se dirige uma PME.

---

Ato 2: o que o MatrAIx é realmente, com os factos na mão

Comecemos por fixar os termos, porque metade dos mal-entendidos vem daí.

Um agente de IA é um programa que utiliza um modelo de inteligência artificial para cumprir uma tarefa de forma autónoma, encadeando decisões sem que um humano valide cada etapa. Não é um agente conversacional que responde a uma pergunta, é um executante que persegue um objetivo.

Um LLM, de Large Language Model ou grande modelo de linguagem, é o motor de inteligência artificial treinado em enormes volumes de texto, capaz de produzir linguagem coerente. O GPT, o Claude, o Gemini, o Mistral são LLM. É o tijolo de base de tudo aquilo de que se fala há três anos.

Uma persona, no vocabulário do marketing, é um retrato-robô de cliente-tipo. Provavelmente tem algumas guardadas numa pasta: «Sofia, 42 anos, responsável de compras numa PME industrial, sensível ao preço, decide em três semanas». Um documento Word que ninguém volta a ler.

O MatrAIx pega nestas três noções e funde-as a uma escala que nunca tinha sido tentada.

A base Persona 8B

O centro do sistema é uma base de dados chamada Persona 8B. Contém 8,3 mil milhões de perfis individuais, um número calibrado para corresponder à população mundial atual. Cada perfil é descrito segundo 1 290 dimensões.

Mil duzentas e noventa. Fique um segundo com este número.

Não se trata de idade, sexo, categoria socioprofissional. Trata-se do conjunto: contexto de vida, traços psicológicos, nível de literacia técnica, hábitos de consumo, tolerância ao risco, estilo de decisão, e até comportamentos muito finos do tipo «quanto tempo é que esta pessoa hesita quando um preço aumenta».

Destes 8,3 mil milhões de perfis, cerca de um milhão foi tornado público. E este é um ponto importante: nesse milhão, 600 000 estão ancorados em dados humanos reais anonimizados, e 400 000 são sintéticos, ou seja, gerados artificialmente a partir de grafos de dependência que garantem a coerência interna do perfil.

Por outras palavras, a maioria da amostra pública não é inventada. É derivada de pessoas reais.

Os quatro ambientes de teste

Uma persona continua a ser um documento morto enquanto um modelo não a faz falar. É a segunda peça do sistema: os agentes são colocados em situação em quatro tipos de ambientes.

Formulários de inquérito. Interfaces de agente conversacional, ou seja, de conversa com uma IA. Navegadores web, onde o agente percorre realmente páginas. E aplicações, móveis ou de computador.

Não é um pormenor. Muitas simulações anteriores limitavam-se a fazer perguntas a uma IA, pedindo-lhe «o que faria esta pessoa». Aqui, o agente age dentro de uma interface. Clica, faz scroll, desiste, volta.

As tarefas de avaliação

O terceiro componente são as tarefas. O trabalho publicado dá conta de mais de 1 000 tarefas normalizadas, repartidas por mais de 25 domínios: comércio, software, finança, saúde, cibersegurança e outros.

Uma dessas tarefas mede, por exemplo, a vontade de um utilizador de continuar a confiar num assistente de IA depois de uma primeira falha. É um tema diretamente ligado à fiabilidade dos agentes autónomos, e é exatamente o género de pergunta que não se sabe medir de outra forma que não seja observando utilizadores reais durante semanas.

A validação

Os investigadores conduziram uma experiência de controlo com 400 ensaios, medindo a aderência dos agentes a dez atributos comportamentais que lhes tinham sido atribuídos. O comportamento declarado foi corretamente expresso ou corretamente suprimido em 366 casos, ou seja, 91,5 %.

Juízes humanos avaliaram, por outro lado, a qualidade das personas ancoradas em dados reais em cerca de 4,1 em 5.

E tudo isto é publicado em código aberto, termo que significa que o código-fonte, ou seja, as instruções do programa, é disponibilizado a todos, gratuitamente, com o direito de o modificar e de o reutilizar. Aqui sob licença MIT, uma das licenças mais permissivas que existem. O repositório chama-se MatrAIx-Persona-8B, está alojado no GitHub, a plataforma de referência para a partilha de código, e o conjunto de dados de um milhão de perfis pode ser descarregado no Hugging Face, a plataforma de referência para a partilha de modelos e de dados de IA.

Divisa afixada no repositório: Simulate Before Reality. Simular antes da realidade.

---

Ato 3: as balizas que fixo antes de ir mais longe

Vou fazer uma coisa que a maioria dos artigos sobre o assunto não faz. Vou dizer o que o MatrAIx não é, porque é aí que se joga a credibilidade de uma análise.

Não, ninguém simula 8,3 mil milhões de humanos em paralelo. O trabalho descreve avaliações conduzidas sobre coortes amostradas na base. Uma coorte é um subgrupo selecionado segundo critérios comuns para ser observado. Extraem-se alguns milhares ou dezenas de milhares de perfis, põem-se a agir, analisa-se. Ninguém liga a Terra inteira num servidor. O número de 8,3 mil milhões descreve a dimensão do reservatório, não a dimensão da execução.

Não, os 8,3 mil milhões de perfis não são públicos. O que está disponível é uma amostra de um milhão, filtrada pela qualidade. Já é enorme. Não é a mesma coisa.

Não, não são humanos. São distribuições estatísticas às quais um modelo de linguagem empresta uma voz. A nuance é fundamental e volto a ela daqui a pouco, porque é aí que está o verdadeiro assunto.

E quanto ao número de investigadores, prudência. Parte da imprensa anuncia mais de 200 cientistas, dos quais cerca de quarenta vindos da OpenAI, da Anthropic, da Google DeepMind e da xAI. Outras análises, indo contar diretamente as assinaturas no documento depositado no arXiv, contabilizam 93, com Harvard e o MIT ao leme e contributos de Stanford. A equipa é grande, isso é certo. O número de 200 merece ser tratado como uma estimativa de imprensa e não como um facto estabelecido enquanto não for verificado pelo próprio.

Fixo estas balizas porque vi passar demasiadas publicações no LinkedIn que transformam um trabalho de investigação numa profecia. Quando se quer ser levado a sério por dirigentes que arriscam o seu dinheiro, prefere-se um argumento que aguente o primeiro contraditor.

---

Ato 4: o número que quase ninguém cita, e que vale todo o estudo

Agora, a passagem que me fez pousar o café.

Os investigadores conduziram uma experiência de sensibilidade ao preço. Mesma página web, mesmo produto, mesmo aumento de preço, mesma coorte de personas. Uma única variável muda: o modelo de IA que representa as personagens.

Resultado.

Com o GPT-5.5 aos comandos, 98,3 % das personas hesitaram em comprar.

Com o Claude Opus 4.8 aos comandos, sobre a mesma coorte, a relutância cai para 27 %.

Leia outra vez. Mesma população virtual. Mesmo estímulo. Diferença de mais de setenta pontos.

Pronto. É esta a informação do ano em matéria de IA aplicada ao negócio, e está enterrada a meio dos artigos, sob um título sobre a Matrix.

Porque é que este número é mais importante do que os 8,3 mil milhões

Porque destrói a ilusão de neutralidade.

Quando lança uma simulação, julga estar a interrogar um mercado. Na realidade, está a interrogar um modelo que interpreta uma descrição de humano. E cada modelo foi treinado de forma diferente, alinhado de forma diferente, calibrado de forma diferente quanto à prudência, ao entusiasmo, à propensão para dizer sim ou não.

Um enviesamento, em inteligência artificial, é uma deformação sistemática dos resultados produzida pelos dados de treino ou pela forma como o modelo foi ajustado. Não é um erro pontual que se corrige. É uma inclinação estrutural.

O que a experiência de preço mostra é que o enviesamento do modelo subjacente pode pesar mais no resultado do que o conjunto das 1 290 dimensões do perfil humano simulado.

Tradução para um dirigente: se decide a sua tabela de preços a partir de uma simulação, não está a tomar uma decisão sobre o seu mercado. Está a tomar uma decisão sobre o fornecedor de IA que o seu prestador escolheu naquele dia. Talvez porque era mais barato à chamada de API, a interface técnica que permite a dois programas comunicarem entre si e que é faturada ao uso.

Está a ver o problema.

Num caso, conclui que o seu mercado é ultrassensível ao preço e desiste de aumentar. No outro, conclui que há margem e sobe 15 %. Duas estratégias opostas, uma única realidade, e o fator determinante nada tem a ver com os seus clientes.

Não é razão para deitar a ferramenta fora

Atenção, não estou a dizer que o MatrAIx é inútil. Digo exatamente o contrário.

Um termómetro mal calibrado continua a ser um termómetro. O que conta é saber que está mal calibrado, e usá-lo para aquilo que sabe fazer: medir diferenças, não valores absolutos.

Se testar duas versões de uma página com o mesmo modelo, nas mesmas condições, a comparação relativa mantém valor. É quando toma o número absoluto à letra que põe a sua empresa em perigo.

Esta distinção entre valor absoluto e diferença relativa é provavelmente a competência mais útil que um dirigente pode desenvolver perante a IA em 2026.

---

Ato 5: o que isto muda concretamente para uma PME

Passemos ao terreno. Dirige uma empresa de trinta, cem ou trezentas pessoas. Não tem uma direção de estudos. Não tem 80 000 euros para meter num painel de consumidores. O que é que esta atualidade lhe traz realmente?

1. Um acesso a algo que não tinha

Sejamos claros quanto ao ponto de partida. A grande maioria das PME não faz nenhum teste com utilizadores. Zero. Não é um mau teste, não é um teste enviesado: é nenhum teste.

Lança-se uma oferta porque o dirigente acredita nela. Altera-se um preço porque a margem se desfaz. Refaz-se um site porque o antigo parecia velho. As decisões tomam-se por intuição, por experiência, às vezes pelo último comentário de cliente ouvido ao telefone na terça-feira de manhã.

Uma simulação enviesada vale infinitamente mais do que nenhum teste, com uma condição: que saiba que é enviesada. É toda a diferença entre um instrumento e uma crença.

2. Uma velocidade de iteração que não existia

Recrutar um painel demora semanas. Repeti-lo depois de alterar o produto demora mais semanas. É por isso que, na vida real, nunca se repete. Testa-se uma vez, decide-se, vive-se com isso.

Com uma coorte simulada, relança o teste depois de cada alteração. Na segunda testa a versão A, na terça corrige, na quarta volta a testar.

Esta capacidade de iterar depressa é exatamente o que aplicámos na Apps Velocity com o Constrok, o nosso ERP destinado aos construtores de moradias unifamiliares e aos diretores de obra da construção civil. Um ERP, de Enterprise Resource Planning, é o software central que pilota o conjunto dos processos de uma empresa: orçamentos, compras, obras, faturação, contabilidade. Historicamente, é um projeto a dezoito meses.

Nós desenvolvemo-lo e implementámo-lo em mês e meio. Não porque sejamos mais inteligentes do que os outros. Porque comprimimos os ciclos de retorno. Cada hipótese era confrontada com a realidade em horas, não em trimestres.

O MatrAIx e as ferramentas do mesmo género dão a equipas muito mais pequenas do que a nossa acesso a esse tipo de compressão.

3. Um pré-filtro, nunca uma decisão

Eis a regra que eu aplicaria e que recomendo sem reservas.

Uma simulação serve para eliminar as más ideias, não para validar as boas.

Se uma coorte simulada rejeita massivamente o seu conceito, seja qual for o modelo utilizado, seja qual for a formulação, isso é um sinal. Não uma condenação, mas um sinal a sério, e custou-lhe uma noite em vez de três meses.

Se uma coorte simulada adora o seu conceito, isso não prova rigorosamente nada. Autoriza-o a passar à etapa seguinte: falar com clientes reais. O que continua a ser, e continuará a ser, a única fonte de verdade.

É a lógica do filtro: mete-se muito à entrada, guarda-se apenas o que sobrevive, e o que sobrevive vai para o teste real.

---

Ato 6: as três armadilhas em que lhe garanto que empresas vão cair

Armadilha 1: o espelho que se parece consigo

O risco mais insidioso não é técnico, é humano.

Quando configura uma simulação, descreve o seu cliente-alvo. Descreve, portanto, a sua representação do seu cliente. Injeta as suas hipóteses no sistema, e o sistema, prestável, devolve-lhas vestidas de dados.

Julga ter medido o seu mercado. Mediu o seu próprio ponto de vista, com uma camada de credibilidade estatística por cima.

É um enviesamento de confirmação industrializado. E é perigoso precisamente porque produz tabelas e percentagens, ou seja, tudo aquilo que cala as objeções numa reunião.

A defesa existe: faça testar as suas hipóteses por alguém que não tenha interesse em que sejam verdadeiras. Faça configurar as personas por uma pessoa que não escreveu o briefing de produto. Procure deliberadamente a coorte que deveria detestar a sua oferta.

Armadilha 2: o circuito fechado

Imagine que isto se generaliza. A sério.

As empresas concebem produtos testados em populações virtuais. Esses produtos chegam ao mercado. Encontram humanos reais, que produzem dados. Esses dados servem para melhorar os modelos. Os modelos servem para gerar novas personas. Sobre as quais se testam os produtos seguintes.

A cada volta do circuito, a parte de imprevisto humano reduz-se. Otimiza-se para um consumidor médio estatístico, que não existe em lado nenhum, e que se torna progressivamente o único alvo que se sabe visar.

O que receio neste cenário não é o desaparecimento dos humanos. É o desaparecimento da surpresa. Ora a inovação nunca vem do centro da distribuição. Vem das margens, dos usos desviados, dos clientes que fazem com o seu produto algo que não tinha previsto.

Um sistema que simula perfeitamente a média é um sistema estruturalmente incapaz de detetar o que vai partir o mercado.

Prefiro dizê-lo de forma simples: se nunca mais falar com um cliente real, nunca mais aprenderá nada que já não soubesse.

Armadilha 3: os dados pessoais

Recordo o número: no milhão de perfis públicos, 600 000 estão ancorados em dados humanos reais anonimizados.

Anonimizados. A palavra merece uma paragem, porque o RGPD, o Regulamento Geral sobre a Proteção de Dados, distingue muito nitidamente a anonimização, que torna a identificação impossível de forma irreversível, da pseudonimização, que substitui identificadores mas deixa uma possibilidade de reidentificação.

A diferença não é cosmética. Um dado realmente anonimizado sai do âmbito do RGPD. Um dado pseudonimizado permanece nele plenamente.

Ora a investigação académica mostrou repetidas vezes que um perfil com mais de um milhar de atributos se torna extremamente difícil de anonimizar de verdade. Quantas mais dimensões acrescenta, mais cada combinação se torna única. É um problema matemático, não um problema de boa vontade.

Não faço nenhuma acusação à equipa do MatrAIx, que publicou a sua metodologia e a submeteu ao olhar dos seus pares, o que é exatamente a boa prática.

Mas digo isto a qualquer dirigente tentado a reproduzir a abordagem internamente: se construir personas a partir da sua base de clientes, com centenas de atributos comportamentais, entra num domínio em que a análise jurídica não é opcional. Não é um pormenor de conformidade que se resolve depois. É uma decisão de arquitetura que se toma antes.

---

Ato 7: como eu me serviria disto na segunda-feira de manhã

Chega de princípios. Eis o que eu faria concretamente se dirigisse uma PME e quisesse tirar algo de útil de tudo isto, sem lhe dedicar um orçamento de grande grupo.

Etapa 1: escolher uma decisão real e cara. Não um exercício de demonstração. Uma decisão verdadeira em suspenso: um aumento de preço, uma mudança de fórmula de subscrição, uma nova mensagem de boas-vindas no seu site, uma reorganização do seu percurso de encomenda. Algo que lhe custa dinheiro se se enganar.

Etapa 2: escrever as hipóteses antes de testar. Numa folha, antes de qualquer simulação, anote o que pensa que vai acontecer. Quantificado, se possível. Essa folha é a sua proteção contra o enviesamento de confirmação. Sem ela, achará sempre o resultado da simulação «coerente com a sua intuição», porque a memória é um narrador complacente.

Etapa 3: lançar o mesmo teste em pelo menos dois modelos diferentes. É a lição direta dos 98,3 % contra 27 %. Um só modelo dá-lhe uma opinião. Dois modelos dão-lhe um intervalo. Se ambos convergem, o seu sinal é sólido. Se divergem violentamente, acabou de aprender que a questão não é decidível por simulação, e essa informação tem valor.

Etapa 4: tratar as diferenças, não os valores. Nunca retenha «62 % dos nossos clientes aceitariam este aumento». Retenha «a versão B é rejeitada duas vezes menos do que a versão A, e essa relação mantém-se nos dois modelos testados». O primeiro enunciado é uma ficção. O segundo é um instrumento de decisão.

Etapa 5: confrontar com cinco clientes reais. Cinco. Não cinquenta. Cinco conversas telefónicas de vinte minutos com clientes reais, escolhidos para serem diferentes uns dos outros. Se os clientes reais contradizem a simulação, os clientes reais têm razão, sempre, sem discussão.

Esta sequência cabe numa semana. Não exige nenhum recrutamento de equipa. E transforma uma decisão tomada por instinto numa decisão tomada com um instrumento, o que não é de todo a mesma coisa.

---

Ato 8: a distinção que repito em cada conferência

Há uma distinção que coloco sistematicamente diante dos dirigentes, porque separa os que vão retirar valor da IA dos que vão gastar dinheiro à toa.

A IA operacional automatiza tarefas. Redige uma ata, tria correio eletrónico, gera um orçamento, faz a cobrança de um valor em atraso. O ganho é real, mensurável, imediato. Também é limitado: ganha tempo naquilo que já fazia.

A IA estratégica ajuda a decidir. Ilumina uma escolha que não teria conseguido iluminar de outra forma, porque a informação não existia, ou custava demasiado a produzir.

O MatrAIx cai claramente na segunda categoria. É a primeira vez que uma ferramenta desta natureza fica acessível a estruturas que não têm meios para um departamento de estudos.

E é também por essa razão que é mais perigosa. Uma IA operacional que se engana faz-lhe perder uma hora. Uma IA estratégica que se engana faz-lhe perder um ano, porque comprometeu toda a empresa numa direção assente num número oco.

Quanto mais a ferramenta toca na decisão, mais sólida tem de ser a competência humana que a enquadra. É mecânico.

Tenho uma fórmula para isto, e mantenho-a desde o início: a IA multiplica a competência existente, não a substitui. Um dirigente que conhece o seu mercado há quinze anos e que acrescenta a simulação ao seu arsenal torna-se temível. Um dirigente que não conhece o seu mercado e que substitui esse conhecimento por uma simulação acabou de comprar um belíssimo gerador de erros a alta velocidade.

É exatamente o mesmo raciocínio que faço sobre o vibe coding, a prática que consiste em mandar produzir código a uma IA a partir de instruções em linguagem corrente. Nas mãos de quem sabe o que é uma arquitetura de software, é um acelerador espetacular. Nas mãos de quem não sabe, é construir uma casa sem arquiteto nem pedreiro qualificado: aguenta-se de pé até ao primeiro inverno.

---

Ato 9: a verdadeira lição, e não é tecnológica

Volto a 1998, uma última vez.

Os meus seis meses de inquérito sobre o planetepresse.com não me serviram para obter números. Serviram-me para perceber algo que nunca teria adivinhado: as pessoas não queriam ler imprensa num ecrã. Queriam deixar de se deslocar.

Não é a mesma coisa. E nenhum estudo quantitativo mo teria dado, porque eu não sabia que essa era a pergunta a fazer.

Eis o que mais receio com a generalização das populações simuladas. Não é que deem más respostas. É que respondem perfeitamente às perguntas que lhes fazemos, e nunca lhe dirão que está a fazer a pergunta errada.

O papel do dirigente, daqui a dez anos como hoje, não é recolher respostas. Vai havê-las em abundância, instantaneamente, gratuitamente. É saber qual procurar.

Todas as grandes ruturas tecnológicas que atravessei por dentro, a bolha da Internet, o telemóvel, a nuvem, o software por subscrição, e agora a IA agêntica, seguiram a mesma trajetória. Não destruíram nem as profissões nem as competências que as precediam. Obrigaram-nas a mutar.

O estudo de mercado não vai desaparecer. Vai deslocar-se. A parte mecânica, o recrutamento, a aplicação do questionário, o apuramento, vai desabar em custo e em prazo. A parte nobre, formular a pergunta certa, interpretar o que não se mede, decidir quando os dados se contradizem, vai ganhar um valor que nunca teve.

Quem pensa que o MatrAIx substitui os estudos de mercado não percebeu o que se está a passar. Quem pensa que isto não muda nada também não.

O que se está a passar é que o custo de estar errado acabou de baixar imenso. E quando o custo do erro baixa, a boa estratégia muda por completo: deixa-se de procurar acertar à primeira, e começa-se a testar muito, depressa, e a corrigir ainda mais depressa.

É exatamente a filosofia sobre a qual construo as minhas empresas desde sempre. A ideia vale zero, só a execução conta. E a execução, em 2026, é a capacidade de fechar ciclos de aprender, corrigir, relançar, mais depressa do que os concorrentes.

O MatrAIx, para um dirigente lúcido, é um acelerador desses ciclos. Para um dirigente apressado, é uma máquina de fabricar falsas certezas com casas decimais.

A diferença entre os dois não se joga na ferramenta. Joga-se na cabeça de quem a usa.

---

FAQ

O que é o MatrAIx?

O MatrAIx é uma infraestrutura de avaliação publicada no arXiv a 4 de agosto de 2026 por uma equipa liderada por investigadores de Harvard e do MIT. Combina uma base de 8,3 mil milhões de perfis individuais descritos segundo 1 290 dimensões, quatro tipos de ambientes de simulação, e mais de 1 000 tarefas repartidas por mais de 25 domínios. O código é publicado sob licença MIT.

O que é uma persona sintética?

É um perfil de consumidor gerado artificialmente, que é depois representado por um modelo de inteligência artificial colocado em situação. No milhão de perfis tornados públicos, cerca de 600 000 estão ancorados em dados humanos reais anonimizados e 400 000 são inteiramente sintéticos, produzidos a partir de grafos de dependência que garantem a coerência interna do perfil.

Pode-se substituir um estudo de mercado por uma simulação?

Não, e o próprio estudo não o pretende. Uma simulação mede de forma fiável diferenças relativas entre duas opções testadas nas mesmas condições. Não produz um valor absoluto sobre o qual assentar uma tabela de preços. A distinção entre diferença relativa e valor absoluto é a competência decisiva perante estas ferramentas.

O que significa a diferença de 98,3 % contra 27 %?

É o resultado de uma experiência de sensibilidade ao preço: mesma página, mesmo produto, mesmo aumento, mesma coorte de personas, uma única variável alterada, o modelo que representa as personagens. Com um, 98,3 % das personas hesitam em comprar; com o outro, 27 %. Mais de setenta pontos de diferença. A simulação não mede, portanto, antes de mais um mercado, mede o modelo escolhido.

O método está validado?

Parcialmente, e é preciso dizê-lo tal e qual. Uma experiência de controlo com 400 ensaios que mede a aderência dos agentes a dez atributos comportamentais dá 91,5 % de comportamentos corretamente expressos ou suprimidos, e juízes humanos pontuam a qualidade das personas ancoradas em cerca de 4,1 em 5. Trata-se de um depósito no arXiv, ou seja, de um trabalho tornado público antes da revisão pelos pares.

Uma PME pode servir-se disto hoje?

Sim, desde que fixe o protocolo antes de lançar seja o que for: um só modelo, uma só versão, condições idênticas entre as variantes testadas, e uma leitura em diferença e nunca em valor absoluto. Mudar de modelo a meio da campanha invalida toda a comparação.

Há risco quanto aos dados pessoais?

Sim, e é real a partir do momento em que ancora personas nos seus próprios dados de clientes. O RGPD, Regulamento Geral sobre a Proteção de Dados, aplica-se a qualquer dado que permita identificar uma pessoa, direta ou indiretamente. Uma base de perfis derivados de clientes reais continua a ser uma base de dados pessoais enquanto a reidentificação for possível.

---

Fontes

• MatrAIx: Simulating the World with 8.3 Billion Persona Agents, pré-publicação depositada no arXiv a 4 de agosto de 2026 por uma equipa liderada por investigadores de Harvard e do MIT. arXiv:2608.04205. arxiv.org/abs/2608.04205
• Página de discussão do trabalho no Hugging Face, que agrega as trocas em torno da pré-publicação. huggingface.co/papers/2608.04205
• Repositório de código MatrAIx-Persona-8B, publicado sob licença MIT, divisa afixada Simulate Before Reality. github.com/MatrAIx-ai/MatrAIx-Persona-8B
• Conjunto de dados Persona 1M, o milhão de perfis tornados públicos, descarregável no Hugging Face.
• Retoma em francês pela Futura-Sciences, 19 de agosto de 2026.

O depósito no arXiv é uma publicação anterior à revisão pelos pares. Os números aqui citados são os anunciados pelos autores e não foram replicados de forma independente à data de publicação deste dossiê.

---

O que lhe proponho

Se dirige uma PME e se pergunta por onde começar com a IA, sem lá perder o seu orçamento nem a sua equipa, formalizei uma metodologia estruturada que se chama RAPID: Recenser, Analyser, Piloter, Itérer, Déployer (levantar, analisar, pilotar, iterar, implementar). Cinco etapas, pensadas para empresas reais, com constrangimentos reais.

👉 rapid.appsvelocity.com

E se quiser que estes temas sejam abordados perante as suas equipas, a sua comissão executiva ou a sua rede profissional, intervenho regularmente em conferência sobre a IA aplicada à decisão empresarial.

👉 patrickdecarvalho.com/fr/conferences

---

Nunca perco. Ou ganho, ou aprendo.

Patrick de Carvalho CEO e cofundador da Apps Velocity