Há alguns dias, participamos da
Semana Caldeira — evento realizado em Porto Alegre que teve como tema "Inovar é saber ver", um título provocativo e muito pertinente. Quando abrimos o noticiário (seja online ou offline), é comum surgir o sentimento de que estamos atrasados: algo novo já entrou em vigor e o
hype
de ontem rapidamente deixa de ser o de hoje.
Trazendo essa reflexão para a nossa área de
Data Analytics (pesquisa, coleta, análise de dados, dashboards...), as inovações provocam um movimento claro de automação e delegação. Estamos transferindo cada vez mais etapas para a IA e, em muitos casos, sem questionar o
output
do
prompt.
Um exemplo real é o uso de amostras sintéticas para responder a pesquisas e gerar insights. Se utilizadas sem critério, sem rigor metodológico e olhar crítico, o resultado pode ser desastroso. É claro que a implementação tem um custo infinitamente menor, mas o atalho pode levar a decisões de negócio totalmente equivocadas. Estudos indicam que, quando bem calibrado, um modelo de amostragem sintética pode atingir entre 85% e 95% de confiabilidade em estudos quantitativos simplificados; no entanto, esse índice despenca para a faixa de 37% a 60% quando o tema exige maior complexidade e profundidade*.
Outro debate central no evento abordou a transformação da nossa própria interface com os dados. A ascensão do
Text-to-SQL e a integração de agentes de LLM aos
dashboards
estão redefinindo como analistas e gestores conversam com a informação. A promessa de "fazer perguntas em linguagem natural e receber relatórios instantâneos" democratiza o acesso, mas traz um desafio idêntico: sem uma
camada de governança, modelagem semântica rigorosa e validação técnica, o modelo corre o risco de traduzir a pergunta errada na consulta SQL errada — gerando gráficos impecáveis visualmente, mas conceitualmente equivocados. O dashboard deixa de ser apenas uma tela estática e vira um interlocutor ativo, o que exige do analista um papel ainda mais estratégico para auditoria e interpretação do contexto de negócio.
Onde, então, devemos focar nossa atenção? A inovação traz possibilidades fantásticas: testes de hipóteses, simulações de cenários e pré-testes mais ágeis. Porém, voltamos ao ponto crucial:
ainda não é a IA que possui o olhar crítico sobre as escolhas metodológicas, a estrutura dos questionários e as nuances comportamentais. Consequentemente, tampouco serão as pessoas sintéticas que trarão os insights mais valiosos.
Ainda que a IA generativa desempenhe um papel auxiliar valioso, ficou nítido nas sessões das quais participamos que o espaço do bom profissional — apoiado por ferramentas integradas, flexíveis e relacionais — continua preservado. É um sinal de alerta para não delegarmos todas as tarefas à tecnologia e, sobretudo, para mantermos aquela "pulga atrás da orelha" sempre que a IA nos devolve algo com cara de verdade absoluta. A resposta da máquina deve ser tratada como mais uma fonte a ser verificada, não como um fato inquestionável.
Isso pode parecer óbvio, mas, em conversas com outros profissionais da área, notamos que a IA passou a ser usada, perigosamente, como baliza de qualidade.
Como assim? Da mesma forma que pacientes hoje questionam diagnósticos médicos com base no que leram em um modelo de linguagem, alguns clientes começam a questionar o pesquisador comparando sua análise com o que a IA gerou sem a devida interpretação contextual. Não enxergamos isso de modo negativo; pelo contrário, essa dinâmica só reforça a urgência de contarmos com profissionais capacitados, prontos para contrapor dados rasos, contextualizar resultados e indicar o melhor caminho estratégico.
Fonte:
Aher, G. V., Arriaga, R. I., & Kalai, A. T. (2023). Using large language models to simulate multiple humans and replicate human subject studies. In International Conference on Machine Learning (ICML). (disponível em:
https://dl.acm.org/doi/10.5555/3618408.3618425)
