Embora a IA generativa já esteja causando um grande impacto em atividades de marketing como atendimento ao cliente e criação de conteúdo, ela tem potencial para ser absolutamente revolucionária em outra área: a pesquisa de mercado.
Após dois anos estudando o uso dessa tecnologia nesse campo, dois professores acreditam que a IA generativa oferece às empresas oportunidades inéditas de entender os clientes, avaliar melhor o ambiente competitivo e aprofundar a tomada de decisões orientadas por dados em suas organizações. Essas oportunidades se dividem em quatro categorias:
- apoiar práticas atuais de coleta de dados e geração de insights, tornando-as mais rápidas, baratas ou fáceis de escalar;
- substituir práticas atuais utilizando dados sintéticos (dados artificialmente gerados que imitam comportamentos e preferências de pessoas reais);
- preencher lacunas existentes no entendimento do mercado, obtendo insights e evidências que não estão disponíveis nos dados convencionais;
- e criar novos tipos de dados e insights (muitas vezes com o uso de gêmeos digitais).
A IA generativa, é claro, também tem limitações e riscos, e, à medida que os profissionais de marketing a utilizam, precisarão considerar esses aspectos, garantindo que suas estratégias estejam fundamentadas em justiça, precisão e um entendimento genuíno dos clientes.
Entre todas as funções gerenciais, o marketing provavelmente será a mais impactada pela IA generativa. Reconhecendo o potencial dessa tecnologia, acadêmicos e profissionais já vêm investigando há algum tempo novas formas de aplicá-la no atendimento ao cliente e na criação de conteúdo, mas recentemente o mundo dos negócios começou a prestar atenção no impacto que ela pode ter em outras atividades de marketing. A mais empolgante dessas atividades é a pesquisa de mercado, o processo pelo qual as empresas coletam dados e geram insights sobre clientes e concorrentes.
Nos últimos dois anos, estudamos e trabalhamos diretamente com empresas que estão explorando o uso da IA generativa na pesquisa de mercado, e podemos afirmar que mudanças grandes e transformadoras estão a caminho nesse campo. Quando implantada corretamente, a tecnologia oferece às empresas oportunidades inéditas de entender e interagir com os clientes, avaliar melhor o ambiente competitivo e estender a tomada de decisões orientadas por dados profundamente em suas organizações.
Em nossa pesquisa, identificamos quatro classes distintas de oportunidades. A primeira envolve o apoio às práticas atuais, tornando-as mais rápidas, baratas ou fáceis de escalar. A segunda envolve a substituição das práticas atuais, aproveitando dados sintéticos (dados sobre preferências ou comportamentos de pessoas criados por IA e não coletados por meio de pesquisas ou entrevistas). A terceira envolve o preenchimento de lacunas existentes no entendimento do mercado, obtendo insights e evidências que não estão disponíveis nos dados convencionais. E a quarta, que ainda está surgindo, envolve a criação de novos tipos de dados e insights.
Neste artigo, apresentaremos um framework que ajudará a orientar líderes e empresas nesse novo cenário. Explicaremos como a IA generativa começou e continuará a mudar a pesquisa de mercado, o que pode ser feito para aproveitar ao máximo as novas oportunidades e como estar atento às limitações da tecnologia e às questões éticas que cercam suas novas aplicações.
Apoio às práticas atuais
As empresas frequentemente se frustram com o custo relativamente alto e os longos prazos de coleta de insights sobre clientes e mercado. Então, como a IA generativa pode resolver ambos?
Com base no que aprendemos em nossa pesquisa e no trabalho com empresas, desenvolvemos uma forma sistemática de identificar casos de uso. Ela envolve a aplicação do que consideramos as quatro capacidades principais da IA generativa — síntese, programação, interação humana e redação — a cada etapa do processo de pesquisa de mercado. Para simplificar, reduzimos o processo a apenas três etapas: a identificação de oportunidades e o desenho de um programa de pesquisa; a coleta e análise de dados; e o relato e disseminação de informações e insights. A capacidade da IA generativa de sintetizar informações, por exemplo, poderia ser utilizada para resumir literatura e pesquisas anteriores na primeira etapa, extrair descobertas de entrevistas e novos dados na segunda etapa e articular conclusões na terceira etapa. E a IA generativa poderia realizar todas essas atividades muito mais rapidamente do que humanos.
Como as empresas estão realmente utilizando a IA generativa para apoiar suas práticas atuais? Uma pesquisa que realizamos recentemente com a empresa de Jeremy, a GBK Collective, uma empresa de estratégia de marketing e insights com fortes laços com professores das principais escolas de negócios e empresas da Fortune 500, revela como. Nela, coletamos respostas de mais de 170 profissionais e usuários de pesquisa de mercado. Descobrimos que 45% deles já estavam utilizando a IA generativa em suas atividades atuais de dados e insights; outros 45% nos disseram que planejavam fazê-lo no futuro.
A pesquisa revelou algumas tendências interessantes de alto nível. Não surpreendentemente, mais de 70% dos entrevistados relataram preocupações com os possíveis efeitos colaterais e desafios da IA generativa. Essas preocupações incluíam o potencial de informações tendenciosas ou imprecisas, riscos de segurança e privacidade, e o tempo e energia adicionais que seriam necessários para integrar a IA generativa às práticas atuais. Uma porcentagem semelhante de entrevistados também tinha preocupações com o potencial da IA generativa para criar lacunas de habilidades e até substituir profissionais humanos de dados e insights.
Dito isso, muitos entrevistados — assim como muitos dos profissionais com quem trabalhamos — estavam amplamente positivos e já abraçando a tecnologia. Sessenta e dois por cento daqueles que já utilizavam a IA generativa em seu trabalho nos disseram que a estavam usando para sintetizar longas transcrições de entrevistas e outros documentos, um processo anteriormente trabalhoso; 58% a estavam usando para analisar dados; e 54% a estavam usando para redigir relatórios. No geral, nossos entrevistados pareciam entusiasmados com as muitas formas como a IA generativa poderia ajudá-los a realizar tarefas. Mais de 80% concordaram que ela tem o potencial de melhorar significativamente a produtividade e a eficiência pessoal e que integrá-la aos seus processos de trabalho é fundamental para se manter competitivo. A mesma porcentagem nos disse que acreditava que a tecnologia impactará positivamente seu setor como um todo, melhorando seus empregos e impulsionando uma inovação significativa. Ela o fará, disseram, permitindo que as pessoas realizem tarefas mais rapidamente, se concentrem em tarefas nas quais podem agregar mais valor e reservem mais tempo para interpretação de dados e construção de narrativas. De forma mais geral, aumentará a qualidade, a precisão e a personalização de seu trabalho.
Startups de pesquisa de mercado já estão entrando nesse espaço. Uma delas, a Meaningful, por exemplo, tem como objetivo “impulsionar” a pesquisa de mercado usando IA generativa para criar pesquisas personalizadas, distribuí-las para painéis de participantes, conduzir entrevistas qualitativas e analisar os resultados. A Outset.ai concentra-se nas formas pelas quais a IA generativa pode gerar perguntas, e não respostas, sobre as necessidades e comportamentos dos consumidores — uma ideia promissora. Sua plataforma de pesquisa moderada por IA investiga dinamicamente os participantes com novas perguntas baseadas em suas respostas anteriores para obter respostas mais aprofundadas, combinando a velocidade e a escala de uma ferramenta de pesquisa automatizada com a profundidade de uma entrevista tradicional. Aaron Cannon, cofundador e CEO da Outset.ai, construiu sua empresa com base em uma descoberta extremamente importante: quando a IA generativa tem a tarefa simples de envolver as pessoas em uma conversa, elas compartilham abundantemente seus pensamentos, experiências e sentimentos, e o problema de alucinação da IA praticamente desaparece.
A equipe de pesquisa da WeightWatchers (cliente da Outset.ai) constatou que os participantes também costumam ser mais abertos quando entrevistados por uma IA do que por pessoas, porque certos efeitos de viés são reduzidos. Wil Readinger, ex-chefe de pesquisa de experiência do usuário da empresa, é entusiasta da IA generativa. Ele afirma que os pesquisadores não precisarão mais escolher entre “os dados mais ricos e contextualizados coletados em uma entrevista e o alcance mais amplo de uma pesquisa”. Em vez disso, agora eles têm uma terceira opção, que, como ele diz, é “ambos”.
Substituindo práticas atuais
Uma das aplicações mais inovadoras da IA generativa no marketing é a produção e análise do que se conhece como “dados sintéticos” — dados artificialmente gerados que imitam os comportamentos e preferências de pessoas reais. As empresas podem fazer isso com qualquer um dos programas de IA generativa amplamente disponíveis, mas também podem desenvolver e treinar seus próprios modelos especializados usando os dados agregados que já coletaram de pesquisas tradicionais, dados sindicados, sistemas de CRM e informações transacionais. Os dados sintéticos podem então ser usados para simular várias respostas de clientes ou concorrentes, destacando possíveis pontos problemáticos e os benefícios que os consumidores buscam em diferentes estágios de suas interações com um produto ou serviço. Um total de 81% dos respondentes de nossa pesquisa nos disse que já usa ou planeja usar a IA generativa para criar dados sintéticos. Um deles mencionou planos de “criar personas de público sintéticas com as quais minha equipe possa interagir e que correspondam ao público-alvo do meu cliente”.
Ao criar perfis e cenários detalhados de clientes hipotéticos, esses modelos ajudam os profissionais de marketing a antecipar melhor as necessidades e preferências e a tomar decisões mais eficazes. Mas eles certamente não conseguem replicar toda a profundidade e imprevisibilidade do comportamento humano. Nossos respondentes estavam bem cientes dessa limitação: apenas 31% classificaram o valor dos dados produzidos pela IA generativa como “grande” — tornando essa uma das áreas de menor satisfação em nossa pesquisa. No entanto, estudos mostraram que a IA generativa pode melhorar a qualidade dos dados sintéticos quando alimentada com exemplos de perguntas e respostas nos prompts, quando é autorizada a usar uma base de conhecimento de estudos anteriores para recuperar conteúdos relevantes para cada pergunta e quando seus parâmetros são ajustados para se adequar melhor aos dados existentes.
Empresas novas e estabelecidas estão explorando o potencial dos dados sintéticos. A startup Evidenza, por exemplo, realizou mais de 60 estudos de validação comparando resultados sintéticos com pesquisas tradicionais em vários setores. Em um estudo, ela colaborou com a EY para conduzir um teste duplo-cego — o padrão ouro na pesquisa científica — no qual nenhuma das partes conhecia os resultados da outra até a conclusão do estudo. A EY forneceu à Evidenza seu questionário anual de pesquisa de marca e detalhes sobre seu público-alvo (CEOs de empresas dos Estados Unidos com mais de 1 bilhão de dólares em receita), mas reteve os resultados reais da pesquisa para uso posterior como referência. A Evidenza então criou mais de mil personas sintéticas que correspondiam ao perfil do público-alvo e fez com que respondessem à pesquisa. “Os resultados foram impressionantes”, disse Toni Clayton-Hine, CMO da EY Americas. “As conclusões foram 95% iguais, as correlações foram muito fortes e, em muitos casos, os números eram quase idênticos.”
A IA oferece às empresas oportunidades inéditas de entender e interagir com os clientes, avaliar melhor o ambiente competitivo e aprofundar a tomada de decisões orientadas por dados.
A IA generativa não produz apenas dados quantitativos estruturados. Um estudo de 2024 realizado na Wisconsin School of Business demonstrou que ela também pode gerar dados qualitativos profundos. Em especial, pode conduzir entrevistas reveladoras e perspicazes com os respondentes sintéticos que criou — por exemplo, para replicar clientes desejados. Vários pesquisadores e gestores já a utilizaram com sucesso dessa forma. Um bom exemplo de fornecedor que oferece esse tipo de trabalho é a startup portuguesa Synthetic Users.
É claro que qualquer empresa que queira adotar uma abordagem personalizada para criar dados sintéticos precisa compartilhar algumas informações proprietárias com o programa de IA generativa que utiliza, e isso deixa algumas empresas desconfortáveis. Para aliviar essas preocupações, todos os principais fornecedores de IA generativa oferecem versões corporativas pagas de modelos que não compartilham dados ou insights proprietários da empresa com outras organizações. Alguns também estão ajudando as empresas a criar modelos de IA generativa “pequenos” que elas mesmas controlarão totalmente. A startup Rockfish Data, por exemplo, permite que as empresas desenvolvam e treinem seus próprios modelos personalizados de IA generativa em conjuntos de dados internos — uma abordagem que mantém os dados e os modelos completamente privados. Esses modelos podem ser pequenos, mas alguns dos usuários não são: o Exército dos EUA e o Departamento de Segurança Interna dos EUA são ambos clientes da Rockfish Data.
Novamente, há pontos positivos e negativos a considerar: os pequenos modelos de IA generativa são, em geral, limitados a dados estruturados ou semiestruturados (dados numéricos ou categóricos) e não se beneficiam dos amplos conjuntos de treinamento dos modelos públicos, enquanto os modelos públicos também conseguem trabalhar com dados qualitativos menos estruturados. Para algumas empresas, ajustar modelos grandes usando dados proprietários pode ser um compromisso eficaz.
Preenchendo lacunas existentes
Mesmo em organizações que afirmam ser orientadas por dados, os profissionais frequentemente relatam que a maioria das decisões é tomada sem uma análise empírica formal. Simplesmente não há tempo ou dinheiro suficiente para isso. Mas a IA generativa promete ser um motor inteligente sempre ativo para insights de clientes e mercado — um que pode oferecer aos pesquisadores de mercado acesso instantâneo a evidências empíricas quando os dados não estão disponíveis ou são caros demais para serem adquiridos. A IA generativa pode ser usada para testar suposições, pilotar conceitos e estratégias de execução e fornecer um espaço seguro para decisões gerenciais. As empresas podem até desenvolver “laboratórios” que tornam modelos personalizados de IA disponíveis para os funcionários de maneira segura e conveniente para apoiar a tomada de decisões em toda a organização.
Em nossa pesquisa, 30% dos respondentes disseram que sua empresa já usou a IA generativa para orientar decisões que anteriormente não teriam se baseado em dados e insights externos. No total, 81% dos respondentes relataram usar ou planejar usar a IA generativa para “ouvir o mercado” e manter suas organizações informadas sobre o ambiente competitivo. Um deles, por exemplo, a usou para analisar as últimas tendências e estratégias dos concorrentes e produzir inteligência competitiva oportuna para a tomada de decisões, e outro a utilizou para realizar análises preditivas para decisões, com base em dados históricos e suposições.
Muitas empresas estão experimentando o uso de dados sintéticos para apoiar a inovação de produtos. Uma delas é a General Mills. “Estamos explorando como os dados sintéticos podem acelerar e melhorar nossos processos de ideação de produtos, aumentando a probabilidade de encontrar ideias realmente excelentes sobre como atender melhor nossos consumidores”, diz Lanette Shaffer Werner, diretora de inovação, tecnologia e qualidade da empresa.
Várias startups também estão se envolvendo com dados sintéticos. A Evidenza está oferecendo ferramentas para criar esses dados em clientes B2B, que são notoriamente difíceis de alcançar. A Arena Technologies está usando inteligência artificial generativa e dados sintéticos sobre perfis e gostos de clientes locais para ajudar varejistas a tomar decisões mais inteligentes, como por exemplo, sobre como adaptar as ofertas por ponto de venda. A Evidenza emprega dados sintéticos para ajudar os profissionais de marketing a tomar decisões sobre segmentação, posicionamento e mensagens, e sua plataforma também estima o impacto financeiro dessas escolhas, com projeções de retorno sobre o investimento e métricas voltadas para CFOs e equipes de receita.
Uma máxima no marketing de conteúdo e nas vendas é que você tem apenas uma chance de causar uma primeira impressão. Mas talvez isso não seja mais verdade.
Dizemos isso porque profissionais de marketing de conteúdo e vendedores estão começando a usar inteligência artificial generativa para criar “gêmeos digitais” — réplicas virtuais de clientes individuais construídas usando informações publicamente disponíveis ou dados proprietários — para testar e aprimorar seus materiais e abordagens antes de apresentá-los a pessoas reais. Essa abordagem permite uma calibração meticulosa dos esforços de marketing porque os gêmeos digitais, ao contrário de pessoas reais, nunca se cansam, se irritam ou se entediam ao interagir com os profissionais de marketing e suas perguntas. Mais de 40% dos nossos entrevistados disseram que já estão experimentando gêmeos digitais. Um deles, por exemplo, relatou usar gêmeos digitais em um ambiente virtual de vendas para “simular o comportamento de compra dos clientes, as taxas de cliques e os padrões de interação em diferentes contextos”, tudo com o objetivo de “ajudar a testar estratégias de mercado e otimizar a experiência do usuário”. Outros 42% disseram que planejavam experimentar gêmeos digitais no futuro.
O uso de gêmeos digitais no marketing está se expandindo rapidamente. A Arena criou uma ferramenta de treinamento que representantes de vendas B2B podem usar para interagir com gêmeos digitais de clientes. A CivicSync desenvolveu uma tecnologia que permite a seus clientes (com o consentimento dos consumidores) rastrear comportamentos de compras, buscas e outras atividades online e, em seguida, construir gêmeos digitais altamente precisos de seus usuários-alvo. A agência de relações públicas Ogilvy testou ideias criativas em gêmeos digitais para garantir que suas campanhas ressoariam com os consumidores. E a GBK Collective está experimentando diferentes maneiras de usar resultados de pesquisas para treinar ou direcionar inteligência artificial generativa na criação de gêmeos digitais que possam ser consultados sobre questões de marketing subsequentes. Ela usa diferentes subconjuntos de dados de pesquisas anteriores para criar variantes de gêmeos digitais e, em seguida, realiza testes para ver se alguns funcionam melhor ou pior para determinados objetivos de pesquisa empresarial. Os resultados dos testes são comparados com as respostas reais das pesquisas anteriores para medir a eficácia de cada abordagem.
A inteligência artificial generativa pode conduzir entrevistas perspicazes com os respondentes sintéticos que criou, por exemplo, para replicar clientes desejados.
Muitas empresas também estão experimentando ferramentas de uso livre, como o NotebookLM do Google, que cria um “assistente de pesquisa” personalizado treinado com informações sobre concorrentes, dados relevantes do setor e perfis de clientes-alvo. O assistente pode preparar os membros da equipe para interações com clientes, ajudando-os a refinar suas abordagens, ofertas e interações, além de antecipar possíveis objeções. Henry Sosa, gerente técnico de contas na Oleria, uma startup de cibersegurança (onde um de nós, Jeremy, é conselheiro), já criou vários desses assistentes de inteligência artificial generativa para seus colegas de vendas e marketing.
Acadêmicos também estão voltando sua atenção para novas possibilidades. Uma equipe da Columbia Business School, por exemplo, está construindo um painel representativo de 2.500 personas, cada uma o gêmeo digital de uma pessoa real. As pessoas que eles vão espelhar passarão por uma extensa bateria de testes (psicológicos, comportamentais, cognitivos e atitudinais) que, em conjunto, estabelecerão uma “verdade de base” que a inteligência artificial generativa poderá usar para criar os gêmeos. A ideia é usar o painel como sujeitos virtuais em novas pesquisas e estudos. Um estudo de uma equipe que inclui pesquisadores da Stanford e do Google DeepMind sugere que essa abordagem é promissora. Após entrevistar uma amostra de indivíduos por algumas horas e fazê-los completar uma série de pesquisas, a equipe usou as transcrições das entrevistas para criar gêmeos digitais de cada participante. Em seguida, pediu aos gêmeos digitais que respondessem às mesmas pesquisas. Os participantes reais também foram convidados a responder às mesmas perguntas novamente duas semanas depois. As respostas dos gêmeos digitais replicaram as respostas iniciais das pessoas reais com 85% de precisão, tão bem quanto as segundas respostas das próprias pessoas.
A inteligência artificial generativa oferece muito aos profissionais de marketing, mas ainda tem várias limitações que precisam ser reconhecidas. Como mencionamos anteriormente, uma das principais preocupações destacadas por nossa pesquisa foi o potencial de resultados tendenciosos, citado por 77% dos entrevistados. O viés é intrínseco a qualquer conjunto de dados de treinamento e pode distorcer os resultados, levando potencialmente a representações incorretas de segmentos de clientes ou tendências de mercado. (No entanto, práticas atuais de pesquisa também podem levar a resultados tendenciosos por vários motivos.) Além disso, dado que os modelos de inteligência artificial generativa são treinados em dados e percepções existentes, ainda não está claro o quão bons eles serão para prever mudanças drásticas no comportamento do consumidor ou antecipar inovações de produto descontínuas. Os modelos de inteligência artificial generativa também são conhecidos por serem sensíveis à forma como os comandos e perguntas são formulados. Por exemplo, demonstramos que, quando respondem a perguntas de múltipla escolha, eles são influenciados pela ordem e pela rotulagem das opções de maneiras que podem ser imprevisíveis. Os pesquisadores devem estar cientes desse efeito e, como fazem com pessoas reais, garantir a aleatorização de todos os aspectos relevantes das pesquisas para limitar o viés potencial.
Também foram levantadas preocupações sobre a capacidade da inteligência artificial generativa de simular respostas de uma amostra representativa da população. Um estudo de 2023 realizado por pesquisadores da Columbia e Stanford descobriu que a maioria dos modelos recentes da OpenAI expressa opiniões mais típicas de pessoas que, por exemplo, são liberais ou bem-educadas, e menos características de pessoas com mais de 65 anos ou mais religiosas. Tal viés pode vir não apenas dos dados de treinamento nos quais os modelos são construídos, mas também da participação humana no refinamento deles, o que explicaria por que os modelos mais recentes estão se mostrando cada vez mais tendenciosos. Dadas essas limitações, talvez não seja surpreendente que um estudo de 2024 liderado por James Bisbee, da Universidade Vanderbilt, tenha descoberto que, quando respondentes sintéticos participaram de uma pesquisa de opinião pública, suas respostas se assemelharam muito às respostas humanas, mas apresentaram menos variação, foram sensíveis à formulação das perguntas e não foram estáveis ao longo de um período de três meses.
Os dados sintéticos também podem ter utilidade limitada na simulação de experimentos que atribuem respondentes a diferentes tratamentos entre condições. Exploramos o uso de inteligência artificial generativa em simulações de experimentos nos quais o preço do produto variava entre os respondentes digitais, que eram questionados se pretendiam comprá-lo. Constatamos que as curvas de demanda obtidas pela inteligência artificial não apenas eram diferentes das curvas obtidas ao fazer as mesmas perguntas a respondentes humanos, mas também eram implausíveis.
A razão talvez seja simples em retrospectiva. Experimentos que envolvem pessoas reais normalmente empregam projetos cegos, onde cada participante não tem conhecimento das outras condições nem do objetivo do estudo. Isso é o que acontece quando os consumidores tomam decisões no mundo real, onde normalmente não lhes é oferecida a escolha do mesmo produto exatamente a preços diferentes. Mas, quando aplicados a experimentos envolvendo modelos de inteligência artificial generativa, o projeto cego leva a um fenômeno chamado “confusão”, no qual uma variável imprevista associada tanto ao tratamento (por exemplo, o preço) quanto à variável dependente (por exemplo, a decisão de compra) embaralha a relação entre o tratamento e a variável dependente. Em nossos experimentos de precificação, descobrimos que a inteligência artificial generativa teve dificuldade em tratar o preço do produto como aleatório e tendia a assumir que outras variáveis (preços anteriores, preços de outros produtos na loja) também variavam com o preço do produto, o que justificava a compra a um preço mais alto, levando a pouca mudança de comportamento conforme o preço variava.
A inteligência artificial generativa também ainda não prevê bem as reações emocionais dos consumidores a estímulos multissensoriais. Foi isso que a empresa de fragrâncias e sabores Takasago aprendeu quando explorou a possibilidade de substituir um painel de pesquisa humano por um painel gerado por IA. As fragrâncias, por exemplo, simplesmente não produzem os mesmos efeitos nos modelos de inteligência artificial generativa que produzem em pessoas reais. “Embora nosso modelo possa aprender com dados passados,” nos disse Jelena Le Breton, vice-presidente global de insights do cliente e pesquisa de mercado da empresa, “ainda é difícil prever mudanças nas preferências olfativas humanas, que muitas vezes podem estar associadas a experiências e emoções individuais.”
À medida que navegamos pelo futuro do marketing na era da inteligência artificial generativa e dos dados sintéticos, a comunidade de marketing precisará avançar com uma perspectiva equilibrada e informada. Ao fazer isso, poderemos aproveitar o poder dessas ferramentas e tecnologias notáveis, garantindo ao mesmo tempo que nossas estratégias estejam fundamentadas em justiça, precisão e um verdadeiro entendimento do cliente.
Com isso em mente, gostaríamos de concluir com uma nota otimista, trazendo uma ideia que Cannon, da Outset.ai, nos propôs. Se a inteligência artificial generativa pode conversar com milhares de pessoas ao redor do mundo em centenas de idiomas a cada hora e pode extrair instantaneamente todos os tipos de insights únicos e de alta fidelidade a partir dos dados que essas conversas geram, então nossa compreensão uns dos outros deve se aprofundar — e os produtos, serviços e experiências que construirmos serão impregnados de mais humanidade, e não menos.
Fonte:
Uma versão deste artigo foi publicada na edição de maio-junho de 2025 da Harvard Business Review. Essa versão traduzida para o português brasileiro foi obtida com a ajuda do ChatGPT 4
Sobre os autores:
Jeremy Korst é sócio da GBK Collective, uma consultoria de insights estratégicos, comportamento do consumidor e análise de dados. Anteriormente, ocupou cargos executivos seniores na Microsoft, T-Mobile e Avalara, entre outras empresas.
Stefano Puntoni é professor de marketing na Wharton School da Universidade da Pensilvânia e co-diretor do Wharton Human-AI Research. Ele é um dos principais cientistas comportamentais que estudam as aplicações comerciais da inteligência artificial.
Olivier Toubia é professor de marketing na Columbia Business School e um líder reconhecido na área de marketing quantitativo.