Habr AI: LLMs podem assumir a rotina em pesquisas empresariais, mas não a estratégia

Uma análise abrangente do futuro da pesquisa de produtos e marketing se resume a uma ideia simples: LLMs não são igualmente úteis para todos os tipos de trabalho de pesquisa. Quanto mais rigidamente um framework é estabelecido de antemão — o que medir, como perguntar e como interpretar a resposta — mais fácil é automatizar esse trabalho.

Três Níveis de Pesquisa

O autor propõe visualizar a pesquisa empresarial não como um conjunto de métodos separados, mas como trabalho com uma "matriz de conhecimento" — um sistema de distinções através do qual uma empresa descreve o mercado, usuário e produto. No primeiro nível, essa matriz já está pronta: o pesquisador simplesmente a preenche com dados. No segundo nível, o framework é refinado conforme o trabalho avança: categorias mudam, segmentos são recombinados e o modelo de comportamento do usuário se ajusta gradualmente à realidade.

No terceiro nível, o próprio framework torna-se objeto de análise — como a empresa define valor, problema, lealdade ou sucesso em primeiro lugar. Dessa lógica segue a conclusão principal do texto: a questão não é se LLMs conseguem conduzir pesquisas em geral, mas em que nível a tarefa específica se situa. Se o negócio precisa medir parâmetros pré-determinados, o modelo terá sucesso muito mais rápido.

Se a equipe precisa reconsiderar os próprios conceitos através dos quais descreve o mercado, os modelos de linguagem atuais são insuficientes. Por isso o debate sobre substituição completa de pesquisadores aqui parece demasiado grosseiro: diferentes classes de tarefas serão automatizadas em velocidades diferentes.

Onde LLMs Já São Fortes

O candidato mais óbvio para automação é a pesquisa de primeiro nível. Aqui a empresa já possui métricas prontas, templates de perguntas e regras de interpretação. Em essência, não se trata de encontrar nova lógica de pesquisa, mas da execução rápida de um procedimento formalizado. Por isso o autor acredita que muitas dessas tarefas poderiam ter sido automatizadas antes, e LLMs simplesmente reduzem drasticamente o custo e barreira de entrada.

• funis de vendas, NPS, CSI e outras métricas com regras de cálculo fixas
• testes A/B pontuais para comparar variantes pré-definidas
• pesquisa de preços como Van Westendorp, Gabor-Granger e abordagens conjoint
• entrevistas CustDev estruturadas e testes de usabilidade com roteiros rígidos
• priorização de features através de modelos como Kano, MaxDiff e TURF

"LLMs não criam uma nova classe de capacidades, apenas removem os

custos da formalização."

Com tarefas mais complexas de segundo nível, a situação é mais nuançada. Aqui um simples prompt ou RAG é insuficiente: o modelo deve não apenas processar respostas mas também refinar gradualmente o conjunto de distinções sobre o qual a análise é construída. O artigo nomeia LoRA e Representation Engineering entre abordagens adequadas — métodos que mudam pesos ou ativações do modelo, permitindo ajustar seu campo semântico. Em outras palavras, o autor sugere que LLMs podem ajudar com segmentação de públicos complexos, desenvolvimento de modelos de tomada de decisão e refinamento de categorias de pesquisa, mas isso não é mais "chat com documentos," mas ajuste mais profundo do sistema.

Onde o Limite Existe

A limitação principal começa no terceiro nível, onde a pesquisa deve não preencher ou refinar um framework existente, mas desmontá-lo e remontá-lo novamente. São tarefas onde a equipe pergunta não "por que NPS está caindo" mas "o que exatamente chamamos de lealdade e por que achamos importante." Isso inclui também pesquisas sobre linguagem de marca, códigos culturais, discursos organizacionais e conceitos estratégicos através dos quais a empresa vê seus problemas e oportunidades.

Segundo o autor, a arquitetura atual de LLMs atinge um limite fundamental aqui. O modelo pode gerar interpretações, debater-se em configurações multi-agente e até usar self-reflection, mas tudo isso permanece trabalho dentro do mesmo sistema de distinções. Tal ciclo pode melhorar a resposta, mas não transforma o modelo em um objeto de transformação sustentável.

Portanto, pode apoiar o pesquisador, sugerir movimentos e acelerar a análise, mas não pode substituir o humano onde é necessário remontar a própria perspectiva de pesquisa.

O Que Isso Significa

A conclusão prática é dura: a maioria do que hoje é chamado de pesquisa de produtos e marketing se tornará um serviço automatizável. O valor das pessoas se deslocará para onde não é suficiente simplesmente contar, comparar e codificar respostas, mas mudar a linguagem da definição do problema, notar frameworks ocultos e conectar negócio, cultura e estratégia em um quadro de pesquisa único. Daí segue a previsão do autor: em vez de funções rigidamente separadas como pesquisador UX, gerente CX ou analista de marketing, crescerá a demanda por pesquisadores-curadores que sabem como gerenciar um conjunto de ferramentas AI.