Habr AI: LLMs poderão assumir a rotina da pesquisa de negócios, mas não a estratégia

Uma longa análise sobre o futuro da pesquisa de produto e marketing se resume a uma ideia simples: os LLMs não são igualmente úteis para todos os tipos de trabalho de pesquisa. Quanto mais rígido o quadro definido de antemão (o que medir, como perguntar e como interpretar a resposta), mais fácil é automatizar o trabalho.

Três níveis de pesquisa

O autor propõe encarar a pesquisa de negócios não como um conjunto de métodos isolados, mas como trabalho com uma "matriz de conhecimento": o sistema de distinções pelo qual a empresa descreve o mercado, o usuário e o produto. No primeiro nível, a matriz já está pronta, e o pesquisador apenas a preenche com dados. No segundo, o quadro é refinado ao longo do trabalho: categorias mudam, segmentos são remontados e o modelo de comportamento do usuário vai sendo ajustado à realidade. No terceiro, o objeto de análise passa a ser o próprio quadro: como a empresa define valor, problema, lealdade ou sucesso.

Dessa lógica decorre a principal conclusão do texto: a questão não é se "o LLM sabe fazer pesquisa em geral", mas em que nível está uma tarefa específica. Se a empresa precisa medir parâmetros predefinidos, o modelo dará conta muito antes. Se é preciso rever os próprios conceitos com que a equipe descreve o mercado, os modelos de linguagem atuais sozinhos não bastam. Por isso o debate sobre a substituição total dos pesquisadores parece grosseiro demais aqui: diferentes classes de tarefas serão automatizadas em velocidades diferentes.

Onde os LLMs já são fortes

O candidato mais óbvio à automação é a pesquisa de primeiro nível. Aqui a empresa já tem métricas prontas, modelos de perguntas e regras de interpretação. Na prática, não se trata de buscar uma nova lógica de pesquisa, mas de executar rapidamente um procedimento formalizado. Por isso o autor acredita que muitas dessas tarefas poderiam, em princípio, ter sido automatizadas antes, e os LLMs apenas reduzem drasticamente o custo e a barreira de entrada.

• funis de vendas, NPS, CSI e outras métricas com regras de cálculo fixas
• testes A/B pontuais para comparar variantes predefinidas
• pesquisas de preço como Van Westendorp, Gabor-Granger e abordagens conjoint
• entrevistas CustDev estruturadas e testes de usabilidade com roteiro rígido
• priorização de funcionalidades por modelos como Kano, MaxDiff e TURF

"Os LLMs não criam uma nova classe de possibilidades, apenas eliminam

os custos da formalização".

Com as tarefas mais complexas do segundo nível, a situação é mais sutil. Aqui não basta um prompt ou RAG: o modelo precisa não só processar respostas, mas também refinar aos poucos o próprio conjunto de distinções sobre o qual a análise é construída. O artigo cita LoRA e Representation Engineering entre as abordagens adequadas: métodos que alteram os pesos ou as ativações do modelo e, com isso, permitem corrigir seu campo semântico.

Ou seja, o autor admite que os LLMs poderão ajudar na segmentação de públicos complexos, na construção de modelos de tomada de decisão e no refinamento de categorias de pesquisa, mas isso já não é um "chat com documentos", e sim um ajuste mais profundo do sistema.

Onde está o limite

A principal limitação começa no terceiro nível, em que a pesquisa não deve preencher nem refinar um quadro existente, mas desmontá-lo e montá-lo de novo. São tarefas em que a equipe pergunta não "por que o NPS está caindo", mas "o que exatamente chamamos de lealdade e por que a consideramos importante". Entram aqui também estudos sobre a linguagem da marca, códigos culturais, discursos organizacionais e conceitos estratégicos pelos quais a empresa enxerga seus problemas e oportunidades.

Na opinião do autor, a arquitetura atual dos LLMs esbarra aqui em um limite de princípio. O modelo pode gerar interpretações, debater consigo mesmo num arranjo multiagente e até usar autorreflexão, mas tudo isso continua sendo trabalho dentro de um mesmo sistema de distinções. Esse ciclo pode melhorar a resposta, mas não transforma o próprio modelo em objeto de uma transformação duradoura. Por isso ele pode apoiar o pesquisador, sugerir caminhos e acelerar a análise, mas não substitui o humano onde é preciso remontar a própria ótica de pesquisa.

O que isso significa

A conclusão prática é dura: a maior parte do que hoje se chama de pesquisa de produto e marketing se tornará um serviço automatizável. O valor das pessoas vai se deslocar para onde não basta contar, comparar e codificar respostas, e é preciso mudar a linguagem em que o problema é formulado, perceber quadros ocultos e unir negócio, cultura e estratégia em um único retrato de pesquisa.

Daí a previsão do autor: em vez de papéis rigidamente separados, como pesquisador de UX, gerente de CX ou analista de marketing, crescerá a demanda por pesquisadores-curadores que saibam gerenciar um conjunto de ferramentas de IA.