Resposta direta: a IA já transcreve, resume e agrupa temas em centenas de entrevistas, mas não decide o que importa. Analisar evidências não é a mesma coisa que produzir um assessment confiável a partir delas, e é essa diferença que mantém o UX Research no centro da decisão.
Por que ainda precisamos de UX Research na era da IA
A Inteligência Artificial já consegue transcrever entrevistas, resumir horas de gravação, identificar padrões, organizar temas e apontar possíveis problemas em uma interface. Então surge uma pergunta legítima: se a IA consegue fazer tudo isso, por que uma empresa ainda deveria investir em pesquisa qualitativa de UX?
A resposta está em uma distinção importante: analisar evidências não é a mesma coisa que produzir um assessment confiável a partir delas. E pesquisas recentes sobre o uso de IA em análise qualitativa estão começando a mostrar exatamente onde está essa diferença.
IA encontra padrões. Mas um padrão ainda precisa de significado
Um estudo publicado em 2025 na Quality & Quantity desenvolveu um protocolo para utilização do ChatGPT em análise temática de entrevistas. A conclusão é interessante justamente porque não diminui a tecnologia: a IA mostrou grande capacidade para explorar grandes volumes de transcrições e identificar padrões temáticos.
Ao mesmo tempo, os pesquisadores concluíram que a qualidade e a granularidade da análise continuavam dependendo do prompt, da interpretação humana e de etapas de revisão e validação. Isso ajuda a explicar uma distinção fundamental para UX Research: detectar um sinal não significa compreender sua relevância.
Imagine que vários usuários hesitem antes de avançar em uma jornada. A IA pode identificar essa recorrência. Mas o que ela significa? Falta de compreensão? Insegurança? Medo de assumir um compromisso? Uma expectativa criada anteriormente? Ou simplesmente um tempo natural de leitura?
O comportamento observado é o mesmo. A decisão de produto muda completamente dependendo da interpretação. É o mesmo raciocínio de quem analisa gravações de sessão para transformar replays em hipóteses de teste: o registro é o começo, a leitura é o trabalho.
O insight pode estar justamente na contradição
Imagine agora que um participante conclua uma tarefa dizendo: “Foi fácil”. Durante a experiência, porém, ele voltou duas vezes, releu uma informação e demorou para tomar uma decisão. Qual evidência está correta? Todas. Uma boa análise qualitativa precisa compreender a relação entre elas.
E pesquisas comparando diretamente análises humanas e feitas por IA ajudam a dimensionar esse desafio. Em um estudo publicado no Journal of Medical Internet Research, o ChatGPT apresentou mais de 80% de concordância com pesquisadores humanos na identificação de alguns temas descritivos. Quando a análise exigia interpretação cultural e emocional mais profunda, porém, a concordância caiu para aproximadamente 30% em alguns temas.
Isso não significa que IA seja incapaz de interpretar contexto. Significa algo mais relevante para empresas: quanto mais interpretativa for a decisão, mais importante se torna validar como aquela conclusão foi construída.
O maior risco não é uma resposta ruim. É uma resposta plausível demais
Outro estudo comparou a análise de uma entrevista realizada por um pesquisador experiente com diferentes análises produzidas pelo ChatGPT. Os temas encontrados apresentaram sobreposição considerável. A IA inclusive conseguiu estabelecer relações mais sofisticadas em alguns momentos.
Mas surgiu um comportamento especialmente interessante: quando solicitada a relacionar descobertas a determinadas teorias, a IA conseguia construir argumentos convincentes mesmo quando os modelos teóricos fornecidos pareciam inadequados aos dados. Esse talvez seja um dos maiores cuidados necessários ao utilizar IA em pesquisa.
Uma interpretação pode ser coerente, bem escrita, específica e aparentemente acionável. E ainda assim precisar ser confrontada com as evidências. A própria pesquisa da OpenAI sobre alucinações reconhece que modelos de linguagem podem produzir afirmações plausíveis, porém falsas, e que respostas incorretas apresentadas com confiança continuam sendo um desafio mesmo em modelos mais avançados.
Em UX Research, portanto: plausibilidade não pode ser confundida com evidência.
Mais contexto resolve? A pergunta anterior é quem decide qual contexto importa
“Então basta dar mais contexto para a IA?” Ajuda muito. Mas surge uma pergunta anterior: quem decidiu qual contexto importa?
Antes de analisar qualquer entrevista, alguém precisa determinar o que investigar, quais tarefas representam a jornada, quais comportamentos merecem atenção e quais critérios serão utilizados para transformar observações em oportunidades. Depois, novas decisões aparecem:
- O que é uma ocorrência?
- O que é um padrão?
- O que é uma fricção?
- O que é uma hipótese?
- O que merece prioridade?
- E qual evidência é suficiente para sustentar cada conclusão?
Um estudo comparando análise qualitativa humana e realizada pelo GPT-4 encontrou justamente essa tensão: a IA foi eficiente na extração e síntese de informações, mas apresentou limitações relacionadas à profundidade contextual e influência das instruções recebidas. Os autores defendem a complementação com contexto e julgamento humano para análises mais profundas.
Por isso: a IA não elimina metodologia, ela torna uma boa metodologia ainda mais importante. É o caso de um framework de pesquisa como o ResearchXL, que define o que olhar antes de qualquer ferramenta entrar em cena, ou de uma biblioteca de prompts para analytics, CRO e produto, que só funciona quando a pergunta de pesquisa já está definida.
Então devemos escolher entre IA e pesquisadores?
Não. Essa provavelmente é a pergunta errada. A IA pode acelerar enormemente a pesquisa qualitativa: organizar evidências, encontrar recorrências, comparar participantes, explorar hipóteses e processar volumes de informação que seriam extremamente custosos manualmente.
O ganho está justamente em combinar capacidades. A IA amplia a capacidade de analisar; a metodologia aumenta a confiança sobre o que fazemos com essa análise.
É nessa lógica que a LUME trabalha. Combinamos pesquisa qualitativa não moderada, tecnologia, análise comportamental e interpretação sênior para transformar evidências de usuários em oportunidades priorizadas para experiência, conversão e negócio.
A tecnologia faz parte do processo. O diferencial está no sistema construído ao redor dela: o que investigar, quais evidências conectar, como interpretar contradições e quais descobertas realmente merecem virar uma decisão. Aplicada a grandes players nacionais e globais, em diferentes setores, essa metodologia já identificou mais de R$ 3 bilhões em potencial de receita incremental.
Porque a grande pergunta da era da IA talvez não seja mais “a tecnologia consegue encontrar padrões?”. Ela consegue. A pergunta é: sabemos quais deles realmente importam?
Como usar IA em pesquisa qualitativa sem perder rigor
- Defina o que investigar antes de rodar a análise — tarefas, comportamentos e critérios de evidência.
- Registre como cada conclusão foi construída — prompt, recorte dos dados e etapas de revisão.
- Confronte toda interpretação com a evidência bruta antes de transformar em insight.
- Trate contradição como sinal, não como ruído — o que o participante diz e o que ele faz precisam ser lidos juntos.
- Mantenha julgamento humano nas decisões interpretativas e na priorização do que vira ação.
Para se aprofundar
Para se aprofundar, assista ao episódio do canal da Métricas Boss sobre o tema:
Perguntas frequentes
A IA pode substituir o UX Research?
Não. A IA acelera a análise, mas não define o que investigar, não estabelece critérios de evidência e não assume a decisão de prioridade. O trabalho de pesquisa continua sendo produzir um assessment confiável, não apenas uma leitura de dados.
A IA erra mais que um pesquisador humano?
Não necessariamente, e o erro mais perigoso não é a resposta ruim: é a resposta plausível demais. Os estudos mostram alta concordância em temas descritivos e queda quando a análise exige interpretação cultural e emocional. O risco está em aceitar uma conclusão bem escrita sem confrontá-la com as evidências.
O que é mais arriscado na análise feita por IA?
Construir argumentos convincentes a partir de modelos teóricos inadequados aos dados. A saída pode ser coerente, específica e acionável e, ainda assim, não corresponder ao que o comportamento observado mostra.
Basta dar mais contexto para a IA?
Ajuda, mas a pergunta anterior continua sendo quem escolheu o contexto. Contexto sem definição prévia de critérios vira volume de informação, não evidência.
Fontes
- Nguyen et al. Thematic analysis of interview data with ChatGPT: designing and testing a reliable research protocol for qualitative research. Quality & Quantity, 2025. Ler o estudo
- Sakaguchi et al. Evaluating ChatGPT in Qualitative Thematic Analysis With Human Researchers in the Japanese Clinical Context. Journal of Medical Internet Research, 2025. Ler o estudo
- Wachinger et al. Prompts, Pearls, Imperfections: Comparing ChatGPT and a Human Researcher in Qualitative Data Analysis. Qualitative Health Research, 2025. Ler o estudo
- A mixed-methods study comparing human-led and ChatGPT-driven qualitative analysis in medical education research, 2025. Ler o estudo
- OpenAI. Why Language Models Hallucinate, 2025. Ler o estudo
Precisa de uma consultoria de analytics? Conheça a Métricas Boss, que ajuda times a estruturar a mensuração, auditar os dados e transformar tracking em decisão. Peça um diagnóstico pelo site.
Conheça a Renata Clemente. Autora deste artigo, Renata pesquisa experiência do usuário e escreve sobre pesquisa qualitativa, comportamento e decisão de produto. Acompanhe a autora no LinkedIn para ler os próximos textos e trocar ideias sobre UX Research na era da IA.