Validação Cega.
Como um painel artificial de 3.000 respondentes reproduziu o resultado de um campo humano real — com as previsões seladas antes de qualquer acesso ao gabarito.
O ceticismo legítimo sobre pesquisa artificial tem uma pergunta central: como sei que os respondentes que a máquina criou reproduzem os humanos reais, e não o que a Mimetica gostaria que reproduzissem? A resposta canônica não é retórica — é protocolar. Se as previsões forem seladas com hash criptográfico antes de qualquer acesso ao gabarito, e se o gabarito for guardado pelo próprio cliente cético, a comparação é inatacável.
Este documento reúne o caso de um instituto público brasileiro de pesquisa em vacinação — o cliente institucional guardava um campo humano de 350 respondentes (CAWI nacional, novembro de 2024) que a Mimetica expandiu para 3.000 respondentes artificiais, calibrados ao Censo IBGE e à PNAD Contínua. As previsões foram seladas em julho de 2026 e o cliente comparou-as contra a base humana completa, excluindo os 350 do seed. O desvio médio foi de ~4 pontos percentuais em 27 indicadores-título; todos os rankings substantivos se reproduziram. Este é o registro do método.
Nomes de marcas e do próprio cliente foram omitidos por confidencialidade. Fabricantes de vacina aparecem como farmacêutica global A/B/C/D/E e instituto público nacional 1/2. A matemática, o protocolo e os desvios são os medidos.
~4pp
Desvio médio absoluto
Uma pergunta seca do cliente cético — e como respondê-la sem retórica.
O instituto tinha 350 respondentes reais colhidos em novembro de 2024 num campo CAWI nacional sobre percepção, comportamento e confiança em vacinação. Amostra sólida, bem trabalhada, custosa. E tinha também a base completa da onda — várias centenas de respondentes adicionais que a Mimetica nunca teve acesso, guardada internamente pelo próprio cliente.
A pergunta operacional era simples:
Se recebermos apenas 350 do total, e a partir deles gerarmos uma população artificial de 3.000, essa população reproduz o resultado que a base humana completa entregaria? E se sim, quanto de expansão em cobertura de recortes (região × renda, faixa etária × sexo) essa multiplicação por oito vezes destrava?
Duas apostas subjacentes. Primeira: se a expansão for confiável, o cliente ganha alavancagem — a mesma verba de campo passa a valer três a cinco vezes mais em análise. Segunda: se a expansão for calibrada ao Censo, o resultado corrige o viés estrutural do painel online (mulheres, Sudeste, renda alta sobrerrepresentados) e produz uma leitura mais fiel do Brasil real do que a amostra crua.
Selo criptográfico — o que impede que ninguém trapaceie.
Validação artificial sem selo é vulnerável a duas críticas fatais: overfit (ajustar o modelo até bater o gabarito), e hindsight rationalization (declarar como "prevista" a leitura que apareceu depois). A Mimetica eliminou as duas com um protocolo de cinco passos, executado em ordem estrita.
Antes de qualquer acesso ao gabarito completo, o arquivo JSON com todas as previsões — awareness nacional, escalas de confiança, cortes por região × renda × idade × sexo — foi selado com SHA-256. O hash foi entregue ao cliente e registrado internamente. Qualquer alteração posterior de qualquer valor previsto quebra o hash — e o cliente detecta imediatamente.
SHA-256 · conjunto A · 44f964b12f4bff7fd3f310fb0b3ddbcfe7a1a61508f56c07d03b0f9d0274196d — selado em 2026-07-10, antes do envio ao cliente.
Seed anonimizado e selado
As 350 entrevistas recebidas tiveram vinte colunas de identificação pessoal removidas. O arquivo anonimizado foi ele próprio selado com SHA-256, para prova de que o input não foi tocado.
Geração determinística
População artificial N=3.000 via Iterative Proportional Fitting (Deming-Stephan, 1940) para calibração censitária, mais síntese hot-deck de registro inteiro (Beckman, Baggerly & McKay, 1996 — padrão em populações artificiais). Semente 42, pipeline reprodutível. Zero LLM no núcleo estatístico da expansão.
Pré-registro selado
Todas as previsões — nacional e por corte — foram computadas e seladas via SHA-256 antes de qualquer acesso ao gabarito.
Validação pelo cliente
O cliente comparou as previsões seladas contra a base completa, excluindo os 350 do seed (para não medir memória do próprio seed) e restringindo à mesma janela de campo (nov/2024), para não misturar ondas.
Leitura conjunta
Sessão presencial ou remota Mimetica + cliente para leitura dos desvios, com o hash reconferido em tempo real.
A Mimetica não tem como acertar por sorte de ajuste. Nunca vimos o gabarito; o hash prova que as previsões não mudaram depois.
O que o método tinha que mostrar — e mostrou.
Antes de comparar contra o gabarito humano, o método passou por três famílias de validação interna. Cada uma responde a uma pergunta diferente do cético.
Respondentes artificiais são indistinguíveis de amostra humana da mesma origem
- 200 repetições de split estratificado 80/20
- 280 respondentes viram seed, 70 ficam escondidos
- Geramos 3.000 respondentes artificiais só com os 280 e comparamos contra os 70 humanos que o gerador nunca viu
- 95,5% dos desvios dentro do envelope amostral — a taxa esperada de uma amostra humana real
Corrige o viés do painel online em direção ao Brasil real
- Campo cru sobrerrepresentava mulheres (+20pp), Sudeste (+19pp), renda alta (+17pp)
- Padrão de painel online, não defeito do cliente
- Calibração IPF contra Censo 2022 + PNAD-C 2024 fecha as margens
- ≤4,6pp de desvio residual pós-calibração
Quadruplica as células de análise viáveis
- Limiar analítico: n≥30 por célula
- Com 350 humanos: apenas 4 das 20 células de região × renda são analisáveis
- Com 3.000 respondentes artificiais calibrados: 16 das 20 abrem — incluindo Nordeste × renda baixa, Centro-Oeste inteiro por renda, cortes de idade × sexo que antes eram ilegíveis
Quando o cliente abriu a base completa — o que apareceu.
O cliente aplicou o passo 4 do protocolo, comparando as previsões seladas contra a base humana completa (excluindo os 350 do seed). As tabelas abaixo mostram, indicador a indicador, o que humanos disseram e o que os respondentes artificiais previram. A regra de leitura é simples: desvios dentro de ±5pp são ruído de amostragem esperado; desvios maiores merecem inspeção; os rankings — a ordem entre os itens — são o que decide se o método reproduz o padrão editorial.
| Fabricante | Humanos % | Artificiais % | Δ (pp) |
|---|---|---|---|
| Farmacêutica global · A | 91 | 90 | −1 |
| Farmacêutica global · B | 80 | 76 | −4 |
| Instituto público nacional · 1 | 76 | 78 | +2 |
| Instituto público nacional · 2 | 73 | 78 | +5 |
| Farmacêutica global · C | 29 | 26 | −3 |
| Farmacêutica global · D | 27 | 24 | −3 |
| Farmacêutica global · E | 20 | 19 | −1 |
| Doença | Humanos % | Artificiais % | Δ (pp) |
|---|---|---|---|
| Dengue | 69 | 77 | +8 |
| Chikungunya | 68 | 74 | +6 |
| Vírus Sincicial Respiratório | 61 | 61 | 0 |
| Gripe | 48 | 53 | +5 |
Desvio médio absoluto de aproximadamente 4 pontos percentuais em 27 indicadores-título, consistente com a validação bootstrap interna (4,85pp; 91% das medições dentro do envelope amostral). Todos os rankings substantivos se reproduziram — inclusive o achado editorial central (preocupação com doenças vetoriais superior à com respiratórias) e o ranking de confiança nos fabricantes.
Traduzindo para a prática do cliente: a expansão de 350 para 3.000 respondentes artificiais preserva integralmente a leitura estratégica que o campo humano original entregava, e adiciona capacidade de cortes que a amostra de 350 sozinha nunca teria sustentado.
Quando calibrar ao Censo muda uma leitura de negócio.
A calibração censitária não é ornamento — é o que separa "leitura de painel online" de "leitura do Brasil real". Uma dimensão específica torna isso concreto: o uso do sistema público de saúde.
| Dimensão | Campo cru | Brasil real | Desvio |
|---|---|---|---|
| Feminino | 71,7% | 51,7% | +20,0pp |
| Sudeste | 61,4% | 42,4% | +19,0pp |
| Renda até R$3.300 | 13,4% | 51,0% | −37,6pp |
| Renda acima de R$24.800 | 20,0% | 3,0% | +17,0pp |
| Mais de 65 anos | 2,9% | 14,0% | −11,1pp |
A leitura crua do painel diz: 63% das pessoas se vacinam no sistema público. A leitura calibrada ao Censo diz: 77% se vacinam no sistema público. Uma diferença de 14pp — que existe porque o painel online tem menos representação de renda baixa, e renda baixa usa mais o SUS. Não é erro de modelagem; é correção de um viés que a coleta original tinha por natureza.
Um segundo exemplo: o awareness de uma das farmacêuticas globais menos conhecidas é fortemente graduado por renda — 15% na renda até R$3.300 vs. 67% na renda acima de R$24.800. Como o campo super-representa renda alta, a leitura crua infla o awareness nacional dessa marca em cerca de 3,4pp. Sem calibração, decisões de marketing seriam tomadas sobre um Brasil que não existe estatisticamente.
O que esta técnica destrava — em qualquer estudo de percepção.
O caso vacinação é ilustrativo, mas o método é categórico. Qualquer cliente que colhe amostras humanas em canal online — pesquisas de brand tracking, satisfação, uso e atitude, intenção de compra, percepção regulatória, avaliação de comunicação — enfrenta o mesmo dilema estrutural: a amostra que pode pagar não é representativa do país que precisa entender. E a amostra que seria representativa custa cinco a dez vezes mais.
A expansão artificial seed-based resolve os dois problemas simultaneamente. Reproduz o que a amostra pequena diz (M1), calibra ao Brasil real (M2), quadruplica os cortes analisáveis (M3), e — com o protocolo de selo criptográfico — entrega uma peça de evidência auditável.
Direção correta, cortes limitados
- Leituras nacionais confiáveis
- Alguns cortes viáveis (4-6 das 20 células região × renda)
- Viés estrutural do canal online herdado
- Custo do campo é o custo do campo — cada wave é evento financeiro
Mesmo seed, oito vezes o poder de leitura
- Todos os rankings substantivos preservados (~4pp de desvio médio)
- Calibração Censo 2022 + PNAD-C 2024 → Brasil real, não Brasil do painel
- 16 das 20 células de região × renda viáveis
- Selo SHA-256 de previsão cega — due diligence, board, auditoria
- Pipeline determinístico (semente 42), zero LLM no núcleo estatístico
Um estudo de expansão & validação cega em duas semanas.
O formato canônico da entrega — desde a entrega do seed anonimizado pelo cliente até a leitura conjunta dos desvios contra o gabarito — fecha em aproximadamente duas semanas. O selo criptográfico da previsão é entregue ao final da primeira semana; o cliente executa a validação cega na segunda; a leitura conjunta encerra o ciclo.
Não cria informação nova. Respondentes artificiais interpolam o padrão do seed e corrigem representatividade pelo Censo. Fenômenos ausentes no seed (um segmento que o campo não alcançou) não aparecem por mágica na expansão.
Herda vícios de resposta. Se o seed tem efeito-teto nas escalas 0-10, straight-liners, ou viés de desejabilidade, os respondentes artificiais herdam. A calibração corrige QUEM responde, não COMO responde.
Células com seed muito baixo permanecem baixa confiança. Regiões com <15 doadores humanos são sinalizadas explicitamente como baixa confiança, não reportadas com falsa precisão.
Não substitui campo humano em claim regulatório. Auditoria formal, submissão à ANVISA ou defesa em ação judicial permanecem exigindo painel humano tradicional.
O ceticismo se resolve por protocolo, não por retórica. Um hash criptográfico entregue antes do gabarito é a única resposta que sobrevive à pergunta "como sei que não foi ajustado depois?".