veja funcionando
Uma conversa real com o painel — e o que acontece por trás enquanto ela rola:
por trás, no painel
Classe C + dívida ativarenda familiar R$ 2.925 · Caixa + Nubank · dívida ativa R$ 6.873
Android de entrada · Pix 60% dos pagamentos
→ rode isso você mesmo (prompt pronto) → instalar em 2 minutos
O Painel Sintético Concorde é um painel de 787 personas sintéticas do consumidor bancário brasileiro, calibrado com dados públicos do IBGE, Bacen e ABEP, que responde perguntas de pesquisa em primeira pessoa dentro do Claude — com erro médio de 6,3 pontos percentuais contra pesquisa de campo em perguntas de atitude do consumidor. Entenda o que é uma persona sintética →
para que serve
Discovery de produto. A fase cara de errar: validar se um conceito faz sentido, para quem, com que objeções — antes de desenhar a solução. O painel deixa você rodar um focus group sintético em minutos: sorteia um recorte da população, apresenta a ideia, e cada persona reage ancorada nos dados do próprio segmento.
O que ele não é: o painel não substitui pesquisa primária com pessoas reais nem teste A/B em produção. Ele é a etapa barata que vem antes — o rascunho que filtra hipóteses fracas e afia as perguntas que você levará para a pesquisa de verdade.
→ padrões de uso para discovery
validado contra pesquisa real
Backtest contra o Estudo idwall de Experiência Digital 2025 (amostra nacional ponderada por IBGE): 100 personas sorteadas do painel, classificadas com temperatura 0 (reproduzível), comparadas ao benchmark equivalente.
| Pergunta de atitude do consumidor | idwall | Painel | Erro |
|---|---|---|---|
| Pretende manter ou aumentar o uso de bancos digitais | 84,9% | 86,0% | 1,1 pp |
| Rapidez do cadastro é o fator nº 1 na abertura de conta | 51,4% | 49,0% | 2,4 pp |
| A casa é o lugar mais seguro para acessar o banco | 68,5% | 84,0% | 15,5 pp |
Erro médio absoluto de 6,3 pp nas perguntas de atitude e intenção — duas das três dentro da margem amostral do método (~5 pp para n=100), estatisticamente indistinguíveis do benchmark.
Transparência: essas são as 3 perguntas de melhor aderência entre 8 benchmarks testados. Itens de incidência auto-reportada (fraude, bloqueio) e satisfação divergem mais, por um viés conhecido de calibração das narrativas (ênfase em atrito) que está no roadmap de ajuste. Resultados rastreáveis persona a persona.
→ quem faz isso e por que se chama Concorde
o teto dos dados públicos — e o que viria depois
Esta plataforma é uma prova de conceito da arquitetura e da viabilidade: demonstra que pesquisa sintética pode ser rápida, governável e escalável usando apenas dados públicos (IBGE, Bacen, ABEP, reviews abertos). Mas dado público tem um teto de acurácia — ele descreve a população, não os seus clientes.
Para subir de nível, o mesmo motor seria calibrado com os dados privados que uma empresa já tem:
A arquitetura já está pronta para isso — fatos, vozes e instituições são camadas plugáveis com filtro determinístico. Trocar a fonte pública pela privada não muda o motor; muda a resolução: de "brasileiro Classe C endividado" para "cliente seu, do segmento X, que abandonou o funil no passo 3".
por que não é "pedir pro LLM simular 700 pessoas"
Se você pedir a um LLM para emular 700 pessoas, elas saem muito parecidas. Isso não é opinião — é resultado replicado na literatura:
- Santurkar et al., ICML 2023 — LLMs respondendo pesquisas de opinião enviesam para um perfil só (mais escolarizado, mais liberal, renda mais alta), mesmo instruídos a representar outros grupos.
- Bisbee et al., Political Analysis 2024 — respostas sintéticas ingênuas têm variância artificialmente baixa (um "respondente médio" repetido N vezes) e instável a pequenas mudanças de prompt.
- Argyle et al., Political Analysis 2023 — o caminho que funciona: quando o modelo é condicionado em atributos sociodemográficos reais, reproduz distribuições de subgrupos humanos ("fidelidade algorítmica").
É esse o parcialmente determinístico do painel: as personas são diferentes porque foram construídas para ser diferentes — cada uma ligada por filtro exato aos fatos reais do seu segmento, não à criatividade do modelo. A heterogeneidade vem da estrutura:
O grounding — cruzamento determinístico, não-LLM — monta o contexto de cada persona a partir dessas camadas. Cada persona responde em contexto isolado, condicionada só nos próprios atributos. Toda resposta é rastreável até o dado-fonte. Não existe prompt escrito à mão por persona.
E é isso que torna o painel escalável e governável: se o mundo bancário mudar amanhã — nova taxa, novo golpe, um banco comprado por outro — eu não preciso reescrever 787 personas. Atualizo ou anexo um fato, re-rodo o cruzamento, e a mudança se propaga automaticamente para todas as personas cujo segmento aquele fato atinge. Um ponto de atualização, N personas atualizadas, com trilha de auditoria.
→ e por que eu nunca vejo as suas conversas
experimente em 2 minutos
# depois de instalar o conector, peça ao Claude: > Estou fazendo discovery de um app de renegociação de dívidas. Sorteie 6 personas Classe C com dívida ativa e me diga como cada uma reagiria — com as objeções de cada perfil.