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 3,3 pontos percentuais contra pesquisa de campo em perguntas de atitude do consumidor. Entenda o que é uma persona sintética →
para que serve
Triagem de discovery pré-campo. A fase cara de errar: validar se um conceito faz sentido, para quem, com que objeções — antes de desenhar a solução e antes de gastar com pesquisa de campo. 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. A promessa não é "pesquisa instantânea", é saber o que perguntar a gente de verdade antes de gastar dinheiro perguntando.
validado contra pesquisa real
Erro médio absoluto contra as mesmas perguntas de pesquisa publicada: Painel Concorde 3,3 pp · Gemini 3.1 Pro 12,0 pp · GPT-5.6 19,5 pp. Os modelos crus responderam direto, sem painel e sem busca. O painel erra 3,7x menos que o Gemini e 6x menos que o GPT.
Três backtests contra pesquisas reais publicadas. Em cada um, 100 personas sorteadas do painel, classificadas com temperatura 0 (reproduzível), comparadas ao benchmark equivalente.
Esses números saem do mesmo mecanismo que você pode rodar: a ferramenta
preparar_pesquisa faz um fan-out isolado — uma persona por vez, sem uma influenciar
a outra — e a distribuição é contada no seu próprio Claude, com um seed para reproduzir.
→ veja como rodar uma pesquisa você mesmo
Backtest 1: idwall 2025 (atitude sobre banco digital)
Estudo idwall de Experiência Digital 2025, amostra nacional ponderada por IBGE.
| 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% | 74,0% | 5,5 pp |
Erro médio absoluto de 3,0 pp nas perguntas de atitude e intenção. As três respostas ficam a poucos pontos percentuais do benchmark (todas dentro de 6 pp).
Backtest 2: Reclame AQUI 2026 (crise de solvência)
Pesquisa Reclame AQUI de março de 2026 (n=2.073), durante a crise de confiança em bancos digitais. Pergunta de atitude sobre o maior medo do consumidor.
| Atitude do consumidor | Reclame AQUI | Painel | Erro |
|---|---|---|---|
| Medo de a instituição quebrar e perder o dinheiro (liquidez) | 35% | 39% | 4 pp |
Segunda fonte independente, a mesma direção do idwall: numa atitude de confiança institucional, o painel adere a poucos pontos.
Backtest 3: BCG e Nubank 2023 (segurança financeira por classe)
Estudo "Beyond Access" (BCG e Nubank), survey com a população brasileira, outubro de 2023 (n=2.000). O headline do estudo: mais de 70% dos brasileiros não se sentem seguros nem incluídos financeiramente. O painel, de forma independente, chega a 78%.
E vai além do agregado. Sem nenhuma quebra por classe no benchmark, o painel reproduz sozinho o gradiente social da insegurança financeira, com o penhasco caindo entre a classe B e a C:
| Classe | Se sente inseguro | Amostra |
|---|---|---|
| Classe A | 5% | n=22 |
| Classe B | 20% | n=30 |
| Classe C | 77% | n=30 |
| Classe D/E | 80% | n=30 |
Amostra estratificada por classe, temperatura 0. O gradiente é output do painel (o benchmark não tem quebra por classe): evidência de que a heterogeneidade vem da estrutura de dados, não da criatividade do modelo. O agregado de 78% citado acima é ponderado pela distribuição real da população (majoritariamente C e D/E), não a média simples destas linhas; por isso esta quebra usa amostra estratificada, com n por classe distinto das 100 personas dos backtests 1 e 2.
Uma nota sobre o recorte: nos três estudos, o painel é comparado nas perguntas de atitude e percepção, que é o que ele foi construído para responder. Perguntas que dependem de experiência vivida (ter sido vítima de fraude, satisfação após um atendimento) ficam fora de propósito. O painel aponta onde confiar, e é isso que a fronteira de confiança delimita.
o controle: e se for só o LLM?
Se um modelo de fronteira chuta tão bem quanto o painel, a arquitetura não vale nada. Então rodei o controle: as mesmas perguntas dos benchmarks acima, respondidas direto pelo Gemini 3.1 Pro e pelo GPT-5.6, sem painel, sem persona, sem busca na internet, temperatura 0. Só o prior do modelo contra a pesquisa real.
| Pergunta | Real | Painel | Gemini 3.1 Pro | GPT-5.6 |
|---|---|---|---|---|
| Mantém ou aumenta o uso de bancos digitais | 84,9% | 86% | 84% | 85% |
| Rapidez do cadastro é o fator nº 1 | 51,4% | 49% | 18% | 25% |
| A casa é o lugar mais seguro para acessar | 68,5% | 74% | 65% | 90% |
| Medo de a instituição quebrar (liquidez) | 35% | 39% | 45% | 65% |
| Erro médio absoluto | 3,3 pp | 12,0 pp | 19,5 pp |
O painel erra 3,7x menos que o Gemini e 6x menos que o GPT nas mesmas perguntas. O caso do cadastro é o mais revelador: a pesquisa diz 51,4%, o painel disse 49%, e os dois modelos mais capazes do mundo erraram por 26 a 33 pontos. Eles não têm esse prior do mercado brasileiro. O painel tem o dado.
No headline do estudo BCG e Nubank, a diferença fica ainda mais clara:
| Não se sente seguro e/ou incluído financeiramente | Resultado |
|---|---|
| BCG e Nubank (pesquisa real) | mais de 70% |
| Painel Concorde | 78% · dentro |
| Gemini 3.1 Pro | 55% · fora |
| GPT-5.6 | 60% · fora |
E os números dos modelos secos não fecham entre si. O Gemini estima que 45% dos brasileiros se sentem seguros e incluídos ao mesmo tempo, mas que só 31% se sentem seguros. Não existe população assim: a interseção não pode ser maior que a parte. O GPT comete o mesmo erro (30% contra 25%) e ainda erra a soma (60 + 30 = 90). O painel não consegue produzir isso, porque cada número vem de contar personas uma a uma, não de estimar de cabeça. Coerência aqui é subproduto da arquitetura, não sorte.
a fronteira de confiança
Um resultado sintético que sai rápido não é prova de nada. O que faz do painel uma ferramenta honesta é ele saber onde confiar e onde não. A régua é o tipo de pergunta:
Por isso o painel tem uma triagem: antes de rodar, a pergunta é classificada em inferível, arriscado ou só-humano — e essa classificação acontece localmente, no seu Claude (a pergunta não trafega pelo servidor), transformando seus pontos cegos no roteiro da pesquisa que você vai levar para pessoas reais. É o que os três backtests acima mostram na prática: o painel acerta em atitude e intenção, e erra onde a resposta pedia experiência vivida.
→ como rodar: focus group e pesquisa direcional
→ 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 lado 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.