Ética em pesquisa qualitativa de mercado na era da inteligência artificial
A inteligência artificial já faz parte do cotidiano da pesquisa. Pode apoiar transcrições, organização de grandes volumes de informação, classificação de conteúdos, identificação de recorrências, revisão de materiais e diferentes etapas de tratamento de dados (SAMPAIO; SABBATINI; LIMONGI, 2024; UDESC, 2025). Isso não significa que tudo o que pode ser automatizado deva ser automatizado.
Na pesquisa qualitativa de mercado, essa distinção é especialmente importante. Uma pesquisa pode envolver informações pessoais, gravações de voz e imagem, relatos sobre experiências privadas, hábitos, opiniões e outros conteúdos produzidos por pessoas que aceitaram participar de uma investigação para determinada finalidade. Ao mesmo tempo, seus resultados podem subsidiar decisões empresariais sobre produtos, serviços, comunicação, posicionamento, inovação ou mercados.
A incorporação da inteligência artificial a esse processo, portanto, não é apenas uma questão de produtividade. É também uma questão de ética, proteção de dados, transparência metodológica e responsabilidade sobre a interpretação produzida.
A literatura recente sobre inteligência artificial aplicada à pesquisa converge justamente para a necessidade de preservar a centralidade humana, a transparência, a privacidade, a segurança e a responsabilização. A IA pode ampliar capacidades de pesquisa, mas seus resultados não devem ser tratados como neutros ou automaticamente confiáveis (ALMEIDA; NAS, 2024; SAMPAIO; SABBATINI; LIMONGI, 2024).
Para empresas que contratam pesquisa qualitativa, isso cria uma nova pergunta: o que devemos exigir de um fornecedor que utiliza inteligência artificial em seus processos de pesquisa?
Ética começa antes da inteligência artificial
A chegada da IA não criou a necessidade de ética em pesquisa. Qualquer pesquisador minimamente bem formado sabe disso. Consentimento, privacidade, confidencialidade, proteção dos participantes e responsabilidade sobre os dados já eram questões fundamentais da atividade de pesquisa. O que a inteligência artificial faz é acrescentar novas camadas de complexidade a esses compromissos.
No Brasil, a Lei Geral de Proteção de Dados Pessoais (LGPD) estabelece princípios que alcançam o tratamento de dados pessoais realizado por organizações públicas e privadas. Entre eles estão finalidade, adequação, necessidade, transparência, segurança, prevenção e responsabilização. A lógica é importante: coletar dados não significa possuir liberdade irrestrita para utilizá-los. O tratamento precisa estar relacionado a propósitos determinados e deve se limitar ao necessário para alcançá-los (BRASIL, 2018).
Isso precisa ser considerado desde o desenho da pesquisa. Quem participa deve receber informações claras sobre a investigação e sobre a utilização de seus dados. Quando o consentimento for a base aplicável, ele precisa estar associado a finalidades determinadas; a própria LGPD estabelece que autorizações genéricas para tratamento de dados são nulas. A legislação também assegura ao titular informações sobre finalidade, duração do tratamento, responsabilidades e eventual compartilhamento dos dados (BRASIL, 2018).
Portanto, a pergunta ética não começa em “podemos colocar estes dados em uma IA?”. Começa antes:
Por que esses dados foram coletados?
Para qual finalidade?
Quem pode acessá-los?
Como serão tratados?
Por quanto tempo serão armazenados?
Como serão protegidos?
E o participante sabe o que acontecerá com aquilo que compartilhou?
Uma entrevista não é apenas um arquivo de áudio
Essa discussão se torna bastante concreta quando pensamos em pesquisa qualitativa. Uma entrevista em profundidade ou um grupo focal pode gerar horas de gravação. Ferramentas automatizadas de transcrição oferecem uma vantagem operacional evidente: reduzem significativamente o tempo necessário para transformar áudio em texto. Mas enviar uma gravação para uma plataforma externa também significa realizar uma operação com dados produzidos por participantes da pesquisa.
As diretrizes analisadas chamam atenção justamente para esse ponto: na utilização de ferramentas de IA para transcrição, a primeira preocupação deve ser a privacidade, a confidencialidade, o anonimato e a proteção dos dados dos participantes, sobretudo quando a plataforma pode utilizar as informações fornecidas para treinamento de seus próprios modelos. O documento também alerta para a possibilidade de erros de transcrição, especialmente diante de múltiplos falantes, sotaques, dialetos e determinadas condições de gravação (SAMPAIO; SABBATINI; LIMONGI, 2024). Esse exemplo revela algo maior:
Automatizar uma tarefa não transfere para a tecnologia a responsabilidade sobre essa tarefa.
Se uma empresa de pesquisa utiliza IA para transcrever uma entrevista, continua sendo responsabilidade da equipe verificar a qualidade da transcrição, preservar a confidencialidade dos participantes e avaliar se aquela ferramenta oferece condições adequadas para receber o material. O mesmo raciocínio vale para outras aplicações.
Dados de pesquisa não devem circular indiscriminadamente por ferramentas de IA
Um dos cuidados mais importantes está na escolha das próprias ferramentas. Antes de utilizar uma plataforma de inteligência artificial, é necessário compreender seus termos de serviço, políticas de privacidade e condições de segurança. Isso ocorre porque dados inseridos em determinados sistemas podem ser armazenados ou utilizados para aprimoramento e treinamento dos modelos (SAMPAIO; SABBATINI; LIMONGI, 2024).
Em pesquisa de mercado, a consequência prática é direta. Uma entrevista contendo nome, empresa, cargo, voz ou qualquer outra informação capaz de identificar uma pessoa não deveria simplesmente ser copiada para uma ferramenta generativa sem que tenham sido avaliadas as condições de proteção daquele ambiente.
As diretrizes analisadas recomendam não inserir dados pessoais, sensíveis ou confidenciais em sistemas de IA sem autorização adequada, preservar acordos de confidencialidade e realizar anonimização quando necessária antes do uso dessas ferramentas (UDESC, 2025; SAMPAIO; SABBATINI; LIMONGI, 2024).
A LGPD também diferencia dado pessoal de dado anonimizado e define anonimização como a utilização de meios técnicos pelos quais uma informação perde a possibilidade de associação direta ou indireta a um indivíduo (BRASIL, 2018). Para quem contrata uma pesquisa, portanto, proteção de dados não deveria ser apenas uma cláusula genérica da proposta comercial. É legítimo compreender como o fornecedor trabalha com armazenamento, acesso, anonimização, gravações e ferramentas externas durante todo o ciclo da investigação.
Inteligência artificial pode ajudar a analisar. Isso não significa que ela deva interpretar sozinha.
Existe ainda uma fronteira particularmente importante para a pesquisa qualitativa: a diferença entre processar informação e interpretar significado. Ferramentas computacionais conseguem localizar recorrências, aproximar semanticamente conteúdos, organizar grandes conjuntos de textos e apoiar a recuperação de informações. Sistemas baseados em modelos de linguagem e outras técnicas de inteligência artificial ampliam a capacidade de processar grandes volumes de dados, classificar conteúdos e identificar padrões (ALMEIDA; NAS, 2024).
Isso abre possibilidades relevantes para pesquisadores que trabalham com grandes volumes de material qualitativo. Mas encontrar padrões não é o mesmo que compreender integralmente aquilo que eles significam. Uma fala acontece em determinado contexto. Silêncios, contradições, ambiguidades, relações entre discurso e prática, referências culturais e diferenças entre grupos podem ser fundamentais para compreender uma experiência. É justamente nesse movimento que a pesquisa qualitativa transforma material empírico em interpretação.
Na Tendere, nossa abordagem parte da escuta para identificar padrões, valores e significados e, posteriormente, traduzir essa compreensão em estratégia. A inteligência artificial pode apoiar partes desse percurso. A responsabilidade interpretativa, porém, continua sendo humana. Isso não é uma rejeição à tecnologia. É uma delimitação metodológica de seu papel.
O risco da resposta que parece certa
Há outra razão para preservar essa supervisão. Sistemas de IA podem produzir respostas convincentes que não correspondem adequadamente às evidências disponíveis. Os documentos analisados destacam riscos relacionados a vieses, alucinações, fabricação de dados, privacidade e segurança (SAMPAIO; SABBATINI; LIMONGI, 2024). Além disso, sistemas treinados a partir de grandes conjuntos de dados podem reproduzir padrões e desigualdades presentes nesses próprios dados. Estudos discutidos por Lamb (2024), por exemplo, mostram como tecnologias de processamento de linguagem podem reproduzir vieses relacionados a gênero presentes nos materiais utilizados em seu treinamento (LAMB, 2024).
Para pesquisa de mercado, isso tem uma consequência metodológica importante: uma saída produzida por IA não pode ser tomada automaticamente como evidência. Ela precisa ser confrontada com o corpus da pesquisa. A questão não é apenas perguntar se a tecnologia encontrou determinado padrão, mas verificar onde esse padrão aparece, em quais falas, sob quais circunstâncias, com quais diferenças e quais evidências permitem sustentar aquela interpretação. Sem esse retorno ao material empírico, existe o risco de transformar uma ferramenta de apoio em uma espécie de autoridade analítica.
Eficiência não pode substituir rigor
A principal promessa da inteligência artificial para a pesquisa é compreensível: fazer mais, mais rapidamente. A literatura reconhece esse potencial. Nós reconhecemos esse pontencial. Tarefas que demoravam dias, hoje são feitas em minutos. A IA pode aumentar a produtividade dos pesquisadores e reduzir custos associados a determinadas atividades. Ao mesmo tempo, a opacidade de algumas ferramentas pode produzir problemas relacionados a discriminação, desinformação e perda de confiança nos resultados (ALMEIDA; NAS, 2024).
Por isso, eficiência e qualidade metodológica não podem ser tratadas como equivalentes. Uma análise realizada rapidamente não é necessariamente uma análise melhor. Uma síntese produzida automaticamente não é necessariamente uma síntese válida. E uma ferramenta capaz de gerar uma interpretação não possui, por esse motivo, autoridade metodológica para decidir se aquela interpretação é adequada.
As IAs podem potencializar as capacidades humanas sem substituí-las, preservando pensamento crítico, autonomia intelectual, supervisão humana e decisões finais realizadas por pessoas (UDESC, 2025). Esse princípio é particularmente relevante quando resultados de pesquisa serão transformados em decisões empresariais.
Então, o que uma empresa deve exigir de um fornecedor de pesquisa?
A discussão sobre ética em pesquisa na era da inteligência artificial pode parecer técnica, mas algumas perguntas bastante objetivas ajudam uma empresa contratante a avaliar seus fornecedores:
Como os participantes são informados sobre a pesquisa e sobre o tratamento de seus dados?
Como gravações, transcrições e demais materiais são armazenados e protegidos?
Quem tem acesso aos dados brutos?
Existem procedimentos de anonimização ou pseudonimização?
As políticas de privacidade e segurança dessas ferramentas são avaliadas antes de sua utilização?
Em quais etapas da pesquisa a IA é utilizada?
Os resultados produzidos com apoio de IA são verificados pela equipe de pesquisa?
Quem realiza a interpretação final das evidências e responde metodologicamente pelas conclusões apresentadas?
Essas perguntas não significam que um bom fornecedor de pesquisa não possa utilizar inteligência artificial. Significam justamente o contrário: quem utiliza essas tecnologias profissionalmente precisa saber explicar onde, como e por que as utiliza — e quais limites estabelece para seu uso. Transparência e responsabilização estão entre os princípios recorrentes nos referenciais contemporâneos de IA responsável (ALMEIDA; NAS, 2024; SAMPAIO; SABBATINI; LIMONGI, 2024).
Tecnologia muda. Responsabilidade permanece.
A inteligência artificial continuará transformando a pesquisa. Novas ferramentas surgirão, tarefas hoje complexas provavelmente serão automatizadas e capacidades analíticas continuarão avançando. Por isso, talvez não seja suficiente estabelecer uma lista definitiva de ferramentas permitidas ou proibidas. Os próprios referenciais sobre IA responsável apontam para a necessidade de monitoramento contínuo, transparência e mecanismos institucionais de supervisão (ALMEIDA; NAS, 2024; SAMPAIO; SABBATINI; LIMONGI, 2024). Existe, entretanto, um princípio que permanece relativamente simples: a tecnologia pode apoiar a pesquisa; a responsabilidade pela pesquisa continua sendo humana.
Na pesquisa de mercado, isso significa proteger quem participa, tratar seus dados de acordo com finalidades legítimas, preservar confidencialidade, compreender os limites das ferramentas utilizadas, verificar seus resultados e manter pesquisadores responsáveis pela interpretação das evidências e pelas conclusões apresentadas.
Na Tendere, entendemos pesquisa como um processo que combina método, escuta, interpretação cultural e responsabilidade. Nossa atuação parte justamente da compreensão de que dados brutos não são suficientes: é preciso compreender comportamentos, contextos e cultura para transformá-los em inteligência estratégica.
A inteligência artificial pode ampliar nossa capacidade de trabalhar com informação. Mas decidir o que essa informação significa, e responder pelas consequências dessa interpretação, continua sendo uma tarefa humana.
Nota de transparência sobre o uso de Inteligência Artificial: Para a elaboração inicial deste artigo, foi utilizada uma ferramenta de Inteligência Artificial Generativa como apoio ao cruzamento dos materiais bibliográficos previamente selecionados, à organização dos argumentos e à estruturação textual. A definição do tema, a seleção das fontes e a revisão, edição e validação do conteúdo publicado foram realizadas sob responsabilidade humana.
Referências
ALMEIDA, Virgílio; NAS, Elen. Desafios da IA responsável na pesquisa científica. Revista USP, São Paulo, n. 141, p. 17-28, abr./maio/jun. 2024.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF, 2018.
LAMB, Luís C. Ética em IA e IA ética: prolegômenos e estudo de casos significativos. Revista USP, São Paulo, n. 141, p. 107-120, abr./maio/jun. 2024.
SAMPAIO, Rafael Cardoso; SABBATINI, Marcelo; LIMONGI, Ricardo. Diretrizes para o uso ético e responsável da Inteligência Artificial Generativa: um guia prático para pesquisadores. São Paulo: Editora Intercom, 2024.
UNIVERSIDADE DO ESTADO DE SANTA CATARINA — UDESC. Biblioteca Universitária. Guia para uso ético da inteligência artificial generativa. Organização e elaboração de Luciana Mara Silva e Dayane Dornelles. Florianópolis: Udesc, 2025.
Comentários