A Aaru, uma startup de inteligência artificial fundada em 2024, desafia o mercado de pesquisa tradicional com uma proposta contraintuitiva: pedir que seus clientes não confiem nela. Segundo reportagem da Fortune, o fundador e presidente Ned Koh, de 21 anos, utiliza essa postura cética como pilar de vendas, argumentando que a capacidade da empresa de prever resultados reais supera a coleta de dados baseada em respostas humanas.
O caso da eleição primária de Nova York ilustra a tese da companhia. Ao simular o comportamento de quase 2 milhões de eleitores por meio de agentes digitais alimentados por dados de consumo e demografia, a Aaru obteve uma margem de erro de apenas 2 mil votos em relação ao resultado final. Para Koh, o sucesso reside em focar em comportamentos observáveis, em vez de intenções declaradas.
A falha estrutural das pesquisas humanas
A estratégia da Aaru ataca o chamado "gap entre intenção e comportamento", um fenômeno amplamente estudado na psicologia. Koh argumenta que, em pesquisas de opinião, os seres humanos tendem a mentir ou omitir informações, seja por desejo de autoafirmação ou por vergonha, o que contamina os dados coletados. Ao treinar seus modelos em resultados concretos, como histórico de compras e registros de entrega, a startup busca contornar esse viés.
Um exemplo citado pela empresa envolve um estudo da Ernst & Young sobre gestão de patrimônio. Enquanto 82% dos entrevistados afirmaram que manteriam o gestor de seus pais, a retenção real no mercado é de apenas 20% a 30%. A simulação da Aaru, operando de forma cega, chegou a 40%, aproximando-se mais da realidade do que a pesquisa humana. A empresa sugere que, ao eliminar o filtro da consciência humana, o modelo consegue capturar a verdadeira dinâmica das escolhas.
Mecanismos e a validação do mercado
A metodologia da Aaru organiza milhares de agentes de IA em populações estatisticamente representativas, atribuindo a cada um características como idade, renda e localização. O diferencial, segundo o fundador, é a base de treinamento: dados de comportamento, não de opinião. Isso permite que a empresa colabore com marcas como McDonald's, Bayer e Spindrift, auxiliando em inovações de produto que exigem previsões sobre categorias inexploradas.
O interesse de grandes players valida o modelo, mas a empresa mantém cautela sobre suas limitações. Koh admite que a startup não consegue prever comportamentos de figuras públicas complexas, como Donald Trump ou Jerome Powell, devido ao alto nível de variância. A transparência sobre o que o modelo não pode fazer reforça a estratégia de vendas baseada na desconfiança, forçando o cliente a testar a ferramenta com dados históricos antes da implementação.
Riscos éticos e viés algorítmico
O uso de IA para mitigar o viés humano traz, inevitavelmente, o risco de introduzir vieses algorítmicos. Pesquisas acadêmicas indicam que modelos de linguagem podem produzir representações "achatadas" de grupos marginalizados, baseando-se em estereótipos presentes nos dados de treinamento. Koh defende que sua abordagem é mais objetiva por focar em ações concretas, mas a falta de detalhamento sobre a arquitetura da empresa deixa questões em aberto para reguladores e especialistas.
A dependência de "dados de segunda ordem", como histórico de compras e registros digitais, levanta debates sobre privacidade e o nível de vigilância necessário para alimentar tais modelos. À medida que a Aaru escala, a pressão por maior explicabilidade técnica sobre como seus agentes tomam decisões se tornará inevitável, especialmente em setores sensíveis como saúde e finanças.
O futuro da previsão comportamental
Com uma avaliação de US$ 1 bilhão alcançada em uma rodada liderada pela Redpoint Ventures, a Aaru prova que o mercado está disposto a apostar na substituição da opinião humana pela modelagem algorítmica. O desafio para os próximos anos será provar que a precisão demonstrada em cenários controlados se mantém em contextos sociais mais voláteis e imprevisíveis.
O setor de pesquisa de mercado observa atentamente se a estratégia de desconfiança de Koh é uma tática de marketing brilhante ou uma necessidade real diante da opacidade dos modelos. A transição da coleta de dados declarativos para a simulação comportamental redefine o que significa entender o consumidor, mas a eficácia a longo prazo dessa mudança ainda depende de validações externas rigorosas.
Com reportagem de Brazil Valley
Source · Fortune
