Três empresas, três definições diferentes de "persona sintética"

O mesmo nome, três produtos diferentes

"Persona sintética" virou um termo guarda-chuva. Três organizações publicaram dataset aberto com esse rótulo, e um exame direto mostra que elas não estão descrevendo a mesma coisa. Isso importa na prática: escolher a base errada para o problema errado é o erro mais comum de quem tenta simular cliente com IA.

Nemotron-Personas-Brazil (NVIDIA): distribuição demográfica

Um milhão de registros, cada um com idade, escolaridade, ocupação e município ancorados em dado real do IBGE. O texto narrativo (persona, subpersonas profissional/esportiva/artística) é gerado por LLM, mas a distribuição estatística por trás é calibrada contra censo oficial. Serve para responder "que perfil demográfico plausível existe neste município", não para simular uma conversa. É o único dos três que este site já usa em produção, em /geo-cx-municipal e no gerador de hipótese de reação de cliente. Licença CC BY 4.0.

MatrAIx-Persona-8B: schema de perfil, não uma base de pessoas

Aqui "persona" significa outra coisa: um schema de 1.290 campos categóricos (idade, personalidade, habilidade técnica, hobbies, entre outros) que descreve um indivíduo com detalhe extremo. O dataset restrito por trás desse schema (licença research-only, fora de uso comercial) gera 1 milhão de perfis preenchidos parcialmente nesses 1.290 campos. Como já mostrado neste site, só 26% dessas dimensões tocam algo parecido com comportamento, e o resto é contexto. Não é uma base de pessoas reais nem sintéticas prontas para uso comercial: é uma taxonomia de campos, e é só essa taxonomia (nunca o dataset) que a DNACX usa, no Gerador de Perfil de Comprador B2B e no Simulador de Objeção de Vendas.

Synthetic-Persona-Chat (Google): duas personas e uma conversa

O terceiro sentido é o mais diferente dos três. Aqui uma "persona" é um punhado de frases curtas e casuais ("jogo videogame o dia todo", "tenho faixa preta de karatê"), e o dataset entrega, para cada par de personas, uma conversa completa e natural entre elas. Não há calibração demográfica nenhuma: as personas são inventadas, sem ancoragem em censo ou pesquisa real, e o conteúdo é conversa social genérica, não atendimento. O valor do dataset está no PAR persona-mais-diálogo, útil para quem treina um chatbot a manter consistência de personagem ao longo de uma conversa, não para quem quer saber a distribuição demográfica de um público. Licença CC BY 4.0, sem nenhuma restrição adicional. É a mais permissiva dos três.

Lado a lado

Por que a confusão custa caro

Usar o dataset errado para a pergunta certa produz erro sutil, não erro óbvio. Pedir distribuição demográfica ao Synthetic-Persona-Chat não funciona, porque ele não tem nenhuma. Pedir uma conversa fluida ao Nemotron-Personas-Brazil também não funciona, porque ele não gera diálogo. E tratar o MatrAIx-Persona-8B como se fosse uma base de pessoas prontas ignora que o dataset em si tem licença que proíbe uso comercial. Só o desenho dos 1.290 campos é livre para reaproveitar.

A pergunta que decide qual dos três serve não é "qual tem mais dado", é "o que eu preciso simular: uma população, um indivíduo detalhado, ou uma conversa".