Na Conferência Mundial de Inteligência Artificial de 2026, quase todos os pavilhões estavam repletos de discursos de agentes inteligentes. M...
Na Conferência Mundial de Inteligência Artificial de 2026, quase todos os pavilhões estavam repletos de discursos de agentes inteligentes. Mais de 1.100 empresas ocupavam uma área de exposição superior a 100 mil metros quadrados, e muitos estandes afirmavam possuir sistemas capazes de planejar, agir, colaborar e concluir tarefas.
Para os negócios, porém, uma questão mais espinhosa passava despercebida: quando o acesso a modelos se tornar difundido, como um agente inteligente pode compreender plenamente o cliente para apoiar decisões de produto, marketing, pesquisa e desenvolvimento ou design?
A Tezign apresentou uma resposta em seu estande: o Modelo de Mundo Subjetivo, abreviado como SWM.
O artigo original descreve o SWM como uma "leitura da mente" da IA. Essa expressão deve ser entendida como uma metáfora. O sistema não lê pensamentos privados de fato. Ele tenta estimar os padrões estáveis que as pessoas exibem ao se expressarem, explicarem suas escolhas, ponderarem diferentes valores e se comportarem sob restrições.
A arquitetura sustenta o agente de pesquisa em IA da Tezign, o Atypica, usado para gerar e entrevistar personalidades de IA. Em seguida, a Tezign conecta a camada de compreensão do consumidor ao seu Agente Empresarial Generativo, visando transformar insights de pesquisa em ações de negócio.
O modelo é construído em torno de uma observação simples, porém importante: as preferências que as pessoas verbalizam nem sempre coincidem com os fatores que realmente impulsionam suas decisões.
O SWM parte de uma descoberta comum na psicologia do consumidor e na economia comportamental: as preferências declaradas podem diferir sistematicamente das preferências reveladas.
Um cliente pode dizer que o preço é o fator mais importante, mas repetidamente escolher um produto mais caro devido a confiança, status, conveniência, familiaridade, ambiente social ou risco percebido.
Questionários capturam o que as pessoas conseguem ou optam por relatar. Uma compra captura um resultado visível. Nenhuma dessas fontes revela necessariamente o processo completo de tomada de decisão.
A solução proposta pela Tezign é um sistema de modelagem heterogênea de quatro camadas. Cada camada é treinada com diferentes tipos de dados e objetivos distintos, e todas atuam em conjunto durante a inferência.
As quatro camadas são:
![A imagem mostra a arquitetura do Modelo de Mundo Subjetivo (Subjective World Model) da Tezign Technology. O modelo é baseado em dados de 1 milhão de usuários reais globalmente, incluindo quatro camadas: Expressão, Narrativa, Cognitiva e Comportamental. A camada de Expressão envolve como se apresentar e expressar, a camada de Narrativa foca no desenvolvimento de motivações na narrativa pessoal, a camada Cognitiva explora a ponderação de valor, risco e trade-offs, e a camada Comportamental reflete como as tendências internas se convertem em ações. À direita, são listados detalhadamente as fontes de dados e objetivos de cada camada, como a camada de Expressão com fontes de dados de redes sociais, corpus de expressão multiplataforma, etc., visando entender como as pessoas se expressam.](https://we0-cms.oss-cn-beijing.aliyuncs.
A Tezign apresenta o SWM como uma estrutura para modelar pessoas, em vez de um modelo de linguagem geral maior. Grandes modelos de linguagem ainda fazem parte do sistema ao redor, mas o estado da persona não depende apenas de um prompt que instrui o modelo a "interpretar" um cliente específico.
A Camada de Expressão utiliza grandes volumes de dados linguísticos de plataformas sociais e outros ambientes de comunicação nativa.
Seu objetivo é mapear padrões de linguagem em características demográficas e psicológicas. O sistema pode analisar:
Do ponto de vista técnico, o artigo original descreve isso como uma tarefa de aprendizado de representação supervisionada.
O histórico textual do usuário serve como entrada, enquanto rótulos de perfil ou outros atributos conhecidos fornecem o sinal de supervisão. Após o treinamento, usuários com características relacionadas formam aglomerados no espaço de incorporação.
A representação final resultante serve como âncora da persona para as camadas subsequentes.
Entrevistas em profundidade contêm informações mais ricas do que postagens sociais, mas são caras e geram dados esparsos. A linguagem social é mais fácil de coletar em escala.
O método da Tezign usa a Camada de Expressão como uma ponte entre ambas. Um pequeno número de personas estudadas em profundidade pode ser associado a grupos maiores com padrões de linguagem pública semelhantes.
O artigo original sugere que esta camada não é a principal barreira competitiva, pois dados sociais podem ser obtidos em larga escala. Seu valor reside em fornecer uma base de distribuição para a camada de narrativa, que é mais cara.
A linguagem não é uma janela neutra para a identidade.
As pessoas apresentam diferentes versões de si mesmas em diferentes plataformas, usam ironia, imitam tendências, compartilham contas, mudam ao longo do tempo e ajustam o tom de acordo com a audiência. Inferir características demográficas ou psicológicas a partir da linguagem também pode introduzir vieses e riscos de privacidade.
Portanto, sistemas de produção precisam estabelecer regras claras que abranjam:
As incorporações podem estimar similaridades, mas não podem provar a identidade, motivação ou comportamento futuro de uma pessoa.
A Camada de Narrativa utiliza entrevistas longas, individuais.
De acordo com a Tezign, seus dados de treinamento incluem dezenas de milhares de horas de entrevistas em profundidade. Uma entrevista típica dura de uma a duas horas e, dependendo do idioma e do formato de transcrição, pode gerar entre 5.000 e 20.000 caracteres ou palavras de material não estruturado.
Seu objetivo não é a classificação comum ou a previsão da próxima palavra, mas sim reconstruir a estrutura causal temporal por trás das decisões.
Uma sequência simplificada pode incluir:
Formação da consideração
3. Comparação e conflito
4. Ponto de decisão
5. Interpretação pós-compra
Imagine dois clientes que compraram a mesma máquina de café de alto padrão.
Um pode ser motivado pela conveniência. Outro pode desejar controle sobre a qualidade. Um terceiro pode vê-la como parte de uma nova identidade após uma mudança de emprego ou de casa.
O comportamento de compra visível é idêntico, mas seus mapas motivacionais são completamente diferentes.
A teoria sugere que entrevistas reais contêm uma consistência causal entre contextos.
Uma mesma pessoa pode descrever diferentes compras com linguagens distintas, mas estruturas motivacionais recorrentes podem emergir por trás dessas histórias. Um cliente que evita fortemente o arrependimento pode exibir essa tendência ao escolher eletrônicos, seguros, viagens e cuidados de saúde.
O SWM tenta reconhecer esses padrões repetitivos como características motivacionais.
A Camada de Narrativa é vista como o ativo de dados mais difícil de replicar neste sistema, pois requer entrevistas longas, questionamentos cuidadosos, transcrição, interpretação e acúmulo contínuo.
A teoria apresenta um argumento forte: dados de entrevistas sintéticas falham neste nível, pois personas virtuais geradas podem não manter um estado interno estável em contextos não relacionados.
Esta afirmação deve ser entendida como uma proposição técnica da Tezign, não uma limitação universal de todos os sistemas de modelos de linguagem.
Aplicações modernas de grandes modelos de linguagem podem manter estado através de janelas de contexto, sistemas de memória, arquivos estruturados, recuperação e bancos de dados externos. No entanto, personas virtuais geradas ainda podem fornecer respostas aparentemente plausíveis, mas que carecem do respaldo de um histórico comportamental consistente de uma pessoa real.
Portanto, a distinção relevante não é simplesmente grande modelo de linguagem vs. não grande modelo de linguagem, mas sim:
O SWM tenta ancorar as personas virtuais em entrevistas observadas e testá-las contra dados cognitivos e comportamentais independentes.
A Camada Cognitiva simula como uma pessoa pondera valores e riscos.
Seus dados podem incluir:
Esta camada visa estimar um vetor de pesos de valor e coeficientes relacionados à preferência de risco.
Aqui está onde o sistema tenta quantificar a lacuna — isto é, a diferença entre o que uma pessoa diz considerar importante e os fatores que realmente influenciam suas decisões.
Por exemplo, um cliente pode classificar a sustentabilidade como uma prioridade alta em uma pesquisa, mas na hora da compra, prioriza consistentemente preço e conveniência. O sistema não necessariamente considera o resultado da pesquisa como falso, mas estima como esse valor declarado compete com outros em condições reais.
O objetivo não é simplesmente atribuir um rótulo amplo, como "forte consciência ambiental" ou "aversão a risco".
A saída esperada se aproxima mais de um
perfil de decisão ponderado:
A camada de enredo fornece evidências narrativas, enquanto a camada cognitiva realiza uma calibração estruturada das prioridades declaradas e inferidas do indivíduo.
As medições psicológicas são sempre incompletas e dependentes do contexto. Elas devem servir à construção do modelo, e não se tornar julgamentos permanentes ou determinísticos sobre o indivíduo.
A camada comportamental testa se as três camadas anteriores conseguem prever ações reais.
Suas entradas incluem dados de experimentos de jogos econômicos e registros de transações reais, dentro dos limites legais e éticos.
As fontes mencionam os seguintes jogos e parâmetros comportamentais:
Essas tarefas colocam os participantes sob restrições claras, exigindo que aloquem recursos, cooperem, confiem em outros, aceitem ofertas desiguais ou escolham entre valor imediato e atrasado.
Os dados comportamentais resultantes podem ser comparados com as declarações dos indivíduos em entrevistas ou questionários.
Quando novas decisões são semelhantes a dados históricos, a correspondência de padrões históricos funciona melhor.
Novos produtos podem não ter precedentes diretos, e o cliente pode nunca ter comprado um item dessa categoria.
A camada comportamental tenta generalizar por meio de tendências comportamentais mais fundamentais. Se o perfil da persona tiver um padrão estimado de aversão à perda, preferência temporal e sensibilidade a normas sociais, o modelo pode invocar esses parâmetros ao simular respostas a novos cenários.
É por isso que a fonte explica o valor do SWM em pesquisas de produtos iniciais, quando faltam dados históricos de vendas.
Os parâmetros comportamentais são probabilísticos. Eles devem ser usados para estimar a distribuição de respostas possíveis, e não para afirmar o comportamento determinado de um indivíduo.
Após o treinamento, o SWM mantém um estado de persona conjunto que inclui:
Quando um pesquisador faz uma nova pergunta (por exemplo, "O que você acha deste design de embalagem?"), cada camada contribui com uma parte diferente da resposta.
A camada expressiva influencia o vocabulário, o tom e o estilo emocional.
A camada de enredo recupera motivações relevantes e padrões de decisão anteriores.
A camada cognitiva ajusta a diferença entre os valores autorrelatados e os priorizados pelo modelo.
A camada comportamental injeta tendências estáveis que podem ser transferidas para produtos ou situações desconhecidas.
O efeito esperado é gerar personas de IA que mantenham consistência interna em entrevistas subsequentes.
A fonte compara esse método diretamente com personas geradas por modelos de linguagem de uso geral. Em termos técnicos…
Comparação precisa:
| Persona por prompt direto | Persona estruturada no estilo SWM |
|---|---|
| O estado pode existir apenas no prompt ou sessão atual | O estado da persona é explicitamente representado em várias camadas de modelagem |
| Geralmente otimizado para respostas aparentemente razoáveis | Visa reproduzir padrões comportamentais mensuráveis |
| Consistência depende do design do prompt e da memória | Consistência é suportada por uma representação persistente da persona |
| A validação pode ser qualitativa | A validação inclui comparação comportamental e jogos econômicos |
| Fácil de criar em grande escala | Coleta de dados e calibração têm custo mais alto |
A diferença não está na capacidade do modelo de linguagem de manter estado, mas sim no fato de que o SWM visa tratar o estado da persona como um objeto de primeira classe e mensurável, em vez de um resultado implícito do prompt.
A Atypica é um agente de pesquisa de consumo baseado no Modelo de Mundo Subjetivo.
Seu ambiente de avaliação GameLab faz com que participantes humanos e personas de IA completem os mesmos jogos de economia comportamental e, em seguida, compare as decisões geradas.
A plataforma inclui formatos de jogo como Dilema do Prisioneiro e Caça ao Cervo. Esses experimentos testam cooperação, traição, coordenação, confiança e adaptação estratégica em múltiplas rodadas.
Uma interface de análise separada compara vários modelos de linguagem e sistemas de personas por tipo de jogo.
A fonte relata os seguintes dados do produto:
O site público atual da Atypica relata separadamente mais de 300 mil personas de IA, mais de 1 milhão de entrevistas e tempo de conclusão de pesquisa inferior a 30 minutos.
Esses são indicadores de produto relatados pelo fornecedor. Os materiais públicos revisados neste artigo não fornecem detalhes metodológicos suficientes para replicar independentemente o dado de 85% de precisão.
Antes de confiar em um sistema de personas para tomar decisões importantes, as organizações devem perguntar:
Isso é um grupo de avaliação?
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
Esse número só faz sentido quando o denominador da pontuação, o protocolo, os intervalos de confiança e os cenários de implantação estão claros.
O SWM é projetado para o lado que entende o consumidor no fluxo de trabalho.
O Agente Empresarial Generativo da Tezign visa conectar essa compreensão à execução.
Esses dois sistemas formam um ciclo mais amplo:
O sistema começa com os objetivos de negócio, e não com prompts técnicos.
A empresa pode solicitar que ele:
A camada de intenção transforma objetivos em tarefas estruturadas.
A camada de orquestração é impulsionada pelo Modelo de Raciocínio Criativo da Tezign.
A Tezign descreve este modelo como primeiro divergente: ele primeiro expande várias rotas possíveis, depois julga, seleciona e organiza a execução.
Ele não converge imediatamente para uma resposta, mas avalia várias combinações, incluindo:
O modelo então seleciona ferramentas, modelos e agentes para a rota escolhida.
A camada de execução invoca habilidades modulares para realizar trabalhos específicos.
A Tezign relata já possuir mais de 400 módulos de habilidades, cobrindo áreas como insights do consumidor, criação de conteúdo, análise de dados, avaliação criativa e verificação de consistência de marca.
De acordo com materiais da empresa, o sistema pode coordenar mais de 30 modelos fundamentais em uma única tarefa.
A arquitetura de habilidades modulares permite que a plataforma direcione diferentes subtarefas para modelos distintos, em vez de esperar que um único modelo fundamental tenha o mesmo desempenho em todas as operações.
O sistema de contexto fornece uma memória empresarial contínua.
Ele pode organizar:
A Tezign descreve isso como a única fonte de conhecimento da empresa.
A verdade.
Seu objetivo é reduzir o desvio de contexto em fluxos de trabalho de longo prazo. Os agentes podem referenciar os padrões reais da organização, em vez de depender apenas do conhecimento de modelos genéricos ou de prompts reinseridos.
O artigo original aponta que o GEA já foi aplicado nas áreas de pesquisa do consumidor, marketing de conteúdo, inovação de produto e design.
A Tezign relata que o sistema:
Estes dados provêm dos próprios materiais de produto e marketing da Tezign.
A ideia arquitetônica maior é: o agente empresarial não deve parar de trabalhar após gerar um relatório ou ativo criativo. Ele deve reter o contexto, observar o feedback e continuar a impulsionar os objetivos de negócio.
Este objetivo é mais árduo do que simplesmente adicionar interfaces de modelos de linguagem grande ao software existente.
Requer:
Sem esses controles, a persistência, ao mesmo tempo que amplifica o aprendizado eficaz, também pode amplificar erros.
O artigo original acredita que a arquitetura de quatro camadas em si pode ser replicada.
A suposta barreira competitiva reside nos dados acumulados na camada de história: dados de entrevistas de longa duração ao longo de anos, associados a medições cognitivas e experimentos comportamentais.
O poder computacional pode treinar modelos mais rapidamente, mas não pode reconstruir instantaneamente uma década de dados de entrevistas com pessoas reais.
Este é o argumento comercial central por trás do SWM:
Os modelos universais se tornarão amplamente difundidos, enquanto o contexto de domínio proprietário e validado continuará sendo um diferencial para sistemas empresariais.
A mesma lógica se reflete na arquitetura GEA da Tezign. Os modelos fundamentais podem ser substituídos ou combinados, mas o histórico de pesquisa, os padrões de marca, as regras de decisão e os resultados acumulados da organização são muito mais difíceis de replicar.
Mas isso não significa que conjuntos de dados proprietários tenham vantagem inerente.
Sua qualidade depende de:
Grandes conjuntos de dados históricos podem ser um ativo de juros compostos. Mas se o processo de coleta não for rigoroso, também podem se tornar uma fonte de amplificação de viéses.
O SWM propõe uma arquitetura interessante que funde linguagem, narrativa, psicometria e dados comportamentais.
Ainda existem várias questões cruciais para uma avaliação independente.
Os materiais públicos descrevem a arquitetura e relatam métricas principais de produto, mas ainda não fornecem um artigo técnico completo, especificações de conjuntos de dados, protocolos de treinamento ou benchmarks reproduzíveis.
A avaliação independente ajuda a esclarecer onde o método supera:
Personagens calibrados em cenários de decisão de bens de consumo podem não ser aplicáveis a áreas como saúde, finanças, emprego ou comportamento político.
O modelo deve ser avaliado separadamente para cada categoria, cultura, idioma e tipo de decisão.
Quando existem múltiplas respostas razoáveis, a simulação não deve retornar apenas uma resposta determinística.
Saídas úteis podem incluir:
As simulações de consumidores podem envolver inferências altamente sensíveis.
As organizações precisam saber se os indivíduos consentiram com a coleta e modelagem de seus dados de entrevistas, sociais, psicológicos e transacionais. Além disso, precisam de mecanismos de controle para evitar que o sistema tome decisões proibidas ou discriminatórias.
Personagens de IA ajudam a gerar hipóteses, testar ideias sob pressão e reduzir o número de opções que exigem pesquisa de campo cara.
Mas eles não devem substituir automaticamente clientes reais em estudos de alto impacto.
A participação humana continua sendo crucial quando:
O maior valor dos consumidores simulados pode ser refinar as perguntas feitas a pessoas reais, em vez de removê-las do processo de pesquisa.
O artigo conclui com uma afirmação macro sobre a IA empresarial.
Na primeira fase da aplicação, a vantagem competitiva muitas vezes vinha da aquisição de modelos poderosos e sua integração rápida.
Esta vantagem está diminuindo. As APIs de modelos fundamentais estão se tornando cada vez mais substituíveis em muitas tarefas padrão, e as empresas podem distribuir o trabalho entre vários provedores.
A próxima rodada de diferenciação competitiva será mais profunda:
O SWM tenta transformar a compreensão do consumidor em um ativo tecnológico reutilizável.
O GEA tenta transformar essa compreensão em um ciclo de execução.
Na Conferência Mundial de Inteligência Artificial, a palavra-chave mais chamativa foi "leitura mental". Mas a proposta mais realista tem menos magia e mais utilidade: combinar múltiplas evidências humanas, manter estados de personagem claros, testar através do comportamento e conectar os resultados aos fluxos de trabalho empresariais.
![A imagem mostra o estande da Tezign na Conferência Mundial de Inteligência Artificial (WAIC) de 2024, repleto de visitantes.]
No topo do estande, há o logotipo "Tezign" ao lado de "360° Enterprise". No centro, há uma instalação semelhante a um farol com o nome "Tezign" e a inscrição "2024 Conferência Mundial de Inteligência Artificial" na base. Ao lado da instalação, há uma tela verde exibindo conteúdo dinâmico relacionado. O estande é decorado com plantas verdes ao redor, e ao fundo é possível ver textos como "Wenzhou Tecnologia". Esta imagem corresponde ao conteúdo do documento sobre a conferência WAIC e o estande da Tezign.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/7cc949af-95c8-4a41-81d4-75eb95468f59-83989fd9-6d02-434c-a702-8c5bbfff9571.jpeg)
O Modelo de Mundo Subjetivo (Subjective World Model, SWM) é uma estrutura de modelagem usada para analisar como as pessoas expressam a si mesmas, explicam escolhas, ponderam valores e tomam decisões sob restrições. Esse modelo sustenta o fluxo de trabalho de criação de personas de IA e pesquisa de consumidores da Atypica.
Não. A "leitura de mentes" é apenas uma metáfora da mídia. O sistema estima padrões psicológicos e comportamentais com base em linguagem, entrevistas, questionários, experimentos e outros dados disponíveis.
A arquitetura de quatro camadas inclui: Camada de Expressão, Camada de Narrativa, Camada Cognitiva e Camada Comportamental. Elas representam, respectivamente, estilo de linguagem, jornada motivacional, ponderação de valores e riscos, e tendências comportamentais.
Personas comuns de prompt dependem principalmente de instruções e contexto de diálogo. Já as personas do SWM constroem estados explícitos e persistentes com base em diversos dados de medição, sendo avaliadas por meio de tarefas comportamentais.
O GameLab é um ambiente de avaliação usado para comparar as decisões de personas de IA com as de participantes humanos em jogos de economia comportamental. O objetivo é medir e calibrar o alinhamento do comportamento das personas com as referências humanas.
GEA significa Agente Empresarial Generativo (Generative Enterprise Agent). É a arquitetura de agente empresarial da Tezign, que inclui uma camada de intenção, orquestração de modelos de raciocínio criativo, habilidades modulares de agente e um sistema de contexto persistente.
Esse dado tem origem em relatos originais e materiais da Tezign, mas as informações públicas revisadas neste artigo não fornecem um protocolo de avaliação totalmente reproduzível. Recomenda-se que as organizações solicitem definições de referência, tamanhos de amostra, linhas de base e resultados específicos por domínio.
As personas de IA podem ajudar a gerar hipóteses, comparar conceitos e realizar testes iniciais frequentes. No entanto, em cenários de pesquisa de alto impacto, culturalmente sensíveis, regulamentados ou sub-representados, não devem substituir automaticamente participantes reais.
O Modelo de Mundo Subjetivo da Tezign busca aprimorar a simulação de consumidores ao integrar quatro camadas de evidência: expressão, narrativa, cognição e comportamento. As personas resultantes visam manter um estado interno estável e respostas consistentes em perguntas subsequentes e cenários desconhecidos.
A Atypica transforma esse modelo em um fluxo de trabalho de pesquisa e utiliza jogos comportamentais para comparar as decisões das personas de IA com as referências humanas. Em seguida, o GEA conecta a compreensão do consumidor ao planejamento empresarial, orquestração de modelos, habilidades de agente e contexto comercial persistente.
A arquitetura é promissora, mas sua precisão central, transferibilidade, medidas de privacidade e impacto comercial exigem protocolos transparentes e avaliações independentes. Os resultados relatados pelos fornecedores devem ser vistos como evidências para testes adicionais, e não como provas universalmente aplicáveis.
A ideia central por trás do Modelo de Mundo Subjetivo não é a leitura literal de mentes — mas sim transformar a compreensão do consumidor de prompts pontuais para um ativo empresarial mensurável, com estado persistente e continuamente reutilizável.
Comece com uma frase e tenha um site completo em minutos.
