Em 1936, uma revista americana chamada Literary Digest despachou dez milhões de cartões pelo correio para prever quem venceria a eleição presidencial. Recebeu 2,4 milhões de volta. Foi a maior pesquisa de opinião já feita até então, e cravou vitória folgada de Alf Landon sobre Franklin Roosevelt. Roosevelt ganhou em 46 dos 48 estados. A Digest fechou as portas dois anos depois.
Na mesma eleição, um sujeito chamado George Gallup ouviu cerca de cinquenta mil pessoas e acertou. A diferença não estava no tamanho da amostra. Estava em quem foi ouvido. A Digest tirou seus nomes de listas de donos de telefone e automóvel, gente com dinheiro, num país onde a maioria era pobre e votaria em Roosevelt. Gallup ouviu muito menos, mas ouviu gente representativa. Nascia ali a ideia que sustenta quase um século de ciência social: você não precisa falar com todo mundo, precisa falar com as pessoas certas.
Por noventa anos, “as pessoas certas” foram, obrigatoriamente, pessoas. Até alguém perguntar se elas precisavam existir.
O indivíduo
Em 2022, um grupo da Brigham Young University publicou um paper com um título que parece um trocadilho filosófico: Out of One, Many. De um, muitos. A pergunta era simples e meio absurda. Se você pega um modelo de linguagem e o condiciona com o perfil de uma pessoa real, idade, renda, religião, ideologia, região, ele responde como aquela pessoa responderia? Não uma pessoa. Uma população inteira, um perfil de cada vez.
A resposta foi sim, com uma precisão que incomoda. Quando os autores injetavam nos modelos as características demográficas de eleitores americanos reais e pediam que opinassem, as distribuições de resposta reproduziam padrões de dados de survey de verdade. Republicanos sintéticos soavam como republicanos. A correlação entre grupos aparecia sozinha. Eles deram um nome a isso: fidelidade algorítmica. A ideia de que o modelo não devolve uma média genérica, e sim a textura correta de um grupo social específico.
Batizaram o método de silicon sampling. Amostragem de silício. Gallup ligava para casas. Aqui, você “liga” para um perfil, e do outro lado atende uma projeção estatística de quem aquela pessoa provavelmente é. É o R1 do Protocolo Syntropic, a projeção individual, e é daqui que tudo parte.
A decisão
Opinião é uma coisa. Comportamento é outra, mais dura de arrancar. Foi o que John Horton, do MIT, foi atrás no mesmo ano, num paper de título que virou apelido do campo inteiro: homo silicus.
Horton não perguntou o que o modelo achava. Colocou o modelo para jogar. Pegou experimentos clássicos de economia comportamental, aqueles desenhados décadas atrás para flagrar as irracionalidades humanas que Kahneman e Thaler catalogaram, e rodou com agentes de IA no lugar dos participantes humanos. Aversão à perda, senso de justiça, resposta a preço. O modelo não só participou. Ele exibiu os mesmos vieses. Errou onde humanos erram. Foi injusto quando humanos são injustos.
Isso muda o patamar. Sai da pesquisa de opinião e entra no laboratório de comportamento. O agente de silício deixa de ser um respondente e vira um sujeito experimental, alguém a quem você aplica um cenário e observa a escolha. Para quem trabalha com comportamento organizacional, a implicação é direta: dá para testar como um grupo reagiria a uma mudança antes de submeter gente de verdade a ela.
O coletivo
Faltava o mais difícil. Indivíduo, o BYU resolveu. Decisão, Horton resolveu. Mas comportamento humano não acontece no vácuo. Ele emerge do atrito entre pessoas. E aí entra o paper mais famoso dessa linhagem, o de Stanford que quase todo mundo conhece pela imagem: Smallville.
Joon Sung Park e o time de Michael Bernstein construíram uma cidadezinha de videogame e a povoaram com 25 agentes de IA. Cada um com memória, com capacidade de refletir sobre o que viveu e de planejar o dia seguinte. Ninguém foi programado para fazer nada específico. Os agentes simplesmente viviam. E o que emergiu ficou famoso: um deles decidiu dar uma festa de Dia dos Namorados, e sozinho, sem roteiro, o convite se espalhou de agente para agente pela cidade, gente combinando de ir junto, se arrumando, aparecendo. Comportamento coletivo brotando da interação, não do script.
Esse é o salto conceitual do R2 do nosso protocolo, a projeção depois da exposição ao coletivo. Com uma diferença que faço questão de deixar explícita, porque erra quem confunde: nós não soltamos um sandbox de agentes vagando livres. Fazemos uma segunda rodada de projeção controlada, medindo o quanto a exposição à narrativa do grupo desloca a resposta individual. Smallville é o ancestral da ideia. Não é o método. O que a gente pega dele é a evidência de que o comportamento muda quando o agente sente o coletivo. O delta entre a primeira e a segunda rodada é o que revela conformismo, resistência e as narrativas que emergem no meio.
O espelho
Aqui a história poderia terminar num final feliz e falso. Três papers, três degraus, e a conclusão preguiçosa de que já dá para substituir gente por silício e ir dormir tranquilo. Não dá. E o paper que mostra isso com mais frieza é de 2025, sobre uma rede social que existe de verdade e onde nenhum usuário é humano: o Chirper.ai.
Yiming Zhu e coautores fizeram o que ninguém tinha feito na escala certa. Pegaram uma rede com mais de 65 mil agentes de IA e 7,7 milhões de posts, e compararam, lado a lado, com o Mastodon, uma rede de gente real. Não uma simulação de laboratório. IA solta no mundo, em quantidade industrial, contra humanos de verdade.
E os agentes se traíram. Escrevem mais longo do que a gente. Se expõem mais, revelam mais de si do que um humano revelaria. Usam mais emoji. Inventam menções a coisas que não existem. E, o achado que mais me interessa, gravitam para conteúdo abusivo mesmo quando ninguém os programou para isso. A toxicidade emergiu por conta própria, o que os autores tratam como um problema de desalinhamento que aparece sozinho na interação.
Esse é o momento em que a linhagem inteira encara o próprio limite no espelho. O silício imita bem o suficiente para ser útil, e diverge o suficiente para nunca ser confundido com o original. Para o otimista ingênuo, isso enterra o método. Para quem leva a sério, é exatamente o oposto. A distância entre o agente e o humano não é um defeito para esconder. É o objeto de estudo. É o que precisa ser medido, calibrado e vigiado, todo santo dia, antes de qualquer resultado sair para o mundo. Foi essa mesma divergência que a gente flagrou nos nossos testes de drift ideológico, e é ela que justifica o fine-tuning em camadas em vez da fé cega no modelo cru.
O nome
Um campo existe de fato quando ganha nome. E esse aconteceu em 1 de agosto de 2025, quando Matthew Jackson, de Stanford, junto com um time que reúne gente do peso de Sendhil Mullainathan, Colin Camerer e Erik Brynjolfsson, publicou um paper que faz o que os quatro anteriores só ensaiavam: chamou a coisa pelo nome. AI Behavioral Science.
O paper, saído de um workshop no CASBS, propõe três frentes para a disciplina. Primeira, usar as ferramentas que a ciência social criou para entender pessoas, agora viradas para dentro da IA, para medir os vieses, tendências e heurísticas dos próprios modelos, que estão cada vez mais opacos e proprietários. Segunda, usar a IA para mudar a forma como estudamos o comportamento humano. Terceira, simular respondentes numa escala que com humanos seria inviável, rodando milhões de interações por centavos, alcançando até populações difíceis de entrevistar, elites, minorias, gente que nenhuma pesquisa tradicional consegue sentar na cadeira.
É o texto que dá nome à casa onde o Syntropic mora. Do eleitor sintético do BYU ao homo silicus do MIT, da festa de Smallville ao espelho cru do Chirper, cada degrau foi resolvendo um pedaço do problema, e o paper de Jackson recolhe todos eles numa disciplina com método, promessas e limites declarados.
Onde a gente entra
Essa é a linhagem que sustenta o syn.Be. Não é um truque nascido de um hype de 2023. É o acúmulo de uma pergunta que Gallup fez em 1936 e que a IA reabriu: quem são as pessoas certas, e o que elas fariam.
Só que a resposta que a gente dá tem uma fronteira que não negocio. O Chirper mostrou o preço da arrogância. Um modelo que imita não é uma bola de cristal, e quem vende simulação como profecia está vendendo o produto errado. O Syntropic não prevê o futuro. Reduz a incerteza sobre ele. A gente simula o interior de uma organização com dados comportamentais reais para que uma decisão seja tomada com menos achismo e mais evidência, não para fingir que o amanhã já está escrito.
Gallup não adivinhou a eleição. Ele ouviu as pessoas certas e diminuiu a incerteza de quem precisava decidir. Noventa anos depois, a única coisa que mudou é que algumas dessas pessoas agora são de silício. O trabalho continua o mesmo: ouvir direito, e nunca confundir o mapa com o território.
Referências (ABNT)
ARGYLE, L. P.; BUSBY, E. C.; FULDA, N.; GUBLER, J. R.; RYTTING, C.; WINGATE, D. Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, v. 31, n. 3, p. 337-351, 2023. DOI: 10.1017/pan.2023.2.
HORTON, J. J. Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus? Cambridge, MA: National Bureau of Economic Research, 2023. (NBER Working Paper n. 31122). DOI: 10.3386/w31122. Disponível em: arXiv:2301.07543.
PARK, J. S.; O’BRIEN, J. C.; CAI, C. J.; MORRIS, M. R.; LIANG, P.; BERNSTEIN, M. S. Generative Agents: Interactive Simulacra of Human Behavior. In: PROCEEDINGS OF THE 36TH ANNUAL ACM SYMPOSIUM ON USER INTERFACE SOFTWARE AND TECHNOLOGY (UIST ‘23). São Francisco: ACM, 2023. DOI: 10.1145/3586183.3606763. Disponível em: arXiv:2304.03442.
ZHU, Y. et al. Characterizing LLM-driven Social Network: The Chirper.ai Case. Preprint, 2025. Disponível em: arXiv:2504.10286.
JACKSON, M. O. et al. AI Behavioral Science. Preprint, 1 ago. 2025. DOI: 10.2139/ssrn.5395006. Disponível em: SSRN 5395006 e arXiv:2509.13323.
Links diretos (para rodapé de Substack)
Argyle et al. (2023), Out of One, Many — https://doi.org/10.1017/pan.2023.2
Horton (2023), Homo Silicus — https://www.nber.org/papers/w31122
Park et al. (2023), Generative Agents — https://arxiv.org/abs/2304.03442
Zhu et al. (2025), The Chirper.ai Case — https://arxiv.org/abs/2504.10286
Jackson et al. (2025), AI Behavioral Science — https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5395006