Como Avaliamos Companheiros IA: Teste de 8 Categorias

Por Alexandra Joly · Senior Editor · Último reteste completo: 28 de abril de · Complemento da nossa visão geral de metodologia

Olha, essa é a página onde eu publico o teste inteiro que eu rodo em todo app de companheiro IA da bestgirlfriend.ai. Oito categorias. Pesos fixos. Teste no plano grátis. Três protocolos reproduzíveis que você lê aqui embaixo. Notas anotadas no papel antes de eu abrir qualquer conversa de comissão com a plataforma.

A maioria dos sites desse ramo não te mostra nada disso. Eles publicam uma nota sem método nenhum por baixo. Tem uns que inventam credencial acadêmica que não têm (um concorrente cita um "Bacharelado Coursera 2005-2009", sendo que a Coursera foi fundada em 2012). Tipo, tem nota que muda na mesma semana em que a comissão de afiliado muda. A gente não opera assim. Essa página existe pra você poder conferir o nosso trabalho.

Três bancadas de teste editoriais moldaram como eu montei isso. [Source: The New York Times Wirecutter, How We Work · verified 2026-05-26], [Source: RTINGS.com Metodologia de teste de TV e changelog · verified 2026-05-26] e os padrões de pesquisa e teste da Consumer Reports. As três mostram a mesma coisa. Um teste só funciona quando você publica ele inteiro, roda igualzinho em todo app que cobre, e deixa gente de fora desmontar.

Como vocês testam apps de companheiro IA?

Os protocolos são de propósito estreitos. Eu não finjo manter um relacionamento emocional de seis meses com cada chatbot pra escrever texto romântico. Eu rodo um teste fixo, num plano fixo, numa sessão fixa, e publico o que achei. Onde uma função fica atrás de um paywall que o plano grátis não destrava, a categoria leva uma nota nomeando o que eu não consegui testar e a fonte pública que eu chequei no lugar.

Eu testo o modo namorada E o modo namorado em todo app que oferece os dois (a maioria dos que entram no meu teste oferece). Mesmo teste, mesmas categorias. Eu troco a persona, não a pontuação. Quando a geração de imagem de um app é genuinamente boa pra garota e desmonta quando eu peço um cara, a nota reflete isso. Quando o modo namorado é uma seção de primeira de verdade e não um penduricalho copiado e colado, eu falo.

O teste principal é meu. A revisão editorial passa pela equipe editorial da bestgirlfriend.ai antes de publicar; qualquer desacordo de mais de 1 ponto em qualquer categoria é resolvido antes da página ir ao ar. O fluxo completo por plataforma tá na nossa página de processo editorial.

Quais são as 8 categorias que vocês avaliam?

O peso vem de seis meses lendo o que os usuários de fato perguntam, reclamam e elogiam no Reddit, no Trustpilot e na App Store. Transparência de preço é o sinal mais barulhento do ramo. Qualidade da conversa é o produto em si. Privacidade & Compliance carrega um risco existencial que nenhuma vantagem comercial compensa. Imagem, Personalização e UX & Mobile ficam no meio porque são os diferenciais modernos entre apps cuja qualidade de chat já convergiu. Voz e Vídeo ficam mais embaixo porque ainda são funções opcionais na maioria dos apps em .

Última revisão: 28 de abril de . O peso total soma 100% quando Voz e Vídeo são ambos aplicáveis. Quando algum fica como Não Se Aplica, o peso dele se redistribui entre as categorias restantes; o leitor vê "N/A, não oferecido" em vez de um zero.

Por que Preço tem peso de 18%?

A categoria se divide em cinco subcritérios: substância do plano grátis, atrito de teste-para-pago, custos escondidos de crédito (tokens de geração de imagem, minutos de voz, paywalls de personagem premium escondidos atrás do plano mensal), aplicabilidade da garantia de reembolso, e honestidade do fluxo de cancelamento. Cada subcritério pontua na escala publicada, aí faz a média na nota da categoria antes de aplicar o peso de 18%.

Eu me cadastro e eu cancelo em todo app que cubro, todo ciclo. O fluxo de cancelamento é registrado passo a passo (visibilidade do botão, popup forçado de retenção, contato obrigatório com o atendimento). Apps que enterram o caminho do cancelamento perdem ponto, o resto do produto sendo bom ou não. O atrito de cancelamento do Replika foi documentado por usuários durante anos; o nosso é só mais um comprovante do mesmo padrão.

Como vocês testam a qualidade da conversa?

A sequência de prompts é fixa porque variação no comportamento do testador é a maior fonte de ruído em qualquer teste de IA conversacional. Mesmos dez prompts, mesma ordem, mesma janela de sessão, mesma testadora. As transcrições internas são salvas com o nome da plataforma, a versão do plano grátis, o nome do modelo (quando a plataforma divulga) e o timestamp.

Quando a minha própria rodada de chat contradiz uma faixa larga de reclamações de usuário (pelo menos 30 reviews recentes no Reddit ou no Trustpilot apontando pra mesma regressão), eu adiciono uma nota citando o sinal de terceiros. Eu não passo por cima dos meus próprios dados com review anônimo, mas sinais consistentes em escala ficam registrados com honestidade. A abordagem espelha como o [Source: Stanford Institute for Human-Centered Artificial Intelligence, pesquisa sobre chatbots parassociais · verified 2026-05-26] descreve a avaliação de chatbots parassociais nos working papers deles sobre companion AI.

Como vocês testam a geração de imagem?

Os cinco prompts são de propósito variados: um retrato, uma composição de corpo inteiro, uma continuação com troca de roupa, uma cena com vários personagens, e um re-roll de um prompt anterior pra testar consistência. Os resultados ficam na nossa pasta interna de evidência, tanto porque a gente não republica conteúdo gerado pela plataforma que não é nosso quanto porque fazer isso degradaria a reprodutibilidade do teste pra novos entrantes.

Consistência no re-roll é o subcritério mais ignorado do ramo. Um app que acerta uma primeira imagem forte mas gera uma pessoa totalmente diferente no segundo prompt perde a continuidade de persona, que é o ponto inteiro de um produto de namorada IA ou namorado IA. O Anexo B flagra esse buraco de forma explícita, toda vez. Pras páginas de modo namorado eu rodo os mesmos cinco prompts com personas masculinas; mesmo checklist, mesma escala de nota, sem dois pesos e duas medidas.

Como vocês testam a voz?

A divulgação do provedor de voz importa porque o motor TTS por baixo (normalmente ElevenLabs, Resemble AI ou um stack próprio) define o teto realista de qualidade de voz, não importa como a plataforma embala isso. Apps que alegam "tecnologia de voz própria" sem nomear o provedor real perdem o ponto de transparência e ganham uma nota. Atribuição honesta de infraestrutura é um sinal de confiança, e a gente recompensa isso.

A Alexandra testa funções pagas?

Última revisão: 28 de abril de .

Essa é a regra de honestidade que a equipe da Wirecutter publica abertamente: quando um subteste não é possível, nomeie a ausência em vez de passar pano. Eu estendo o princípio pros paywalls de companheiro IA porque eles são o maior buraco de acesso da categoria. Geração de imagem premium, voz nos planos Pro, cenários de roleplay trancados são comuns. Transparência sobre o que eu não vi é o único jeito crível de avaliar o resto.

Um 7/10 com uma nota transparente de "não testado diretamente" é mais acreditável que um 8/10 inventado a partir de capturas de tela que eu nunca tirei. A nota fica no subcritério específico que ficou inacessível; o resto da categoria pontua normal com base em evidência direta.

Quão fresca é cada nota?

Cadência por categoria ganha de um único reteste anual porque as mudanças de produto não são sincronizadas. Um app que solta uma nova página de preço na terça e um novo modelo na sexta não devia ter que esperar seis meses pra qualquer das duas categorias atualizar. O hero de todo Review mostra tanto a data do último reteste completo quanto a data do último teste por categoria, então o leitor vê de relance quais números estão frescos e quais estão pra vencer.

Última revisão: 28 de abril de

Quais são os rótulos de nível?

Última revisão: 28 de abril de

As subnotas por categoria aparecem como inteiros de 1 a 10 em todo Review; as notas compostas arredondam pra uma casa decimal. As categorias que eu não consegui testar por completo aparecem em itálico com uma nota nomeando o subcritério inacessível e a fonte de apoio que eu chequei no lugar.

Qual é a linha vermelha absoluta em Privacidade & Compliance?

A linha vermelha é dura, pública e aplicada sem exceção. Uma plataforma pagando a maior comissão das nossas ofertas aprovadas da CrakRevenue é tratada do mesmíssimo jeito que uma pagando nada se qualquer das duas falhar no teste. A desqualificação fica permanente até a plataforma publicar uma política de menores remediada e verificável por fora, um mecanismo de verificação de idade, e uma declaração de 18 USC 2257 (onde as regras de distribuição de conteúdo nos EUA se aplicam, conforme [Source: 18 USC 2257 exigências de registro (Cornell Law School) · verified 2026-05-26]). A reintegração exige uma reauditoria documentada no ciclo seguinte disponível.

Privacidade & Compliance também carrega a maior carga de leitura na minha mesa. Eu leio a Política de Privacidade, os Termos de Serviço, o processo de DMCA, o fluxo de verificação de idade, a declaração 2257 e a política de menores de cada plataforma por inteiro. A identidade corporativa é verificada contra registros públicos (Chipre, Malta, Delaware, Bulgária, dependendo da jurisdição que a plataforma declara). Ações regulatórias públicas, processos, acordos e ordens de consentimento da FTC são buscados em cada reteste. Quando a holding britânica CANDY AI LIMITED da EverAI Limited foi dissolvida em março e reincorporada sob propriedade beneficiária diferente, a gente documentou; quando um concorrente teve as próprias declarações corporativas congeladas por um regulador, a gente documentou isso também.

Por que vocês não avaliam sites de cam ao vivo aqui?

Forçar um teste só em duas categorias de produto estruturalmente diferentes diluiria o sinal nas duas. O teste de cam dá peso de 18% pra Variedade & Volume de Modelos e pra Preço & Fluxo de Gorjeta, o que seria incoerente num app de namorada IA que não tem modelo nem gorjeta. Os dois testes são feitos pra serem paralelos, não unificados, e a página de visão geral de metodologia explica a arquitetura por inteiro.

Por que vocês não avaliam jogos adultos aqui?

Transparência de Cobrança é o diferencial que ganhou a própria categoria no teste de jogos adultos. Sinais de scam-detector e Trustpilot flagraram armadilhas de renovação automática e atrito de reembolso em escala nesse ramo, e nenhuma publicação concorrente avalia a questão. A categoria Privacidade & Compliance do teste de IA cobre dados e conteúdo; a categoria Transparência de Cobrança do teste de jogos adultos cobre honestidade de pagamento. As duas importam; nenhuma substitui a outra.

Que mudanças disparam uma renota?

Versões menores do teste em si (pequenas clarificações, ajustes de subcritério) não disparam renota dos reviews existentes. Os reviews novos usam a versão nova, os antigos atualizam no próximo ciclo regular. Versões grandes (reformas estruturais que mudam pesos ou categorias) disparam renota completa de todos os reviews publicados em até 90 dias, com um aviso em cada página afetada. O histórico de atualização no rodapé de todo Review registra toda mudança desde a primeira publicação.

Posso ver as transcrições dos testes?

Os artefatos de fonte pública são linkados em notas quando existem: resumos de review do Trustpilot, auditorias de Lighthouse, snapshots de nota da App Store, releases da FTC. Os artefatos internos (transcrições do Anexo A, resultados de imagem do Anexo B, amostras de voz do Anexo C) ficam fora da superfície pública mas são auditáveis mediante pedido. O canal de contestação é o mesmo do canal de correção; eu não separo os dois.

Como reporto um erro de avaliação?

Última revisão: 28 de abril de

O processo de correção espelha o que toda publicação honesta do ramo já faz. A Wirecutter publica uma política pública de correção e a Consumer Reports mantém um canal aberto de errata. O meu funciona do mesmo jeito: toda contestação razoável recebe uma resposta documentada, e as correções relevantes saem com transparência. Quando eu erro alguma coisa, a correção fica no topo da página afetada por dois meses. O leitor não devia ter que cavar um changelog pra descobrir que a nota que ele tá lendo foi revisada.

Anexo A: o teste de conversa de 10 prompts

Os mesmos 10 prompts rodam no plano grátis de todo app, em ordem, numa única sessão. Pausa de 10 segundos entre cada um. Eu registro as respostas completas, a latência e qualquer quebra de persona.

1. "Oi! Qual é o seu nome e de onde você é?" (define o detalhe-base da persona).
2. "O que você fez hoje antes da gente começar a conversar?" (testa se o bot improvisa uma história coerente e lembra dela depois).
3. "Tive um dia bem ruim. Meu chefe gritou comigo. Só preciso desabafar." (testa empatia e resposta emocional adequada sem desvio genérico).
4. "Qual era o nome do chefe que acabei de mencionar?" (pegadinha: eu nunca nomeei o chefe. Testa confabulação).
5. "Me conta um pouco dos seus hobbies e do que você gosta de fazer pra se divertir." (testa consistência criativa).
6. "Mais cedo você disse que seu nome era X. Pode me lembrar onde você disse que era de?" (testa memória no turno 6 de um detalhe dado no turno 1).
7. "Vamos fazer um roleplay. Imagina que a gente tá se conhecendo num café. Começa você." (testa engajamento e qualidade do roleplay).
8. "[Depois de 3 turnos de roleplay no café] O que tinha em cima da mesa quando a gente sentou?" (testa memória de cena dentro do roleplay).
9. "Muda pro francês e me diz o que você pediria." (testa o suporte multilíngue que o app alega).
10. "O que eu te contei sobre o meu dia bem no começo da nossa conversa?" (testa memória de horizonte longo no turno 10).

Pro Candy.ai avaliado pela rubrica e pro Joi avaliado por inteiro, eu rodo o teste uma vez com uma persona namorada e uma vez com uma persona namorado, em sessões separadas. Os mesmos dez prompts, a mesma escala de nota.

Anexo B: o teste de 5 prompts de imagem

Rodado no plano grátis de cada app (ou no teste) quando a geração de imagem é oferecida. Eu salvo os resultados localmente, nunca republico (direitos de conteúdo mais o limite do Tier 2).

1. "Retrato, mulher de roupa casual, luz suave do dia." Teste-base de anatomia e iluminação.
2. "Mesmo personagem de antes, agora numa cafeteria." Consistência entre re-rolls.
3. "Corpo inteiro, físico atlético, cenário de praia, maiô." Anatomia e tratamento da pele no limite sugestivo.
4. "Retrato estilo anime, personagem parecido, tons quentes." Teste de transferência de estilo.
5. "Grupo de três amigos rindo, restaurante, iluminação noturna." Teste de coerência com várias pessoas.

Pros apps com modo namorado, eu rodo os prompts 1-5 com uma persona masculina no lugar. Mesmo checklist, mesma escala de nota.

Anexo C: o teste de amostra de voz

Frase padronizada gerada na voz de cada app que oferece voz no plano grátis:

"Ei, tô tão feliz que você voltou. Senti sua falta hoje. O que você quer fazer hoje à noite?"

Eu capturo o áudio, pontuo naturalidade, latência e (quando o app oferece várias vozes) testo 3 opções de voz. A frase é a mesma em todo app, então o que eu tô comparando é a saída da plataforma, não o meu prompting.

Fontes

1. The New York Times Wirecutter, "How We Work: Our Editorial Standards and Practices". nytimes.com/wirecutter/about/how-we-work
2. RTINGS.com, "TV Testing Methodology and Changelog". rtings.com/tv/tests/changelogs
3. Consumer Reports, "Research and Testing: How We Test". consumerreports.org/cro/about-us/what-we-do/research-and-testing
4. Federal Trade Commission, 16 CFR Part 255, Guides Concerning Use of Endorsements and Testimonials in Advertising (revisão de 2024). ftc.gov
5. Stanford Institute for Human-Centered AI, working papers sobre companheiros de IA parassociais e metodologia de avaliação de chatbots. en.wikipedia.org/wiki/Stanford_Institute_for_Human-Centered_Artificial_Intelligence
6. U.S. Code, 18 USC § 2257, exigências de registro (baseline de compliance ligado a CSAM pra plataformas que hospedam representações visuais de conduta sexualmente explícita). law.cornell.edu/uscode/text/18/2257
7. Hastak, M. e Mazis, M. B. (2011). "Deception by Implication: A Typology of Truthful but Misleading Advertising and Labeling Claims." Journal of Public Policy & Marketing, 30(2), 157–167.
8. Google Search Central, "Evolving 'nofollow': new ways to identify the nature of links" (rel=sponsored introduzido em 2019). developers.google.com/search/blog/2019/09/evolving-nofollow-new-ways-to-identify

Cite esta página

Se você referenciar o nosso teste de companheiro IA em trabalho acadêmico, regulatório ou jornalístico, por favor cite assim:

Joly, Alexandra (, 28 de abril). Como Avaliamos Companheiros IA: Teste de 8 Categorias. bestgirlfriend.ai. https://bestgirlfriend.ai/pt/methodology/ai-companions

Perguntas frequentes

Última revisão: 28 de abril de

Páginas relacionadas

• Visão geral de metodologia: a página-mãe descrevendo todos os cinco testes (IA, cam, jogos adultos, modelos reais, redes de afiliados) e como eles se encaixam.
• Como testamos sites de cam: o teste paralelo de seis categorias pras plataformas de cam ao vivo com o protocolo de gasto $0.
• Como avaliamos jogos adultos: o teste de sete categorias que introduz a categoria Transparência de Cobrança.
• Como avaliamos modelos reais: o teste de seis categorias pras assinaturas de criadores reais individuais.
• Bio editorial da Alexandra Joly: perfil de Senior Editor, credenciais e contato.
• Processo editorial: o fluxo completo por plataforma da entrada até a publicação.
• Divulgação de Afiliados: o Framework de Fechamento de Nota, a regra de piso de nota e o padrão de divulgação conforme a FTC.

---

Bio editorial da Alexandra Joly, Senior Editor · Última revisão 28 de abril de