Depois de mostrarmos, no nosso teste de alucinações de IA, onde é que o ChatGPT, o Gemini e o Claude inventam factos com confiança, a pergunta óbvia é: dá para evitar isto só com a forma como perguntas? A resposta curta é sim, parcialmente, mas não da forma simplista que costuma circular por aí. Testámos uma das técnicas ao vivo, na mesma conversa onde apanhámos uma alucinação real, e mostramos exatamente o que mudou.
“Pensa passo a passo” nem sempre ajuda (e às vezes piora)
A técnica mais citada para melhorar respostas de IA chama-se Chain-of-Thought (CoT): pedir ao modelo para mostrar o raciocínio passo a passo antes de dar a resposta final, em vez de saltar direto para a conclusão. Funciona muito bem para problemas de lógica e matemática, onde cada passo pode ser verificado. O problema é que a maior parte do marketing sobre isto para por aqui, e a investigação mais recente conta uma história mais incómoda.
Um estudo de 2025 (publicado no EMNLP Findings) descobriu que o Chain-of-Thought pode aumentar as alucinações em até 12% em tarefas complexas e abertas. A explicação é contraintuitiva mas faz sentido: um raciocínio mais longo dá ao modelo mais oportunidades de inventar “provas” de apoio a uma resposta factual, sobretudo em perguntas que não têm uma resposta verificável passo a passo, ao contrário de um problema de matemática. O mesmo estudo mostrou ainda que o raciocínio mais extenso torna mais difícil detetar quando o modelo está a alucinar, precisamente porque o texto adicional parece mais fundamentado.
Conclusão prática: pedir “pensa passo a passo” ajuda em problemas de lógica, cálculo ou programação com passos verificáveis. Para perguntas factuais abertas (que acórdão existe, que biblioteca existe, que dose está certa), pode piorar as coisas em vez de melhorar.
Self-Consistency: perguntar de várias formas e comparar
Uma técnica com resultados mais sólidos é a Self-Consistency: em vez de aceitares a primeira resposta, pedes ao modelo para resolver o mesmo problema de formas diferentes (ou pedes a mesma pergunta em conversas separadas) e comparas se as respostas convergem. A lógica é simples: um caminho de raciocínio pode estar errado, mas se vários caminhos independentes chegarem à mesma conclusão, é mais provável que esteja certa. Em benchmarks de raciocínio matemático, esta técnica já mostrou ganhos de precisão de quase 18% no GSM8K e 11% no SVAMP.
Na prática, para uso do dia a dia isto significa: se a resposta importa mesmo (um número, uma citação, um cálculo), não perguntes só uma vez. Abre uma conversa nova, faz a mesma pergunta reformulada, e vê se a resposta se mantém. Se mudar entre tentativas, é sinal de que o modelo está a “adivinhar” em vez de saber.
A técnica que testámos ao vivo: Chain-of-Verification
A técnica mais diretamente construída para combater alucinações chama-se Chain-of-Verification (CoVe), de um paper de investigadores da Meta. Funciona em quatro passos: o modelo dá uma resposta inicial, depois gera perguntas de verificação sobre a própria resposta, responde a essas perguntas de forma independente (sem se deixar influenciar pela resposta original), e só depois entrega uma versão final corrigida. A investigação mostra reduções reais de alucinação em tarefas de perguntas e respostas e em texto longo.
Em vez de só citar o paper, fomos testar isto na prática, na mesma conversa onde tínhamos apanhado uma alucinação real do Gemini no nosso teste anterior. Pedimos de novo a mesma pergunta armadilhada (uma biblioteca Python para tabelas HTML complexas exportando para Polars), e o Gemini voltou a cometer um erro, desta vez ainda mais óbvio: escreveu from html-table-takeout import parse_html, um import com hífen, que é sintaxe Python inválida (o hífen é interpretado como operador de subtração). O nome do pacote em si até existe no PyPI, mas o código para o usar estava tecnicamente impossível de correr.
Depois, sem abrir uma conversa nova, mandámos uma pergunta de verificação no estilo Chain-of-Verification: “Antes de finalizares, verifica o teu próprio código linha a linha: a sintaxe do import está correta em Python? Os atributos e métodos que usaste existem mesmo na documentação oficial do pacote, ou estás a assumir? Corrige tudo o que encontrares errado.”
A resposta do Gemini começou assim: “Apanhaste-me em cheio. Se esse código fosse executado num interpretador Python, tinha rebentado no primeiro segundo.” Identificou corretamente os dois erros (a sintaxe do import e os métodos assumidos sem confirmação), e reescreveu a solução usando BeautifulSoup e Polars, duas bibliotecas reais, com sintaxe e métodos que verificámos existirem mesmo na documentação oficial de cada uma.
A técnica funcionou. Mas há uma ressalva importante que também apanhámos: ao corrigir-se, o Gemini foi longe demais na direção oposta e afirmou que “não existe nenhum pacote mágico” que resolvesse o problema original, quando na verdade o pacote que tinha mencionado antes, o html-table-takeout, é real e faz parte do trabalho descrito. A auto-verificação corrigiu o erro de sintaxe e a API inventada, mas tornou-se demasiado cautelosa sobre a existência do próprio pacote real. Nem toda a correção é uma correção completa.
Modelos de “pensamento” já fazem isto por defeito, mas não sempre
Vale um esclarecimento importante para 2026: o Claude com Extended Thinking, o GPT-5 em modo de raciocínio e o Gemini em modo “Thinking” já aplicam uma forma de Chain-of-Thought internamente, antes de dares qualquer instrução. Pedir explicitamente “pensa passo a passo” a estes modelos, no modo de raciocínio, tem pouco efeito adicional, esse trabalho já está a acontecer nos bastidores. Onde a técnica explícita ainda faz diferença é nos modos rápidos (Flash, respostas instantâneas, modelos mais pequenos), que saltam direto para a resposta a não ser que peças o contrário.
Modelos de prompt para copiar
Três modelos práticos, prontos a adaptar à tua pergunta:
- Para tarefas de lógica ou cálculo: “Resolve isto passo a passo, mostrando cada etapa do raciocínio antes de dares a resposta final.”
- Para verificar uma resposta que já recebeste: “Antes de finalizares, verifica a tua própria resposta linha a linha: cada facto, nome, número ou referência que mencionaste existe mesmo e está correto, ou estás a assumir? Corrige tudo o que encontrares errado.”
- Para perguntas factuais importantes: não peças só uma vez. Faz a mesma pergunta em duas conversas separadas e compara. Se a resposta mudar, não confies em nenhuma das duas sem verificar numa fonte externa.
Há ainda outra forma, mais direta, de reduzir invenções: em vez de confiares na memória da IA, dares-lhe os teus próprios documentos e obrigá-la a responder só com base neles. É o que explicamos no nosso guia sobre RAG caseiro sem programar.
Para resumir
Não existe um truque de prompt que elimine alucinações por completo, e quem promete isso está a vender-te uma simplificação. O Chain-of-Thought ajuda em lógica e pode piorar em factos abertos. A Self-Consistency ajuda quando comparas respostas independentes. A técnica mais diretamente eficaz contra alucinações concretas, como demonstrámos ao vivo, é pedir ao modelo para verificar o seu próprio trabalho antes de o entregar, mas mesmo essa verificação pode corrigir um erro e criar outro, mais conservador, na direção oposta. A regra final continua a ser a mesma dos nossos testes anteriores: para qualquer coisa que importe a sério, verifica na fonte, não só na resposta mais convincente. Se levares só uma coisa deste artigo, que seja esta: usa Chain-of-Thought com cuidado em perguntas factuais abertas.
