Guiar o raciocínio

Porque é que um modelo tão sabedor se engana num cálculo simples

A Sofia prepara o orçamento de uma campanha: desconto de 15 %, margem de 35 %, IVA... Cola tudo no chat, pergunta «qual é o orçamento final?» e obtém um número errado. Como pode um sistema capaz de dissertar sobre física quântica falhar um cálculo de percentagens?

Porque um modelo de linguagem não «calcula»: prediz texto, palavra a palavra. Quando exiges uma resposta imediata, estás a pedir-lhe que produza o resultado de um raciocínio... sem fazer o raciocínio. Num problema com várias etapas, é como exigir a um humano que responda de cabeça, instantaneamente, sem rascunho. Os erros não são uma fatalidade do modelo: são uma consequência da forma de pedir.

A solução é simples e é uma das técnicas mais documentadas do prompt engineering: dar ao modelo o direito — e a instrução — de fazer o seu rascunho antes de concluir.

Chain-of-thought: raciocinar antes de responder

Num problema lógico, matemático ou com múltiplas etapas, acrescenta «raciocina passo a passo antes de responder». O modelo expõe então o seu raciocínio explicitamente: identifica os dados, desenrola os cálculos intermédios, e depois conclui. Cada etapa escrita condiciona a seguinte, o que reduz fortemente os erros em comparação com uma resposta direta. É o chain-of-thought (cadeia de pensamento).

Um produto custa 80 €. Com uma margem de 35 % sobre o preço de venda, qual é o preço de venda?
Raciocina passo a passo, depois dá o resultado final.

Este exemplo é traiçoeiro de propósito: uma margem de 35 % sobre o preço de venda não se calcula como 80 × 1,35. Em resposta direta, muitos modelos caem na armadilha. Em raciocínio guiado, o modelo formula a equação (preço de venda = custo / (1 − 0,35)) e encontra 123,08 €. O rascunho não é um luxo: é ele que evita o erro.

flowchart LR
  Q["Problema multi-etapas"] --> E1["Etapa 1: expor os dados"]
  E1 --> E2["Etapa 2: calcular"]
  E2 --> V["Verificar a coerência"]
  V --> R["Linha final: Resposta"]

Benefício secundário, pelo menos tão precioso quanto a exatidão: o raciocínio é auditável. Quando a resposta está errada, vês em que etapa o erro se infiltrou — um dado mal lido, uma fórmula invertida — e corriges precisamente esse ponto em vez de relançar ao acaso esperando melhor.

Separar reflexão e resposta

O raciocínio completo é útil para verificar, mas incómodo para usar: a Sofia não vai colar quinze linhas de cálculo no email para o diretor financeiro. A boa prática consiste em pedir os dois, claramente separados: primeiro a reflexão, depois uma conclusão isolada e concisa.

Calcula o orçamento final da campanha:
- 3 publicações patrocinadas a 450 € cada
- desconto negociado de 15 % sobre o total
- serviço da agência: 20 % do montante após desconto

Raciocina passo a passo, expondo cada cálculo.
Termina com uma linha «Resposta:» apenas com o montante final em euros.

Obténs ao mesmo tempo o rigor (o raciocínio, que podes verificar em dez segundos) e o utilizável (a conclusão, que podes copiar tal e qual). Esta separação é um hábito a adquirir em toda a tarefa analítica: análise depois recomendação, diagnóstico depois correção, comparação depois veredicto.

A decomposição: dividir os grandes problemas

O chain-of-thought ajuda num problema de uma dezena de etapas. Mas certos trabalhos são demasiado grandes para um único prompt, mesmo bem guiado: analisar 40 respostas a um inquérito, redigir um dossiê completo, comparar três fornecedores em oito critérios. A técnica rainha aqui é a decomposição: dividir o trabalho em subtarefas e tratá-las uma a uma, cada resposta alimentando a seguinte.

Para o balanço da campanha, a Sofia já não pede «analisa estes resultados e redige o balanço». Ela encadeia: 1) «lista as 5 lições principais destes números», 2) «para cada lição, propõe uma ação concreta», 3) «redige agora o balanço seguindo este plano». Três prompts curtos, cada um verificável, em vez de um prompt monstro cuja saída é inverificável em bloco.

A decomposição tem uma vantagem escondida: mantém-te no circuito. Entre cada etapa, podes corrigir, reorientar, descartar uma má pista — antes que ela contamine todo o resto. Um prompt único gigante, esse, não te oferece nenhum ponto de controlo intermédio.

A autocrítica: fazer verificar a prova

Última técnica da família: pedir ao modelo que critique a sua própria resposta. Depois de uma primeira saída, encadeia com: «Relê a tua resposta. Verifica cada cálculo e cada afirmação. Lista os eventuais erros ou fraquezas, depois dá uma versão corrigida.» O modelo deteta muitas vezes as suas próprias falhas durante esta releitura — exatamente como um humano que se relê a frio.

Também podes integrar a verificação de antemão no prompt inicial: «antes de dares a tua resposta final, verifica a coerência de cada etapa». É o que faz a caixa «Verificar a coerência» do diagrama acima. Atenção, porém: a autocrítica melhora, mas não garante nada. Um modelo pode validar com aplomb um erro que acabou de cometer. Para qualquer número ou facto crítico, a verificação final continua a ser humana.

Quando guiar o raciocínio — e quando abster-se

Estas técnicas têm um custo: respostas mais longas, mais lentas, mais caras em contexto. Usá-las em tudo seria contraproducente. Eis o mapa dos usos:

Nota, por fim, que os modelos recentes ditos «de raciocínio» aplicam uma forma de chain-of-thought internamente, sem que o peçamos. Mesmo com eles, estes reflexos continuam úteis: exigir o detalhe das etapas torna a resposta verificável, e a decomposição mantém o controlo humano nos grandes trabalhos. A técnica evolui, o princípio — nunca aceitar uma conclusão inverificável — permanece.

Os limites: um raciocínio plausível não é um raciocínio correto

Um último aviso, que vale para todo este capítulo. O chain-of-thought produz um raciocínio plausível — não necessariamente correto. O modelo pode desenrolar etapas impecáveis na aparência e deixar escapar um erro a meio, com a mesma serenidade tranquila. A fluidez do texto não é uma prova de validade.

O reflexo profissional: verificar as etapas críticas (os números, os factos datados, as afirmações surpreendentes), não apenas ler a conclusão. O raciocínio explícito não substitui o teu julgamento — torna-o simplesmente possível, lá onde uma resposta seca te obrigava a acreditar pela palavra. É exatamente por isso que o exigimos.