Por que a IA acerta mais quando 'pensa alto' antes de

Você já pediu pra uma IA responder algo simples, tipo uma data ou um nome, e reparou que ela às vezes “pensa” antes de responder, mesmo quando não tinha conta nenhuma pra fazer? Pesquisadores do Google Research publicaram, em 24 de junho, um estudo que explica esse comportamento, e o motivo é mais interessante do que parece.

Chain-of-thought é o nome técnico para quando um modelo de linguagem gera um raciocínio passo a passo antes de dar a resposta final, em vez de responder direto. Já se sabia que isso ajuda em problemas complexos, matemática, programação, perguntas que exigem várias etapas de dedução. O que ninguém tinha explicado bem era por que esse mesmo raciocínio também ajuda em perguntas simples, do tipo “em que ano tal pessoa entrou para tal prêmio”, que não pedem cálculo nenhum. Ou o modelo sabe o fato, ou não sabe. Não devia ter etapa intermediária que mudasse isso. Mas muda.

O que aconteceu

A equipe testou modelos como o Gemini 2.5 e o Qwen3-32B em dois bancos de perguntas factuais simples (SimpleQA Verified e EntityQuestions), comparando o desempenho com o raciocínio ligado e desligado. Usaram uma métrica chamada pass@k, que checa se a resposta certa aparece em várias tentativas geradas pelo modelo, não só na primeira.

O resultado foi consistente nos dois bancos de dados e nos dois modelos: com raciocínio ligado, os modelos recuperaram respostas que praticamente não apareciam quando o raciocínio estava desligado. E os pesquisadores garantiram que isso não era só o modelo quebrando uma pergunta complexa em partes, porque escolheram perguntas de um só salto lógico, sem essa complexidade.

Pra investigar o motivo, fizeram um experimento quase cruel com o próprio modelo: substituíram o raciocínio gerado por um texto sem sentido nenhum, só a frase “deixa eu pensar” repetida até bater o mesmo tamanho do raciocínio original. E mesmo esse texto vazio, sem qualquer fato relacionado à pergunta, já melhorou a taxa de acerto em comparação com não raciocinar nada.

Por que isso importa pra você

Se você usa ferramentas de IA generativa na sua pesquisa, seja pra buscar referências, organizar ideias ou até checar um dado rápido, esse achado muda a forma como você deveria interpretar as respostas.

1. Deixar o modelo “pensar em voz alta” antes de responder tende a aumentar a chance de acerto, mesmo em pergunta simples. Se a ferramenta que você usa permite ativar um modo de raciocínio, vale testar antes de aceitar uma resposta direta.
2. O raciocínio gerado pode conter fatos inventados, e isso é sério: o estudo mostra que um único fato errado no meio do raciocínio já reduz a chance de a resposta final estar correta. Ou seja, ler o raciocínio da IA não é perda de tempo, é parte da checagem.
3. A resposta “confiante” da IA não significa fato correto. O modelo pode estar recitando fatos vizinhos ao que você perguntou, sem que isso garanta que o fato final é verdadeiro.

O mecanismo por trás do “pensar alto”

Os pesquisadores encontraram dois motivos combinados pra explicar o fenômeno. O primeiro é o que chamam de efeito de buffer computacional: gerar tokens extras dá ao modelo mais espaço de processamento, quase um rascunho mental, que ajuda a puxar informação difícil de acessar direto. É por isso que até o texto sem sentido (“deixa eu pensar” repetido) já ajudou um pouco.

O segundo mecanismo é o mais curioso, e batizaram de priming factual. Quando pediram para listar os nove primeiros reis de um país antes de perguntar quem foi o décimo, o próprio ato de recitar os nove primeiros funcionou como aquecimento e facilitou lembrar o décimo. É parecido com o que a psicologia chama de ativação em cadeia na memória humana: lembrar de um conceito deixa os conceitos vizinhos mais acessíveis.

Só que esse mecanismo tem um risco embutido. Como o próprio modelo gera esses fatos intermediários, eles podem ser inventados. Os pesquisadores auditaram centenas de milhares de raciocínios com um verificador independente e viram: um único fato alucinado no meio do caminho já reduz bastante a chance de a resposta final estar certa.

O que fazer com esse dado, na prática

Não significa que você precisa virar especialista em arquitetura de modelo de linguagem amanhã. Significa prestar atenção em como você usa a ferramenta.

Quando eu oriento sobre uso de IA na pesquisa, dentro do Método V.O.E. (Velocidade, Organização, Execução Inteligente), a etapa de Execução Inteligente é justamente essa: usar a ferramenta certa, do jeito certo, sabendo onde ela falha. Saber que o raciocínio pode conter fato inventado não é motivo pra abandonar a ferramenta, é motivo pra ler o raciocínio, não só a resposta final, antes de colar qualquer coisa no seu texto.

Faz sentido pensar nisso como qualquer fonte: você não citaria um artigo sem checar a referência. O raciocínio de uma IA merece o mesmo cuidado, principalmente quando o fato “confiante” que ela recitou no meio do caminho é o que sustenta a resposta que você vai usar.

Próximos passos

1. Se você usa uma ferramenta com opção de “modo raciocínio” ou “pensamento estendido”, ative essa opção antes de perguntas factuais, e leia o raciocínio, não só a resposta.
2. Desconfie de qualquer fato intermediário que apareça no meio de uma resposta gerada por IA sem fonte clara, e confirme separadamente antes de usar.
3. Ao revisar um texto assistido por IA, procure especificamente por nomes, datas e números que apareceram “de passagem” no raciocínio: são os pontos mais frágeis, segundo o próprio estudo.

Se você quer entender melhor como equilibrar produtividade e responsabilidade no uso dessas ferramentas, veja também Trabalhador toma tarefa de outro cargo: veja o que a OpenAI mostra sobre o impacto da IA no dia a dia do trabalho intelectual.

Fonte: Thinking to recall: How reasoning unlocks parametric knowledge in LLMs, Google Research