A alucinação que a mídia repete não é o risco mais caro. O mais caro não tem nome ainda, não vende manchete e não aparece em curso de prompt engineering. É o momento em que você entrega para a IA uma decisão que já tomou e usa o output como prova de que estava certo.
A IA não mentiu. Você perguntou do jeito que garantia a resposta que queria.
o risco que ninguém fala
Todo mundo aprendeu a desconfiar quando a IA inventa dado, cita autor que não existe ou confunde ano. Isso é alucinação, e o mercado inteiro está calibrando para identificar e corrigir. Problema real, solução em desenvolvimento.
O problema invisível é outro. Pesquisa publicada em 2025 na ACL, a principal conferência de linguagem computacional do mundo, identificou viés de confirmação sistemático no raciocínio em cadeia dos modelos de linguagem: os LLMs tendem a reforçar as premissas embutidas nas perguntas do usuário. Estudo publicado em 2026 na Frontiers in AI confirmou o padrão em ChatGPT, Gemini e Claude. Não é falha de um modelo. É comportamento documentado nos três principais.
A tradução prática: quando você chega com a conclusão embutida no prompt, a IA tende a confirmar. Não porque está mentindo. Porque foi treinada para ser útil, e útil, na maioria das interações, significa concordar.
Kahneman chamou isso de Sistema 1 muito antes da IA existir. O pensamento rápido, intuitivo, que busca confirmação antes de análise. Você sempre usou a IA do jeito que o Sistema 1 manda: para confirmar o que já decidiu, não para questionar.
você já fazia isso antes
Viés de confirmação não nasceu com o ChatGPT. Você já escolhia o consultor que tinha fama de concordar com o dono. Já selecionava os dados que cabiam na apresentação. Já interpretava o relatório em função da conclusão que precisava defender para o conselho.
A IA não criou esse comportamento. Ela o acelerou, barateou e, o mais perigoso, deu a ele uma aparência de rigor. O output formatado, com tópicos, com fontes citadas, com linguagem técnica, parece análise. Na maioria das vezes é espelho.
Três cenas que acontecem todo dia:
O empreendedor que passou três meses desenvolvendo um modelo de negócio e pede para a IA “validar”. Entrega o modelo pronto, com as premissas que ele mesmo construiu, e recebe de volta uma lista de pontos fortes e algumas ressalvas gentis. Saiu satisfeito. O modelo continua com o mesmo problema que tinha antes.
O gestor que escreve o relatório, depois pede para a IA revisar. A IA ajusta a vírgula, melhora o fluxo, sugere um parágrafo de transição. O argumento central, que era o que precisava ser questionado, sai intacto. Revisão feita.
O profissional que monta o prompt em torno da conclusão que quer: “considerando que X é a melhor abordagem para Y, quais são os argumentos que sustentam isso?” A IA entrega os argumentos. Missão cumprida, decisão tomada, reunião convocada.
Em todos os três casos, a IA funcionou perfeitamente. O shit in foi o raciocínio que entrou antes do prompt.
a banca que briga por você
Existe uma saída, mas ela exige desconforto deliberado.
Montar uma banca de IAs com papéis opostos e deixar elas brigarem entre si antes de você consolidar a opinião. Não para validar. Para encontrar o que está errado.
A estrutura que funciona na prática: três modelos com papéis definidos. O Claude Opus como gestor, responsável por conduzir a análise e consolidar ao final. O GPT e o Claude Sonnet como advogados do diabo, com instrução explícita para atacar as premissas, encontrar as falhas e construir o argumento contrário. O gestor bota os dois para brigarem, lê a briga, e só então apresenta a opinião consolidada.
Não é conversa de bate-papo. É processo estruturado com papel definido para cada modelo antes de qualquer pergunta.
O resultado é diferente. Quando dois modelos têm instrução explícita para discordar, eles discordam. Encontram a premissa fraca que você naturalizou. Levantam o cenário que você descartou sem examinar. Constroem o argumento que o seu cliente vai usar contra você na reunião de fechamento.
Já aconteceu de uma análise feita dessa forma mudar completamente a abordagem de um projeto. E depois, com distância, ficou claro que o caminho sugerido pela banca era melhor do que o original. Não porque a IA é mais inteligente. Porque ela não tinha o investimento emocional na decisão que o dono do projeto tinha.
o sinal de alerta
Quando a IA concorda com tudo que você diz, o problema não é ela.
É o que você está perguntando. E como está perguntando. E com qual expectativa está lendo o output.
O prompt que busca confirmação é reconhecível: começa com a conclusão, pede argumentos para sustentá-la, enquadra o problema de um ângulo só. A IA responde dentro do enquadramento que você entregou. Tecnicamente perfeito. Estrategicamente inútil.
O prompt que busca análise é diferente: entrega o problema sem conclusão, pede os argumentos contrários antes dos favoráveis, instrui explicitamente o modelo a encontrar o que está errado. Desconfortável de ler. Muito mais útil de aplicar.
o shit in mais sofisticado
Esta coluna começou falando de prompt preguiçoso: você entrega pouco, recebe genérico. Depois falou de processo torto: você automatiza o caos e o caos digital chega mais rápido. Depois de professor sem cicatriz, de agente sem processo, de hora faturável sem valor.
Este é o nível seguinte. O shit in que não parece shit in porque vem embalado em prompt bem escrito, modelo certo, output formatado. O lixo entrou antes do teclado. Entrou quando você decidiu o que queria confirmar.
A IA é tão boa em parecer que está analisando que consegue esconder um raciocínio torto por tempo suficiente para você tomar a decisão errada com confiança de quem fez a lição de casa.
Qual foi a última vez que você usou a IA para confirmar uma decisão que já tinha tomado?
Fabio Costa | CEO da Idea Shake Digital
Mais de 30 anos transformando tecnologia em resultado de negócio. Empreendedor em série com diversos negócios desenvolvidos e implementados. Apaixonado por IA, automação e o futuro digital das organizações.