O prompt muda conforme o modelo

O colega sênior e o colega júnior

Tudo que você aprendeu nas três aulas anteriores vale. Só que existe um ajuste que a documentação da OpenAI registra e que quase nenhum curso brasileiro ensina, provavelmente porque ele contraria a intuição de todo mundo. O guia oficial diz, com todas as letras, que modelos de raciocínio entregam resultados melhores em tarefas com orientação apenas de alto nível, e que isso difere dos modelos GPT, que se beneficiam de instruções muito precisas. Leia de novo devagar. Existe um tipo de modelo em que o seu pedido caprichado, cheio de detalhes, atrapalha.

A analogia que a própria OpenAI usa é boa demais para reescrever. Um modelo de raciocínio é como um colega de trabalho sênior: você dá um objetivo e confia que ele resolve os detalhes. Um modelo GPT é como um colega júnior: ele rende mais com instruções explícitas para produzir uma saída específica. Todo mundo que já trabalhou em equipe entende isso na hora. Você não chega no analista sênior e dita cada clique. Você diz o que precisa e para quando, e ele volta com algo que você não teria pensado. Se você ditar o passo a passo para ele, você recebe exatamente o que ditou, que é o teto da sua ideia, não o dele.

O mesmo problema, pedido das duas formas

A régua fica clara quando você vê o mesmo problema escrito nos dois formatos. Suponha a tarefa de decidir se vale a pena trocar o carro da família. Para o modelo rápido, você precisa dizer o que fazer: quais custos considerar, em que ordem, qual formato de saída, o que ignorar. Ele é ótimo e é literal, e vai fazer bem o que você pedir. Para o modelo de raciocínio, você diz aonde quer chegar e como vai julgar a resposta, e sai da frente. Ele vai considerar coisas que você não listou, justamente porque você não amarrou as mãos dele numa lista.

PARA O MODELO RÁPIDO (seja explícito, diga o caminho)

Calcule o custo mensal de manter o carro atual e compare com o do carro novo.
Considere, nesta ordem: parcela, seguro, IPVA dividido por 12, combustível
e manutenção.
Use estes números: (cole os seus números aqui).
Entregue uma tabela com as colunas: Item | Carro atual | Carro novo |
Diferença.
Na última linha, some as diferenças.
Não considere valor emocional nem depreciação.


PARA O MODELO DE RACIOCÍNIO (dê o objetivo e o critério, não o caminho)

Objetivo: decidir se vale a pena trocar o nosso carro agora ou esperar
mais um ano.

Contexto: (cole aqui a sua situação: o carro, o uso, a renda, a proposta
que você recebeu).

Critério de sucesso: uma recomendação com um lado escolhido, que caiba em
uma página, em que cada afirmação de custo aponte de onde saiu o número, e
que aponte explicitamente o que pode fazer essa decisão dar errado.

Se faltar informação para decidir, pergunte antes de responder.

O mesmo problema, dois pedidos. Nenhum dos dois é o certo em abstrato: cada um é o certo para um tipo de modelo.

Repare no que sumiu do pedido de baixo: a ordem dos cálculos, a lista de itens, a proibição de considerar depreciação. Não sumiu por preguiça. Sumiu porque cada item daquela lista é uma parede, e paredes servem para quem precisa de trilho. O modelo de raciocínio provavelmente vai lembrar da depreciação sozinho, e ela importa muito nessa conta. Se você tivesse proibido, ele obedeceria e você receberia uma conta pior, com a sua assinatura no erro. E repare no que apareceu: um critério de sucesso de verdade, que é a régua com que você vai julgar a resposta, e a autorização para ele perguntar antes.

Por que tanta gente acha o modelo de raciocínio pior

Agora aquele comentário que você já ouviu: liguei o modo de pensar, esperei um monte e a resposta veio pior. Na maioria das vezes isso não é o modelo falhando, é o pedido errado para aquele modelo. A pessoa pegou o super-prompt que ela aperfeiçoou no modelo rápido, com as quinze micro-instruções que finalmente domaram o júnior, e entregou para o sênior. O sênior, que ia pensar no problema, gastou o esforço obedecendo às quinze regras. O que volta é uma resposta lenta, cara e que não usou a única coisa pela qual você esperou, que era ele raciocinar.

Tem um detalhe fino nessa história. A documentação descreve o modelo de raciocínio como aquele que gera uma cadeia de pensamento interna antes de responder, usando o que ela chama de fichas de raciocínio. Interna é a palavra importante: ele já pensa por etapas por conta própria. Aquela instrução famosa de mandar pensar passo a passo nasceu para uma geração de modelos que não fazia isso sozinha. Em um modelo de raciocínio, ela é redundante. E aí está o resumo da mudança que esta aula pede: o esforço que você gastava escrevendo instruções muda de lugar. Vai para escrever um objetivo honesto e uma régua de sucesso boa.

Esse pensamento interno tem um custo que você não vê, e ele explica coisas do seu dia a dia. A documentação registra que as fichas de raciocínio ocupam espaço na janela de contexto do modelo, e que a quantidade delas vai de algumas centenas a dezenas de milhares. Ou seja: enquanto você espera olhando a tela, o modelo está gastando janela com um texto que nunca vai te mostrar. É por isso que esse modo é mais lento, e é parte do motivo de existirem limites de uso mais apertados para ele. Também é mais um argumento contra o pedido inflado: cada micro-instrução que você empilha come um espaço que ele usaria para pensar.

A orientação oficial de 2026 tem nome: prefira prompts enxutos. Em avaliações internas da OpenAI, remover instruções e exemplos repetidos melhorou o desempenho na tarefa em torno de 10 a 15 por cento e reduziu o consumo de fichas em 41 a 66 por cento. A própria OpenAI pede que essas faixas sejam lidas como direcionais, e não como promessa: o certo é validar na sua tarefa real.

A regra que resume isso na documentação cabe em quatro palavras: enuncie cada instrução uma vez. Repetir para reforçar, aquele hábito de escrever seja preciso no começo, no meio e de novo no fim, não reforça nada e atrapalha. Vale registrar a tensão com honestidade, porque ela é real e quase nenhum curso admite. O guia de 2023 mandava ser o mais detalhado possível, e é dele que vem a crença de que prompt bom é prompt gigante. A orientação de 2026 mudou de direção. Não é contradição total, porque específico nunca foi sinônimo de prolixo, mas quem ensina quanto mais detalhe melhor como verdade atemporal está ensinando errado.

Uma ressalva honesta antes de fechar. Nem todo plano dá acesso a modelo de raciocínio, e isso muda com frequência, então confira na página oficial o que o seu plano inclui hoje. O módulo seguinte cuida dessa parte, com os nomes e os limites de julho de 2026 e a ressalva de que eles mudam. O que não muda é a régua desta aula: pedido explícito para tarefa de execução, objetivo e critério para tarefa de decisão. Ela vale mesmo quando os nomes dos modelos mudarem, porque a diferença que ela descreve é entre dois jeitos de a máquina trabalhar, e não entre dois nomes comerciais.