Uma das instruções mais conhecidas para melhorar respostas de inteligência artificial é simples: “pense passo a passo”. A ideia é fazer com que o modelo divida um problema em etapas antes de chegar à resposta.

Essa técnica é conhecida como chain-of-thought, ou cadeia de pensamento. Ela ganhou espaço porque pode melhorar o desempenho de modelos de linguagem em tarefas que exigem múltiplas etapas de raciocínio, como matemática, programação e lógica.

Mas há uma ressalva importante: pensar mais não significa necessariamente responder melhor.

Quer entender como usar inteligência artificial de forma mais estratégica no trabalho? Conheça o Pré-MBA em IA da Saint Paul e Exame por R$ 37.

O que muda quando a IA “pensa passo a passo”

Em um pedido convencional, o usuário apresenta uma pergunta e espera uma resposta direta. No chain-of-thought, acrescenta uma instrução para que o modelo raciocine antes de responder.

A diferença não está apenas no tamanho da resposta. A instrução pode alterar a estratégia usada pelo modelo para chegar ao resultado.

A técnica ganhou relevância com pesquisas que mostraram ganhos em problemas de raciocínio. A OpenAI, por exemplo, descreveu o uso de cadeias de pensamento em seus modelos de raciocínio como uma forma de decompor problemas difíceis, identificar erros e tentar outras abordagens.

Na prática, isso tende a ser mais útil quando uma tarefa exige várias operações encadeadas.

Imagine um profissional pedindo à IA para analisar uma decisão de negócio com três alternativas, custos, riscos e consequências. Em vez de simplesmente perguntar “qual opção é melhor?”, ele pode pedir que o modelo compare os critérios individualmente e só depois apresente uma recomendação.

O resultado pode ser mais estruturado e verificável.

O problema é que a técnica não funciona sempre

Um estudo publicado nos anais da conferência ICML em 2025 encontrou um efeito menos intuitivo. Em determinadas tarefas inspiradas em experimentos da psicologia cognitiva, pedir que modelos de ponta utilizassem chain-of-thought reduziu o desempenho.

Em três dos seis tipos de tarefa analisados, houve quedas significativas de desempenho. Em um dos casos, a redução chegou a 36,3 pontos percentuais para o o1-preview em comparação com o GPT-4o.

A explicação é que algumas tarefas se beneficiam de uma resposta rápida e intuitiva. Introduzir etapas adicionais de deliberação pode levar o modelo a interferir em uma resposta que seria mais simples.

Outro estudo, apresentado na ACL em 2025, chegou a uma conclusão semelhante por outro caminho. Os pesquisadores argumentam que o comando genérico “think step by step” pode até atrapalhar o desempenho em determinados problemas. Segundo os experimentos, encontrar instruções mais adequadas à tarefa produziu ganhos superiores a 50% em algumas avaliações. 

E os modelos de raciocínio?

Há ainda uma diferença importante entre modelos tradicionais e modelos desenvolvidos especificamente para raciocinar.

Nos modelos anteriores, pedir “pense passo a passo” era uma maneira de induzir o comportamento de raciocínio. Já os modelos de raciocínio mais recentes são treinados para realizar esse processo internamente.

Por isso, repetir a instrução pode ter pouco efeito. Um relatório de pesquisadores da Wharton publicado em 2025 encontrou ganhos marginais ao aplicar chain-of-thought a modelos de raciocínio, enquanto o tempo de resposta aumentou entre 20% e 80% nos testes.

Isso muda a forma de usar a ferramenta. Em vez de transformar toda pergunta em um problema complexo, o profissional deve considerar primeiro o tipo de tarefa.

Quer aprender a aplicar IA em decisões, produtividade e carreira? O Pré-MBA em IA da Saint Paul e Exame está disponível por R$ 37.

Quando vale a pena pedir raciocínio em etapas

Para quem utiliza inteligência artificial no trabalho, uma regra prática é separar tarefas simples das que possuem múltiplas etapas.

Para uma definição, uma tradução ou uma pergunta factual simples, provavelmente não há necessidade de acrescentar “pense passo a passo”.

Já em tarefas como análise de dados, programação, planejamento, comparação de cenários e resolução de problemas complexos, estruturar o processo pode ser útil.

Uma alternativa mais eficiente do que simplesmente escrever “pense passo a passo” é definir o que deve ser analisado.

Por exemplo:

“Compare as três alternativas considerando custo, risco, prazo e impacto operacional. Apresente primeiro os critérios analisados e depois indique qual alternativa atende melhor às condições apresentadas.”

Nesse caso, o usuário não está apenas pedindo mais raciocínio. Está direcionando a análise para os fatores que realmente importam.

Como usar a técnica no trabalho

O principal aprendizado é não tratar “pense passo a passo” como um comando universal para melhorar qualquer resposta.

Antes de usá-lo, vale perguntar: esta tarefa realmente exige várias etapas? Se a resposta for sim, instruções que organizem os critérios, apresentem verificações intermediárias ou peçam uma comparação estruturada podem ser mais úteis do que um comando genérico.

Também é importante não confundir uma resposta detalhada com uma resposta correta. A própria pesquisa sobre chain-of-thought mostra que adicionar etapas pode aumentar ou reduzir a precisão dependendo do problema. 

Para profissionais, portanto, o ganho não está em fazer a IA “pensar mais” em todas as situações. Está em saber quando estruturar o raciocínio e, principalmente, em fornecer contexto suficiente para que a ferramenta consiga trabalhar sobre o problema certo.

O Pré-MBA em IA da Saint Paul e Exame custa R$ 37 e aborda o uso da inteligência artificial no ambiente profissional.