Você sabe o que está usando quando conversa com uma IA?

Pergunta séria. Não retórica.

Todo dia você abre o ChatGPT, o Claude, o Gemini, digita uma pergunta e recebe uma resposta que parece ter sido escrita por alguém que entendeu exatamente o que você quis dizer.

Mas entendeu mesmo? E você entendeu o que aconteceu?

Nas duas primeiras edições, mostrei o que uso e como uso — o stack completo do escritório, e o passo a passo de como escrevo uma petição inicial em uma hora. Hoje eu quero voltar um passo atrás. Porque nada do que mostrei ali funciona se você não entender uma coisa: porque o contexto importa tanto quando você conversa com uma IA.

E para entender isso direito, precisa entender de onde essa tecnologia veio.

1950: a pergunta que começou tudo

Em 1950, o matemático Alan Turing publicou um dos artigos mais influentes da história da ciência. A pergunta era simples de escrever e impossível de responder direito: "Podem máquinas pensar?"

Turing sabia que discutir "pensar" ia virar debate filosófico infinito. Então ele propôs outra coisa: o Jogo da Imitação, hoje conhecido como Teste de Turing.

A ideia: um avaliador humano conversa por texto com dois participantes escondidos. Um humano de verdade, uma máquina programada para parecer humana. Se o avaliador não conseguir distinguir com confiança quem é quem, a máquina passa no teste.

Repare no que Turing sugeriu como caminho: em vez de tentar criar direto uma máquina que pensasse como um adulto, ele propôs criar uma máquina que pensasse como um bebê e desse a ela a capacidade de aprender.

Essa frase, escrita em 1950, descreve exatamente o que os modelos de linguagem fazem hoje.

A primeira vez que uma máquina enganou gente

Em 1964, surgiu a Eliza — o primeiro chatbot da história. Ela simulava os conselhos de uma psicanalista. Ela enganou muita gente. Mas não porque entendia o que ouvia. Ela reconhecia padrões de texto e devolvia frases prontas.

Uma crítica famosa da época dizia: uma máquina poderia simplesmente memorizar todas as perguntas e respostas possíveis pra passar no teste. Físicos provaram, com matemática, que isso é impossível. Armazenar as possibilidades de uma conversa de apenas 37 segundos exigiria mais capacidade do que o universo inteiro possui.

Ou seja: para realmente sustentar uma conversa, a máquina precisaria de algo além de memória. Precisaria de um jeito de prever linguagem.

É aqui que a história começa a ficar interessante para quem usa IA hoje.

A evolução das IAs de linguagem — em três passos

Modelos de N-gramas (desde 1948)

A primeira tentativa foi prever a próxima palavra com base na frequência das palavras anteriores. Alimentando o modelo com textos — de Machado de Assis a qualquer outro autor — ele aprendia qual palavra costuma vir depois de qual.

Funcionava bem em frases curtas. Desmoronava em frases longas. O modelo perdia o fio da meada. Literalmente, perdia o contexto.

Word Embeddings — Espaços Semânticos (anos 2000)

O passo seguinte foi transformar palavras em vetores numéricos, agrupando palavras com significado parecido no mesmo espaço matemático.

O exemplo clássico: a distância matemática entre "homem" e "rei" é a mesma distância entre "mulher" e "rainha". A máquina passou a lidar com semântica através de operação matemática. Ela não "entendia" a palavra, mas capturava a relação entre ela e as outras.

A Arquitetura Transformer (2017)

O salto que criou o ChatGPT, o Claude, o Gemini e todo o resto que você usa hoje.

Antes do Transformer, os modelos liam texto praticamente palavra por palavra, em sequência. O Transformer introduziu o mecanismo de atenção: em vez de ler uma palavra de cada vez, a rede analisa simultaneamente como todas as palavras de uma frase influenciam o significado umas das outras, antes de prever a próxima.

É esse mecanismo que permite que um modelo "lembre" que o sujeito lá no início da frase muda o sentido do verbo lá no final, mesmo com quinze palavras no meio.

E é exatamente aqui que mora o mal-entendido

A maioria das pessoas conversa com a IA como se estivesse falando com alguém que entende o mundo.

Na prática, os modelos de linguagem funcionam de outro jeito. Eles foram treinados para prever qual é a sequência de palavras mais provável diante de um contexto. Só isso.

Não existe compreensão no sentido humano. Existe cálculo de probabilidade, palavra por palavra, bilhões de vezes, numa velocidade que simula conversa.

O erro mais comum

Imagine que você peça:

"Escreva uma petição."

Esse comando fornece pouquíssimo contexto. O modelo vai tentar prever qual é a "petição típica" mais provável encontrada durante o treinamento dele. O resultado tende a ser genérico.

Agora compare com:

"Atue como um advogado especialista em concursos públicos com 13 anos de experiência. Escreva uma petição inicial para demonstrar preterição decorrente de contratações temporárias, nos termos do Tema 784 de Repercussão Geral do STF. Utilize linguagem simples, objetiva, períodos curtos e organize os argumentos em cinco tópicos. Não cite jurisprudência. A tese principal é..."

Esse segundo prompt funciona melhor porque você reduziu a incerteza. Você restringiu o universo de possibilidades que o modelo precisa considerar.

Pense na IA como um escritor extremamente rápido

Imagine um escritor capaz de escrever qualquer livro do mundo.

Se você disser "escreva alguma coisa", ele fica sem direção.

Mas se disser: "Escreva um artigo de 1.500 palavras para candidatos a concurso público, com linguagem semelhante à de um professor experiente, explicando a diferença entre expectativa de direito e direito subjetivo à nomeação" — agora existe um caminho claro.

Com a IA acontece exatamente isso. Quanto mais contexto você fornece, menor é o espaço para interpretações erradas.

O modelo trabalha por probabilidades

Em cada palavra gerada, o modelo está fazendo, de forma simplificada, algo assim:

Depois de ler seu prompt, qual destas palavras parece mais provável pra completar "o candidato possui ________"?

• direito — 40%
• expectativa — 25%
• interesse — 15%
• possibilidade — 10%
• ...

Ele faz esse cálculo de novo para próxima palavra. E de novo. Milhares de vezes.

Ele não escreve o texto inteiro de uma vez. Constrói palavra por palavra. É por isso que pequenas mudanças no prompt produzem respostas completamente diferentes.

O contexto vale mais do que o comando

Compare:

Prompt 1: "Faça um recurso." Resultado provável: um recurso genérico.

Prompt 2: "Você é advogado especialista em concursos públicos. O recurso será dirigido ao TJMG. A sentença reconheceu a legalidade da eliminação na heteroidentificação. Quero demonstrar ausência de motivação administrativa. Utilize linguagem simples, sem adjetivos excessivos, faça uma síntese inicial em formato lead e limite o texto a três páginas."

Agora o modelo possui dezenas de restrições. Cada restrição elimina milhares de possibilidades. O resultado tende a ficar muito mais próximo do que você realmente deseja.

Bons prompts diminuem a ambiguidade

A IA não sofre porque "não sabe". Ela sofre porque existem muitas respostas plausíveis.

"Faça uma síntese." Síntese de quê? Para quem? Com qual tamanho? Com qual objetivo? Em qual linguagem? Para qual área?

Quanto mais perguntas ficam em aberto, mais espaço existe para respostas diferentes daquilo que você imaginava.

Os melhores prompts são especificações, não pedidos

Programadores costumam dizer que um bom software depende de uma boa especificação. Com IA acontece a mesma coisa.

Um prompt eficiente se parece muito mais com um documento de requisitos do que com uma pergunta.

É por isso que os prompts jurídicos que mostrei na edição anterior funcionam bem. Eles informam:

• o papel ("advogado especialista em concurso público")
• a experiência ("12 anos de atuação")
• o estilo ("linguagem simples e objetiva")
• o público-alvo
• a estrutura da peça
• o objetivo
• as restrições (não citar jurisprudência, máximo de três páginas etc.)

Na prática, isso é uma especificação de trabalho. Não um pedido.

O princípio mais importante

Uma forma simples de pensar sobre isso:

A IA não lê sua intenção; ela lê seu contexto.

Seres humanos preenchem lacunas usando experiência, linguagem corporal, histórico compartilhado. Um modelo de linguagem não faz isso da mesma forma. Ele depende do texto disponível na conversa para inferir o que deve ser produzido.

Sempre que você transforma uma intenção implícita em instrução explícita, a qualidade da resposta tende a aumentar.

Em outras palavras:

• Pouco contexto → muitas interpretações possíveis → resposta genérica
• Muito contexto → poucas interpretações possíveis → resposta consistente e alinhada ao objetivo

Essa é uma das razões pelas quais quem usa IA há mais tempo obtém resultado tão superior. Não é sorte, não é "prompt secreto". É que essas pessoas não fazem perguntas melhores. Elas fornecem contexto, restrições, objetivo e critério de qualidade que reduzem a incerteza e guiam o modelo na direção certa.

O que isso muda na prática

Voltando para a petição inicial da edição anterior: quando eu passo 10 a 20 minutos conversando com a Minuta IA antes de escrever qualquer prompt, não é ritual. É construção de contexto. Exatamente o mecanismo que você acabou de entender aqui.

Cada documento analisado, cada estratégia discutida, cada rito e força de argumento debatido. Tudo isso reduz o espaço de possibilidades antes da máquina prever a primeira palavra da petição.

Quem entende esse princípio não precisa decorar prompt pronto de ninguém. Ele constrói o próprio contexto, caso a caso, porque entende por que isso funciona.

É essa a diferença entre usar IA e usar IA bem.

Até a próxima.