Tom dos prompts em chatbots: polidez, rudeza e precisão

À medida que os chatbots entram nas rotinas do dia a dia, muita gente passa a usar automaticamente um jeito educado de pedir as coisas. Só que evidências recentes indicam que o tom não serve apenas para “soar simpático”: ele altera a forma como os sistemas respondem - às vezes de um jeito que foge do esperado e coloca em xeque suposições de design.

Quando prompts ríspidos parecem funcionar melhor

Um estudo recente conduzido por dois pesquisadores da Penn State, divulgado em outubro de 2024, comparou cinco estilos de tom em 50 perguntas de múltipla escolha. Eles enviaram a um modelo de ponta versões que iam de muito educadas a abertamente agressivas. Conforme o tom ficava mais duro, a precisão subia. Pedidos muito educados ficaram em torno de 80.8% de acerto, enquanto versões muito impolidas chegaram a cerca de 84.8%.

Prompts mais secos, curtos e até agressivos elevaram em alguns pontos o desempenho de um modelo de primeira linha em um conjunto fixo de questões.

Para diminuir a variação, os autores repetiram cada pergunta 10 vezes para cada tom. O desenho se repetiu: ordens diretas superaram pedidos suaves. A linguagem neutra ficou no meio. Até formulações levemente desdenhosas tiveram desempenho melhor do que gentilezas corteses.

Isso parece contraintuitivo. Estamos acostumados à ideia de que respeito favorece cooperação, e muitos usuários relatam resultados melhores ao adicionar um “por favor”. Então por que sinais mais ásperos arrancariam mais respostas corretas? Segundo os autores, modelos grandes modernos reagem de forma incomum a sinais fracos na escolha de palavras e na estrutura. Comandos objetivos reduzem a ambiguidade. Menos “acolchoamento” emocional deixa a intenção mais fechada e as restrições mais nítidas. Assim, o modelo tem menos caminhos interpretativos para seguir.

O que os números não mostram

Nem todo sistema responde do mesmo jeito. Uma equipe internacional liderada por Ziqi Yin, com publicação em novembro de 2024, investigou polidez em inglês, chinês e japonês. Os resultados foram mistos. Alguns modelos, incluindo GPT‑3.5 e Llama2‑70B, pioraram quando receberam linguagem grosseira. Em certos casos, um tom educado ou moderadamente firme gerou resultados melhores. O idioma e normas culturais influenciaram o efeito, sugerindo que não existe uma receita universal.

Modelos não “se ofendem”. Eles associam suas palavras a padrões estatísticos aprendidos a partir de dados humanos caóticos - e essa distribuição muda conforme o modelo e a língua.

Há um mecanismo plausível por trás disso. Na internet, interações agressivas costumam ser curtas, diretas e estruturalmente simples. Elas aparecem como comandos, listas de verificação ou respostas secas. Um prompt enxuto pode, sem querer, se parecer com dados de treinamento de alto sinal que o modelo consegue tratar bem. Ao reproduzir esse formato, o modelo se prende a um “molde” familiar e tende a divagar menos.

O custo humano de “otimizar” o tom

Existe um efeito social inevitável. Se ensinarmos as pessoas que xingar o software dá vantagem, as normas mudam. Pistas comportamentais vazam para outros ambientes - chats de suporte, salas de aula, locais de trabalho. Isso enfraquece a inclusão e prejudica usuários que já enfrentam hostilidade online. A equipe da Penn State reconheceu esse risco e desaconselhou, como prática geral, o uso de prompts hostis, apesar do efeito observado.

Times de produto também precisam se preocupar com inconsistência. Um ajuste que melhora um modelo em inglês pode piorar outro em japonês. Empresas não podem depender de um único “macete” de tom para todos os mercados ou produtos. Se a mesma solicitação precisar ser traduzida, o ganho pode desaparecer - ou até se inverter.

O que quem constrói modelos deve fazer a seguir

Em vez de premiar grosseria, o caminho é reduzir a sensibilidade ao tom em tarefas factuais. As opções incluem melhor instruction tuning, treinamento adversarial com uma variedade de tons e baterias de avaliação que comparem resultados ao longo de faixas de polidez. Se o tom faz a precisão oscilar, o núcleo de raciocínio do sistema ainda não é robusto o suficiente.

Configuração da tarefa	Tom que ajudou	Tom que atrapalhou	Observações
Perguntas de múltipla escolha, inglês, modelo mais recente	Agressivo ou muito direto	Muito educado	Ganho de ~4 pontos percentuais em um estudo
Tarefas mistas, multilíngue	Moderadamente educado	Grosseiro (em alguns modelos)	Varia conforme idioma e família do modelo

Como obter respostas mais precisas sem ser grosseiro

Dá para capturar a maior parte dos benefícios associados ao “tom rude” usando precisão e estrutura - não ofensas. Experimente estas práticas:

• Antecipe restrições: descreva tarefa, formato e limites já na primeira frase.
• Peça uma resposta compacta: limites de palavras ou de tokens diminuem a deriva.
• Mostre um esquema-alvo: ofereça um minitemplate do que você quer receber.
• Inclua um teste de qualidade do raciocínio: “Dê a alternativa final e a alternativa errada mais tentadora”.
• Defina critérios de avaliação: “Avalie sua resposta pela regra X e depois revise uma vez”.
• Use passos numerados em tarefas complexas; use marcadores para extração de dados.
• Corte enchimentos emocionais; prefira verbos fortes e sem ambiguidade.

Clareza, não crueldade. Prompts curtos e cheios de restrições recuperam os ganhos sem normalizar hostilidade.

Um experimento rápido em casa

Quer checar de forma rápida? Separe 20 perguntas factuais com respostas conhecidas. Escreva três prompts para cada uma: muito educado, neutro-direto e conciso-firme (sem insultos). Execute cada um três vezes e anote a precisão. A maioria das pessoas vê o neutro-direto ou o conciso-firme empatar com a condição rude, principalmente quando o prompt inclui formato de saída e limites.

Por que o tom importa até em código e trabalho com dados

Por trás das cortinas, a maioria dos chats combina um modelo central com camadas adicionais: filtros de segurança, instruction tuning e “invólucros” de conversa. Essas camadas frequentemente recompensam deferência e empatia para aumentar a sensação de ajuda, enquanto o motor central de predição responde melhor à estrutura. Quando tom e estrutura entram em conflito, o que “vence” muda conforme o modelo e o domínio. Por isso, uma redação curta e mecânica costuma levar vantagem em programação, extração de dados e matemática - áreas em que a ambiguidade derruba a precisão.

Sinais para acompanhar nos próximos meses

Três movimentos devem moldar o debate. Primeiro, curadoria de dados de treinamento: conjuntos conversacionais mais equilibrados tendem a reduzir efeitos de tom. Segundo, alinhamento multilíngue: quem constrói modelos vai buscar comportamento mais consistente entre idiomas, para que o tom não faça os resultados oscilarem tanto. Terceiro, pressão de políticas: produtos voltados ao consumidor não podem recompensar linguagem tóxica, então fornecedores devem incluir testes de invariância ao tom como critério de liberação.

---

Contexto extra para quem quer se aprofundar

Um termo que vale destrinchar

O aprendizado por reforço com feedback humano (RLHF) treina modelos a preferir respostas úteis, inofensivas e verdadeiras por meio de ranqueamento de saídas. Isso molda estilo e segurança, mas não reconstrói completamente o conhecimento interno do modelo. Essa lacuna abre espaço para “manias” de tom aparecerem, sobretudo quando um prompt se encaixa muito bem em padrões vindos do pré-treinamento.

Riscos e vantagens a considerar

• Risco: detectores de toxicidade podem rebaixar ou bloquear prompts grosseiros, escondendo melhorias reais de desempenho e frustrando usuários.
• Risco: equipes adotam modelos de texto mais duros que, sem perceber, escorrem para e-mails e tickets, prejudicando a cultura.
• Vantagem: prompts concisos reduzem tokens e latência mantendo alta precisão, o que melhora custo e velocidade.
• Vantagem: pistas estruturais claras tornam as saídas mais fáceis de interpretar programaticamente, ajudando a automação.

Uma pequena ideia de simulação para equipes

Monte um benchmark de robustez ao tom para suas cinco tarefas mais importantes. Para cada tarefa, crie versões ao longo de um espectro de tom, do caloroso ao seco e ao severo-porém-neutro. Rode avaliações semanais após atualizações de modelo ou de prompt. O objetivo não é “coroar” um tom vencedor. É reduzir a diferença de desempenho até que qualquer prompt respeitoso funcione tão bem quanto o comando mais enxuto.