Chain of thought: quando pedir o passo a passo à IA

Use chain of thought quando a tarefa se beneficiar de etapas intermediárias explícitas, mas evite transformar “pense passo a passo” em uma instrução padrão para modelos de raciocínio. A técnica apresentada em 2022 usava exemplos resolvidos para orientar o modelo até a resposta; os modelos de raciocínio atuais podem fazer esse trabalho internamente, sem exibi-lo. Nas tarefas de negócio, defina as evidências e o resultado de que você precisa. Ajuste o esforço de raciocínio quando a tarefa justificar.

O que é chain of thought?

Chain of thought prompting, ou prompting com cadeia de pensamento, fornece etapas intermediárias a um modelo de linguagem ou pede que ele as produza, em vez de apresentar apenas a resposta final. Um modelo de linguagem de grande porte, também chamado de LLM, gera texto a partir das instruções e do contexto que recebe. CoT é uma forma de estruturar essa interação.

Jason Wei e seus coautores apresentaram a técnica com esse nome no artigo Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, submetido pela primeira vez em 28 de janeiro de 2022. Os exemplos do prompt combinavam um problema, uma explicação curta e a resposta. Diante de um novo problema, o modelo seguia o mesmo padrão. A técnica orientava um modelo já existente por meio do prompt, sem treiná-lo novamente para cada tarefa. Artigo original.

Imagine um analista aprendendo a fazer uma conciliação de estoque. Mostrar apenas o saldo final esconde o método. Apresentar o estoque inicial, as saídas, as entradas e o saldo resultante demonstra o cálculo. Essa é a ideia por trás da técnica original.

Os modelos de raciocínio atuais trazem uma distinção: o rascunho de trabalho do analista e o relatório entregue ao gestor são coisas separadas. Você pode dar ao modelo mais espaço para trabalhar internamente e, ainda assim, pedir uma resposta final curta.

Para que serve a cadeia de pensamento?

A técnica busca ajudar na resolução de problemas em que as operações intermediárias fazem diferença. Quando o modelo se beneficia de demonstrações explícitas, um exemplo resolvido pode indicar quais valores combinar ou qual regra aplicar.

Para quem usa a IA na operação, a pergunta relevante é se o resultado fica mais correto e mais fácil de conferir. Uma explicação mais longa, por si só, não comprova nenhuma dessas melhorias. Trate a mudança no prompt como uma hipótese a testar na sua própria tarefa.

Exemplos de chain of thought em tarefas de negócio

Use um exemplo resolvido para ensinar um método; defina os requisitos da resposta para indicar o que o revisor precisa ver. Esses objetivos podem se sobrepor, mas são motivos diferentes para pedir etapas explícitas.

Um exemplo de prompt: antes e depois

Veja um prompt ilustrativo de conciliação de estoque, adaptado a uma tarefa de negócio, sem reproduzir um exemplo do artigo científico. Os cálculos servem para explicar a técnica; não são respostas obtidas em um teste com um modelo.

Antes: uma demonstração só com a resposta

Pergunta de exemplo: O estoque começa com 12 unidades, saem 5 e entram 3. Quantas restam?

Resposta de exemplo: 10 unidades.

Nova pergunta: O estoque começa com 18 unidades, saem 7 e entram 4. Quantas restam?

Depois: a mesma demonstração com o cálculo intermediário

Pergunta de exemplo: O estoque começa com 12 unidades, saem 5 e entram 3. Quantas restam?

Resposta de exemplo: Estoque restante = estoque inicial − saídas + entradas = 12 − 5 + 3 = 10 unidades.

Nova pergunta: O estoque começa com 18 unidades, saem 7 e entram 4. Quantas restam?

A mudança está no método mostrado dentro do exemplo. A resposta correta à nova pergunta continua sendo a mesma nos dois casos: 15 unidades. O prompt não prova que o modelo vai acertar; ele demonstra como funciona o CoT few-shot. “Few-shot” significa fornecer exemplos no prompt, e uma única demonstração é a versão mínima desse padrão.

Extração: peça o campo e a evidência que o confirma

Para um profissional de contas a pagar que precisa extrair o número de uma fatura, comece com uma instrução direta:

Retorne o número da fatura exatamente como está escrito e a linha do documento em que ele aparece. Se não houver número, retorne null. Não deduza o número a partir de outros identificadores.

Uma longa explicação sobre como o modelo identificou um rótulo pouco acrescenta. A linha de origem permite ao revisor conferir a extração. Se a tarefa passar a envolver a conciliação de pedidos de compra e faturas com informações divergentes, pode fazer sentido aumentar o esforço de raciocínio.

Decisões: peça a regra aplicada

Para um profissional de suporte que analisa um pedido de reembolso, defina o que a resposta precisa conter:

Aplique apenas a política de reembolso fornecida. Retorne a recomendação, a cláusula aplicável da política, os fatos sobre o cliente que sustentam a recomendação e qualquer informação ausente que impeça uma decisão. Seja breve na justificativa.

Esse prompt especifica evidências úteis sem pedir uma transcrição do raciocínio interno. Mantenha as instruções reutilizáveis sobre política e formato de resposta no prompt de sistema, separadas claramente dos documentos específicos de cada caso.

Como funciona o chain of thought zero-shot?

O CoT zero-shot pede raciocínio intermediário sem fornecer um exemplo resolvido. Takeshi Kojima e seus coautores estudaram essa abordagem em Large Language Models are Zero-Shot Reasoners, submetido pela primeira vez em 24 de maio de 2022, usando a frase “Vamos pensar passo a passo”. Artigo sobre CoT zero-shot.

Na tarefa de estoque, o prompt fica assim:

O estoque começa com 18 unidades, saem 7 e entram 4. Quantas restam? Vamos pensar passo a passo.

A frase dá uma instrução geral, sem demonstrar um método específico. Vale conhecer seu papel na história da técnica, mas ela não funciona como um comando universal capaz de melhorar qualquer modelo atual.

As variantes também descrevem mecanismos diferentes. O CoT few-shot fornece demonstrações resolvidas. O CoT zero-shot fornece uma instrução sem demonstrações. O Auto-CoT usa um modelo para construir demonstrações a partir de perguntas variadas; não é outro nome para o raciocínio interno de um modelo. Artigo sobre Auto-CoT.

Nas tarefas de negócio, comece com uma descrição clara do que fazer e examine os erros. Acrescente exemplos quando faltar um método, um caso-limite ou uma demonstração do formato de resposta esperado.

O que muda com os modelos de raciocínio?

Quando o modelo tem raciocínio nativo, seu principal trabalho é definir a tarefa, as restrições e o resultado esperado. O controle de raciocínio determina quanto trabalho interno o modelo pode dedicar à tarefa. Já as instruções sobre a explicação final determinam o que o usuário recebe.

As orientações abaixo foram conferidas na documentação disponível da OpenAI, da Anthropic e do Google em 18 de outubro de 2026. Os controles variam conforme o modelo e a API: não existe uma configuração universal de “orçamento de raciocínio” que possa ser copiada para todos os provedores.

OpenAI: dê instruções diretas aos modelos de raciocínio

As orientações da OpenAI dizem que pedir raciocínio passo a passo é desnecessário nesses modelos, pois eles já raciocinam internamente, e pode até prejudicar o desempenho em alguns casos. Comece pelo objetivo, pelo contexto relevante, pelas restrições e por um formato de resposta claro. Boas práticas para modelos de raciocínio.

Essa orientação não se aplica a todos os modelos da OpenAI. O guia de prompts do GPT-4.1 o identifica como um modelo sem raciocínio nativo e aponta que instruções explícitas de resolução por etapas podem ajudar, com aumento no volume de saída e na latência. Escolha a abordagem de prompt de acordo com o modelo que você usa. Guia de prompts do GPT-4.1.

Anthropic: ajuste o raciocínio e o esforço antes de prescrever cada etapa

O guia de prompts do Claude, da Anthropic, dá preferência a orientações gerais de raciocínio em vez de uma sequência de etapas escrita manualmente. Exemplos resolvidos continuam sendo úteis para ensinar uma abordagem. Nos modelos em que isso se aplica, o CoT manual é uma alternativa quando o raciocínio está desativado; alguns modelos mais novos podem recusar pedidos para expor seu raciocínio interno. Boas práticas de prompts para o Claude.

Na prática, primeiro escolha um nível de esforço adequado à carga de trabalho. Depois, acrescente orientações ao prompt se o comportamento do modelo ainda precisar de ajustes. Uma solicitação simples pode receber uma resposta direta, e configurar o esforço não garante a exibição de um bloco de raciocínio. Como orientar o raciocínio.

Google: o raciocínio interno geralmente dispensa um plano na resposta

O guia de prompts do Gemini informa que as séries Gemini 2.5 e Gemini 3 geram raciocínio interno. Por isso, em geral não é necessário pedir que retornem planos ou etapas detalhadas de raciocínio. O guia também diz que uma instrução simples para pensar mais pode ajudar em problemas difíceis, com consumo adicional de tokens de raciocínio. Essa orientação depende da tarefa; não promete que acrescentar a frase melhore qualquer resposta. Estratégias de criação de prompts para o Gemini.

Para consultar um campo, o guia de raciocínio do Google recomenda o nível mínimo ou baixo, quando disponível. Reserve um esforço maior para tarefas complexas, como planejamento com várias etapas. Raciocínio no Gemini.

Esforço de raciocínio e orçamento de tokens: qual é a diferença?

Um nível de esforço orienta a profundidade do trabalho do modelo. Um orçamento de tokens define quanto ele pode gastar com raciocínio nas configurações que oferecem esse recurso. Nenhum dos dois especifica quais evidências devem aparecer na resposta final.

Esses são nomes de campos para localizar na sua integração, não um formato de configuração comum aos provedores. Antes de alterá-los, consulte a referência de raciocínio da OpenAI, o guia de raciocínio do Claude e a referência de Generate Content do Gemini.

Cobrança: a OpenAI informa que os tokens de raciocínio são cobrados como tokens de saída, embora seu conteúdo bruto não fique visível pela API. Informações de cobrança do provedor.

Tokens são as unidades que o modelo processa e gera. O guia sobre o que são tokens em IA explica a diferença entre o texto visível e o consumo de tokens. Mesmo uma resposta curta pode exigir bastante trabalho interno.

Quando vale pedir etapas explícitas na resposta?

Peça etapas explícitas quando elas fizerem parte do resultado útil da tarefa. Um profissional de finanças pode precisar da fórmula e dos valores usados nela. Um revisor de suporte pode precisar da cláusula da política e dos fatos que se enquadram nela. Um analista de negócios pode precisar das premissas, das fontes e do cálculo que sustenta uma recomendação.

Faça um pedido concreto:

Retorne a recomendação, as referências às fontes que a sustentam, as principais premissas e uma explicação breve. Mostre os cálculos necessários para reproduzir o resultado. Aponte as evidências que faltam.

Isso produz uma explicação que uma pessoa pode avaliar. O pedido não exige cada pensamento interno, tentativa descartada ou estado intermediário privado.

Os resumos de raciocínio oferecidos pelos provedores são outro tipo de saída. A OpenAI disponibiliza resumos de raciocínio quando há suporte a eles, em vez dos tokens de raciocínio brutos. A Anthropic descreve o texto de raciocínio do Claude como um resumo, e não como a cadeia de pensamento bruta. Use esses resumos como contexto para diagnóstico, sem tratá-los como um registro completo da computação. Resumos da OpenAI, saída de raciocínio do Claude.

Quem desenvolve deve definir campos que a aplicação consiga validar. Quem opera deve definir evidências que um revisor consiga conferir. Se a decisão depender de um saldo atualizado ou do status de um pedido, use uma ferramenta para buscar essa informação. O function calling conecta o modelo a essas operações externas; pedir que ele raciocine por mais tempo não traz o registro que está faltando.

Quando o chain of thought atrapalha?

Dispense prompts elaborados de raciocínio quando a tarefa for uma busca simples ou uma extração com formato fixo. Retornar o identificador conhecido de uma conta não deveria exigir uma argumentação. O texto adicional aumenta o volume que a aplicação precisa processar e o revisor precisa ler.

A latência é outro limite. Explicitar o raciocínio gera mais texto de saída, enquanto elevar o esforço nativo pode atrasar a resposta útil. A OpenAI documenta esse custo em volume de saída e latência para o GPT-4.1, e o Google recomenda raciocínio mais leve para tarefas simples. A regra prática é começar com um prompt direto e só aumentar a complexidade quando suas avaliações justificarem. Guia do GPT-4.1, orientações de raciocínio do Gemini.

A falta de informação é outro tipo de problema. Se a política relevante não foi fornecida, pedir mais raciocínio não resolve a falha. Busque a política e identifique sua versão. Se a entrada for grande demais, ajuste o que entra na janela de contexto, o espaço de trabalho disponível para o modelo, antes de experimentar mais raciocínio.

Um método rígido também pode ser inadequado para a tarefa. Um exemplo de estoque que trata de entradas e saídas não explica como lidar com devoluções, avarias ou estoque reservado. Use exemplos representativos e permita que o modelo informe quando faltar uma regra.

O que os números do estudo original demonstram — e o que fica de fora?

O benchmark original registra um resultado histórico em uma tarefa definida; ele não promete um ganho de acurácia para tarefas de negócio. O artigo de Wei e seus coautores publicado na NeurIPS 2022 apresenta 17.9% de acurácia com prompting padrão e 56.9% com chain of thought prompting para o PaLM 540B no GSM8K, um benchmark de problemas matemáticos descritos em texto. A configuração usava oito demonstrações resolvidas. Os números estão na Tabela 1 da revisão do artigo datada de 10 de janeiro de 2023. Artigo e resultados.

Esses números não estimam o ganho na extração de dados de faturas, nas recomendações de reembolso ou em um modelo de raciocínio atual. O modelo, o benchmark e a configuração do prompt importam. Use os resultados para entender por que a técnica chamou atenção. Depois, meça o desempenho na tarefa que você pretende colocar em produção.

O que há de exagero nas promessas sobre chain of thought?

Uma explicação convincente não equivale a uma trilha de auditoria completa. Em uma pesquisa publicada em 3 de abril de 2025, a Anthropic encontrou casos em que modelos usavam pistas fornecidas, mas omitiam essa influência nas explicações. Os experimentos ocorreram em cenários controlados, com modelos e tarefas específicos; não medem todos os fluxos de trabalho de negócio. Ainda assim, mostram por que uma justificativa não deve ser tratada como prova de como a resposta foi produzida. Pesquisa da Anthropic sobre fidelidade das explicações.

Para que uma decisão possa ser auditada, preserve os documentos fornecidos, os registros recuperados, os resultados das ferramentas, as regras aplicadas e a resposta final. Confira as citações nas fontes e refaça os cálculos sempre que possível. Uma explicação escrita pelo modelo pode ajudar o revisor a entender a recomendação, mas não substitui esses registros.

Outro exagero é dizer que os modelos de raciocínio tornam irrelevante a elaboração de prompts. O que muda é aquilo que você precisa especificar. O objetivo de negócio, os limites das evidências que podem ser usadas, o tratamento de exceções e o formato da resposta continuam sob sua responsabilidade.

O que ajustar no seu fluxo de trabalho nesta semana?

Se todas as solicitações carregam a instrução genérica “pense passo a passo”, é hora de rever esse padrão. Quem desenvolve deve testar a remoção da frase em extrações rotineiras e comparar prompts diretos nos mesmos casos. Quem opera deve trocar pedidos de raciocínio exaustivo por uma resposta com elementos definidos para revisão: evidências, cálculos, premissas e uma recomendação breve.

Mantenha o prompt que funciona enquanto testa seu substituto. Um modelo sem raciocínio nativo que usa demonstrações úteis não se torna obsoleto automaticamente. Migrar para um modelo de raciocínio é motivo para reavaliar o fluxo, não uma prova de que o anterior deve ser eliminado.

1. 1

   Escolha uma tarefa cuja resposta possa ser conferida

   Use uma atividade recorrente, como a extração de campos de faturas ou a conciliação de estoque. Registre o que conta como resposta correta, em quais situações o modelo deve informar que faltam dados e quais elementos seu software precisa conseguir interpretar.

2. 2

   Compare uma mudança por vez

   Mantenha o modelo e os casos de entrada fixos ao comparar um prompt direto com outro que inclua um exemplo resolvido. Depois, em um modelo de raciocínio, mantenha o prompt fixo e varie um nível de esforço disponível. Registre a correção das respostas, o comportamento quando faltam evidências, o tempo de conclusão e o consumo de tokens.

3. 3

   Mantenha só as mudanças que justificam a complexidade

   Prefira verificações determinísticas para cálculos e campos que exigem correspondência exata. Quando houver necessidade de julgamento, use critérios definidos e revisão humana; um LLM como avaliador pode ajudar a ampliar a escala da avaliação, mas suas notas também precisam de calibração. Coloque em produção a versão que atende aos requisitos de qualidade e tempo de resposta.

Para começar na segunda-feira: escolha um prompt usado em uma tarefa recorrente de negócio, especifique as evidências de que o revisor precisa e faça a comparação acima. Mantenha a configuração mais simples que passar nas suas verificações.

Perguntas frequentes sobre chain of thought prompting

O que é chain of thought prompting?

É uma forma de orientar um modelo de linguagem com etapas intermediárias ou demonstrações resolvidas antes da resposta final. A técnica few-shot original demonstra um método; o CoT zero-shot pede etapas sem fornecer exemplos.

Qual é um exemplo de cadeia de pensamento?

Em prompts de IA, um cálculo de estoque resolvido é um exemplo: o estoque inicial menos as saídas mais as entradas resulta no estoque final. Incluir esse cálculo em um exemplo resolvido demonstra como abordar uma pergunta semelhante.

Como seria um prompt com chain of thought?

“O estoque começa com 18 unidades, saem 7 e entram 4. Quantas restam? Vamos pensar passo a passo.” Esse é um exemplo de CoT zero-shot. Com um modelo de raciocínio nativo, você pode pedir diretamente o estoque final e um cálculo que permita reproduzir o resultado.

Chain of thought ainda é relevante?

Sim, sobretudo para modelos que se beneficiam de demonstrações explícitas e para tarefas em que uma explicação do método é útil. Os modelos de raciocínio mudam o ponto de partida: comece com instruções claras e controles de raciocínio nativos. Acrescente exemplos ou requisitos de explicação quando eles ajudarem.

Quem criou o chain of thought prompting?

Jason Wei e seus coautores apresentaram a técnica com esse nome no artigo de 2022 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. O trabalho combinou explicações intermediárias em linguagem natural com exemplos no prompt e se apoiou em pesquisas anteriores sobre justificativas e prompting.

Qual é a principal vantagem do chain of thought?

A técnica pode ajudar um modelo adequado a resolver um problema por meio de operações intermediárias, em vez de saltar diretamente para a resposta. A melhoria no seu fluxo depende do modelo e da tarefa; uma explicação mais longa não é, por si só, uma medida de qualidade.

Qual é a diferença entre prompt chaining e chain of thought?

Prompt chaining divide um fluxo de trabalho em várias chamadas ao modelo, passando o resultado de uma para a seguinte. Chain of thought prompting trata das etapas intermediárias dentro de uma demonstração no prompt ou de uma resposta. Um fluxo pode usar ambos, mas são escolhas de projeto distintas.

Para receber guias práticos de criação de fluxos úteis com IA, assine a newsletter.