Cenário no prompt de imagem: como a IA para de inventar o fu

Resposta rápida

Quando o prompt não descreve o lugar, a IA não deixa o fundo em branco, ela inventa alguma coisa plausível baseada no resto do pedido, e é aí que aparece aquele cenário genérico (parede lisa, gradiente colorido, ambiente que não é nem casa nem escritório nem rua). Estudo publicado na Frontiers in Artificial Intelligence (novembro de 2025, 104 participantes, 50 imagens de 5 modelos diferentes) mostrou que pessoas reais identificam corretamente imagem gerada por IA em 63,7% dos casos, mas essa taxa cai pra 29% quando o modelo é mais recente, o que mostra que os erros que hoje entregam a farsa (fundo incoerente, ambiente que não bate com a cena) estão desaparecendo rápido, mas só pra quem sabe descrever cenário direito. A técnica que resolve isso é a mesma usada pelo guia oficial de prompting do gpt-image, da OpenAI: organizar o prompt do cenário pro assunto (não o contrário), descrever o lugar em camadas de profundidade, e travar explicitamente o que precisa ficar igual quando você edita uma imagem existente. Este artigo traz os termos que ancoram um lugar de verdade e os erros que fazem o cenário sair solto ou incoerente com o resto da cena.

Por que a IA inventa o fundo quando você não descreve o cenário

O mecanismo é o mesmo que faz a IA inventar roupa genérica quando você pede “pessoa elegante” sem dizer o tecido: falta de informação vira decisão estatística do modelo, não vazio. Se você pede “uma mulher tomando café”, a IA precisa decidir ONDE ela está tomando esse café, e sem pista nenhuma, ela escolhe o cenário mais comum estatisticamente associado a “mulher” + “café” no material de treino, que costuma ser uma cozinha genérica ou uma cafeteria sem identidade nenhuma.

O guia oficial de prompting do gpt-image, da própria OpenAI, resolve isso com uma regra de ordem: o prompt deve seguir a sequência “cenário/fundo → assunto → detalhes → restrições”, ou seja, o lugar vem PRIMEIRO na frase, não como detalhe de rodapé. Isso não é estilo de escrita, é como o modelo prioriza a informação: cenário descrito logo no início ancora a composição inteira antes mesmo do assunto principal entrar, em vez de competir por atenção depois que a cena já está “decidida” mentalmente pelo modelo.

Os elementos que realmente ancoram um lugar (por camada)

Cenário genérico geralmente é sintoma de descrição plana, sem profundidade. Separar em camadas resolve isso, porque cada camada faz um trabalho diferente:

Primeiro plano (o que está mais perto da câmera, além do assunto). Objetos, textura de chão, mobília próxima. Uma “mesa de madeira com xícara” no primeiro plano já dá contexto que “fundo desfocado” sozinho não dá.
Plano médio (onde o assunto principal está, e o que o cerca imediatamente). É aqui que entra a identidade do lugar: “cozinha com bancada de mármore”, “sala de reunião com parede de vidro”, “calçada de paralelepípedo”.
Fundo (o que se vê ao longe, atrás de tudo). “Janela mostrando prédios da cidade”, “quintal com árvores desfocadas”, “estante de livros até o teto”. O fundo é o que dá profundidade e evita a sensação de estúdio artificial.
Elemento de época/lugar específico. Um detalhe que só existe naquele tipo de ambiente: azulejo português numa cozinha brasileira antiga, luminária industrial num coworking, letreiro de neon numa rua noturna. Um único elemento bem escolhido faz mais pelo reconhecimento do lugar do que dez adjetivos genéricos.

Frase que usa as quatro camadas: “mesa de madeira desgastada em primeiro plano com uma xícara de café fumegante, atrás dela uma cozinha com bancada de mármore branco e armários verde-oliva, ao fundo uma janela grande mostrando um quintal com uma oliveira, luz de manhã entrando de lado.”

Como travar o cenário sem perder o assunto principal

O erro mais comum em edição de imagem (pegar uma foto existente e pedir uma mudança) é dizer o que trocar sem dizer o que preservar, e o cenário costuma ser a primeira vítima: você pede pra IA mudar a roupa da pessoa, e o fundo muda junto sem você ter pedido. O guia oficial da OpenAI resolve isso com uma técnica de duas partes que vale tanto pra edição quanto pra geração do zero:

Frase de preservação: “preserve o ângulo de câmera, a iluminação do ambiente, as sombras no chão e os objetos ao redor. Mantenha todos os outros aspectos da imagem inalterados.”
Frase de mudança isolada: diga exatamente o que muda, sem tocar no resto: “mude só [elemento específico], mantendo cenário, fundo e enquadramento.”

Repetir a lista de preservação a cada nova instrução (se você for pedir vários ajustes seguidos na mesma imagem) reduz o que a documentação chama de “drift”: a tendência do modelo de ir se afastando aos poucos do cenário original a cada rodada de edição, mesmo quando cada pedido individual parecia pequeno.

Hora do dia, luz e clima: como isso muda o cenário inteiro

O “onde” e o “quando” de um cenário brigam se você não alinhar os dois. Pedir “escritório moderno” sem dizer a hora deixa a IA livre pra escolher luz de qualquer jeito, e o resultado pode sair incoerente com o resto do pedido (por exemplo, se você pediu “fim de tarde” em outra parte do prompt, mas nunca amarrou isso ao cenário). Elementos que resolvem essa amarração:

Hora do dia explícita: “luz de manhã cedo entrando de lado”, “meio-dia com sol a pino”, “fim de tarde com luz dourada baixa”, “noite iluminada só por lâmpadas internas”.
Clima e atmosfera: “dia nublado, luz difusa e sem sombra dura”, “depois da chuva, poças refletindo luz”, “névoa leve pela manhã”.
Coerência entre hora e cenário: uma cozinha “iluminada por luz de manhã” pede janela nomeada na descrição (é a janela que justifica aquela luz entrando); um bar “à noite” pede fonte de luz artificial nomeada (letreiro, luminária, vela). O detalhe de iluminação e o detalhe de cenário precisam se explicar mutuamente, e o guia de iluminação e lente no prompt de imagem detalha o vocabulário completo dessa camada.

Erros comuns que deixam o cenário genérico ou incoerente

Cenário e assunto competindo por adjetivo em vez de detalhe. “Lugar bonito” é tão vago quanto “roupa bonita”: não diz nada que a IA consiga usar pra decidir composição.
Fundo desfocado como desculpa pra não descrever. Pedir “fundo desfocado” sozinho não elimina a necessidade de dizer O QUE está desfocado. Sem isso, a IA ainda precisa inventar um conteúdo pro desfoque, só que sem sua orientação.
Cenário interno com prova de cenário externo (ou o contrário). Pedir “dentro de um café” e depois descrever “vento forte balançando o cabelo” cria contradição que o modelo resolve arbitrariamente, geralmente ignorando uma das duas pistas.
Época histórica sem elemento de época. Pedir “cenário dos anos 1970” sem nenhum objeto, cor de parede ou tipo de mobília associado à década deixa a IA usar clichês genéricos de “retrô” em vez de acertar o período real.
Troca de cenário sem repetir a lista de preservação. Em série de edições na mesma imagem, esquecer de repetir “mantenha o resto igual” a cada novo pedido é o motivo mais comum do cenário ir mudando pouco a pouco até não parecer mais o mesmo lugar.

Antes e depois

Vago (a IA decide o lugar inteiro):

“Um homem trabalhando no computador.”

Descrito por camadas (a IA tem o que seguir):

“Um homem trabalhando no computador, mesa de madeira clara em primeiro plano com um caderno aberto e uma caneca, atrás dele uma sala de home office com estante de livros até o teto e uma planta grande no canto, ao fundo uma janela mostrando um dia nublado sobre telhados da cidade, luz difusa entrando de frente, sem sombra dura.”

A diferença não é decoração: a segunda versão elimina a decisão de “onde”, “quando” e “com que luz” que a primeira deixava inteiramente pro modelo escolher sozinho, e o resultado sai reconhecível como aquele home office específico, não como “um lugar qualquer onde gente trabalha”.

Perguntas frequentes

Por que às vezes o cenário sai certo, mas com elementos que não pedi (uma cadeira extra, um quadro na parede)?

É normal em cenário pouco especificado: o modelo preenche espaço vazio com objetos plausíveis pro tipo de ambiente. Se você não quer elemento extra, adicione uma restrição explícita no fim do prompt: “sem objetos extras além dos descritos” ou “ambiente minimalista, sem decoração adicional”.

Dá pra usar uma foto de referência do lugar em vez de descrever em texto?

Sim, em ferramentas que aceitam múltiplas imagens de entrada. Vale rotular qual imagem é a pessoa/assunto e qual é a referência do ambiente, e ainda assim descrever em texto o que a foto não capta bem (o cheiro do lugar não existe, mas “aconchegante” ou “clínico e frio” como sensação pretendida ajuda a IA a acertar o tom mesmo com referência visual).

Cenário fantasioso (não existe no mundo real) segue a mesma lógica de descrição em camadas?

Sim, e às vezes até mais, porque não há “padrão estatístico do mundo real” pra IA cair de volta quando falta detalhe. Cenário de fantasia sem primeiro plano, plano médio e fundo bem definidos tende a sair mais genérico ainda do que um cenário real mal descrito, porque não existe um “escritório padrão de fantasia” pra IA chutar.

Por que o mesmo prompt de cenário dá resultado diferente em cada geração?

Variação entre gerações é esperada mesmo com prompt idêntico (é parte de como esses modelos funcionam), mas cenário bem descrito por camadas reduz a variação porque elimina mais decisões abertas. Se o resultado varia demais mesmo com descrição detalhada, geralmente sobrou algum elemento vago (cor não especificada, hora do dia ausente) que ainda está sendo sorteado a cada geração.

O lugar é personagem, não pano de fundo

Cenário mal descrito é a diferença entre uma imagem que parece ter acontecido em algum lugar real e uma que parece flutuar no vazio atrás do assunto. Descrever em camadas (primeiro plano, plano médio, fundo), amarrar hora do dia e luz ao ambiente, e travar o que precisa ficar igual em cada edição é o mesmo tipo de disciplina que separa quem só “pede uma imagem” de quem sabe exatamente o resultado que quer, o mesmo raciocínio por trás de outros vocabulários de prompt que a gente já cobriu aqui na CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), como o de roupa e o de ângulos de câmera.

Cenário no prompt de imagem: como a IA para de inventar o fundo