A IA deu resposta diferente com o mesmo prompt: como travar o resultado

Resposta rápida

A IA responde diferente com o mesmo prompt porque ela não busca uma resposta pronta guardada, ela sorteia a próxima palavra a cada vez, escolhendo entre várias opções prováveis em vez de sempre pegar a mais provável. Isso é o funcionamento normal do modelo, não um defeito nem falta de atenção sua. Pra travar o resultado e conseguir a mesma estrutura toda vez, o caminho não é implorar por consistência, é colar um EXEMPLO do formato que você quer dentro do próprio prompt, guardar uma instrução fixa no projeto ou nas instruções customizadas da ferramenta, e pedir explicitamente pra ela seguir aquele modelo. Repita a técnica que já funcionou, palavra por palavra, em vez de descrever de novo o que você quer.

Por que a mesma pergunta gera respostas diferentes?

Um estudo de 2025 sobre reprodutibilidade em modelos de raciocínio (“Give Me FP32 or Give Me Death? Challenges and Solutions for Reproducible Reasoning”) mediu algo que contraria a intuição de muita gente: mesmo com a temperatura zerada, que é a configuração feita justamente pra forçar a resposta mais previsível, e mesmo escolhendo sempre a palavra mais provável a cada passo, o modelo DeepSeek-R1-Distill-Qwen-7B ainda variou até 9% na taxa de acerto e chegou a 9.000 tokens de diferença no tamanho da resposta, só por causa de detalhes como a quantidade de GPUs usadas ou o tamanho do lote de processamento no servidor. Ou seja, a inconsistência não vem só da sua forma de perguntar, ela está embutida em como a infraestrutura por trás do modelo funciona, em um nível que nem você nem a ferramenta controlam diretamente.

Na prática, o que você sente ao repetir um prompt é isso multiplicado: o modelo constrói a resposta palavra por palavra, e a cada palavra ele sorteia entre as opções mais prováveis em vez de pegar sempre a mesma. Numa frase de 200 palavras, isso significa 200 pequenas rodadas de sorteio, e cada uma pode puxar o texto pra um caminho levemente diferente. É como pedir pra duas pessoas experientes resumirem a mesma notícia: as duas sabem o assunto, as duas fazem um bom trabalho, mas a ordem das frases e as palavras escolhidas nunca saem idênticas.

O prompt sozinho não trava o resultado, o exemplo trava

Descrever o que você quer (“responda sempre nesse formato”, “seja consistente”) não funciona tão bem quanto MOSTRAR o formato dentro do próprio prompt. Isso porque descrição é interpretação, e cada interpretação pode variar; exemplo é modelo pronto pra copiar a estrutura.

Antes (descrição, sem trava real):

Sempre que eu pedir um resumo de reunião, use um formato padronizado com tópicos.

Depois (exemplo colado, trava de verdade):

Sempre que eu pedir um resumo de reunião, siga exatamente este formato:

Data: [data]
Participantes: [nomes]
Decisões: [lista numerada]
Próximos passos: [lista numerada com responsável]

Agora resuma esta reunião: [cole aqui a transcrição]

A segunda versão funciona melhor porque o modelo não precisa “imaginar” o que é um formato padronizado, ele só precisa preencher a estrutura que já está na tela.

Como guardar a instrução pra não repetir toda vez

Colar o exemplo em toda conversa nova é cansativo, e a maioria das ferramentas de IA hoje tem um lugar pra guardar instrução permanente: nas configurações da conta (instruções customizadas, no ChatGPT e no Claude) ou dentro de um projeto específico (que aplica a instrução só nas conversas daquele projeto). A vantagem de guardar no projeto, quando a ferramenta tem essa opção, é que você pode ter formatos diferentes pra tarefas diferentes sem eles brigarem entre si.

O texto a guardar segue a mesma lógica do exemplo colado, só que permanente: descreva a tarefa recorrente, cole o formato exato, e diga pra sempre seguir aquele modelo daqui pra frente, sem precisar repetir isso em cada conversa nova.

Como pedir pra ela seguir um modelo que você já aprovou

Quando uma resposta sair do jeito que você queria, guarde ela. Da próxima vez que precisar de algo parecido, em vez de escrever o pedido do zero, cole a resposta aprovada como referência.

Aqui está um resumo que ficou no formato que eu gosto:
[cole a resposta aprovada anterior]

Agora faça um resumo no MESMO formato, mesma estrutura de frases e mesmo nível de detalhe, para este novo texto: [cole o texto novo]

Essa técnica é mais forte que qualquer descrição porque ela dá pro modelo um alvo concreto de estilo, tamanho de frase e nível de detalhe, em vez de uma instrução abstrata que cada geração pode interpretar de um jeito.

Quando a variação é útil, e quando ela atrapalha

Nem toda inconsistência é problema. Pedir três ideias diferentes de título pra um post, ou três variações de uma legenda, DEPENDE da IA sortear caminhos diferentes: se ela desse sempre a mesma resposta, você não teria opção nenhuma pra escolher. A hora de travar o resultado é quando a tarefa é operacional e repetitiva (relatório, resumo de reunião, classificação de um dado, formatação de um documento), porque aí a variação vira retrabalho, não vira opção.

Uma regra prática: se você vai comparar duas saídas da IA lado a lado, você quer variação. Se você vai usar a saída direto num processo (mandar pro cliente, colar numa planilha, alimentar outro sistema), você quer o formato travado.

O exemplo precisa ser do MESMO tipo de conteúdo

Um erro comum é colar um exemplo de um assunto muito diferente do que você vai pedir depois, achando que só a estrutura importa. Se o exemplo aprovado foi um resumo de reunião de vendas e o texto novo é uma ata de reunião técnica com jargão de programação, o modelo tende a puxar um pouco do vocabulário e do tom do exemplo antigo pro texto novo, o que pode soar estranho. O ideal é que o exemplo guardado seja do mesmo tipo de tarefa e, se possível, da mesma área de assunto. Quando os formatos precisam servir pra áreas muito diferentes (financeiro, jurídico, atendimento ao cliente), vale manter um exemplo aprovado pra cada área, em vez de tentar generalizar um exemplo só pra tudo.

Perguntas frequentes

Baixar a temperatura pra zero garante que a resposta sai sempre igual? Não garante 100%. Reduz bastante a variação, mas pesquisas recentes mostram que mesmo com a temperatura zerada ainda existe uma margem de inconsistência vinda da infraestrutura por trás do modelo, como mostrou o estudo citado acima. Pra quem usa a interface de chat comum (não a API), geralmente não dá nem pra configurar a temperatura, então o exemplo colado no prompt continua sendo o controle mais acessível.

Por que às vezes a IA segue o formato certo e depois de um tempo volta a variar? O motivo mais comum é a conversa ter ficado longa. Quanto mais mensagens se acumulam no histórico, menos peso relativo tem a instrução de formato que você deu lá no início. Recolar o exemplo, ou abrir uma conversa nova, resolve a maior parte dos casos.

Instrução salva no projeto vale mais que o exemplo colado na conversa? Os dois se complementam. A instrução salva evita que você repita o básico toda vez, mas quando a tarefa é mais específica, colar um exemplo daquela tarefa exata dentro da conversa ainda reforça o resultado, principalmente em conversas mais longas.

Trave o que precisa ser igual, deixe livre o que precisa variar

A mesma lógica de travar um padrão de texto vale pra imagem: se você já lida com IA de imagem e quer manter um personagem ou um estilo visual igual em várias gerações, o princípio é o mesmo (mostrar exemplo, não só descrever), e está detalhado no artigo de como manter o mesmo personagem em imagens geradas por IA. Se você está começando agora com prompts, vale também revisar o guia de como escrever um prompt bom da CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), onde a técnica de exemplo colado é ensinada desde o começo, porque é a base de praticamente todo prompt que precisa de resultado confiável.