Ao aplicar técnicas de engenharia de prompt na dinâmica, o principal insight não está apenas na diferença de “detalhamento” das respostas, mas na forma como o prompt influencia diretamente a estrutura do raciocínio gerado pelo modelo. Abaixo, dois exemplos que explicitam isso na prática:
Dinâmica com o ChatGPT
Resposta ao prompt 1:
Vamos juntar as pistas com cuidado:
(3) diz que o Coronel Mostarda estava no observatório.
(5) diz que a pessoa com o castiçal estava no observatório.
Como o Coronel Mostarda era a única pessoa no observatório, isso implica que:
Ele é a pessoa que estava com o castiçal.
Resposta: (a) Sim; O Coronel Mostarda estava no observatório com o castiçal.
Resposta ao prompt 2:
Vamos resolver passo a passo, exatamente como você pediu:
(1) Analisando as dicas
Dica 3: O Coronel Mostarda era a única pessoa no observatório → isso é muito forte: ninguém mais estava lá.
Dica 5: A pessoa com o castiçal estava no observatório → também extremamente relevante.
As outras dicas não impactam diretamente essa pergunta específica.
(2) Combinando as dicas
Se:
O Coronel Mostarda era a única pessoa no observatório, e
O castiçal estava no observatório com alguém,
então só existe uma possibilidade lógica:
O Coronel Mostarda é a pessoa com o castiçal.
Porque não poderia haver outra pessoa no observatório.
(3) Conclusão
Sim, ele estava no observatório com o castiçal.
Resposta correta:
(a) Sim; O Coronel Mostarda estava no observatório com o castiçal
Dinâmica com o Gemini
Resposta ao prompt 1:
A resposta correta é a (a) Sim; O Coronel Mostarda estava no observatório com o castiçal.
Para chegar a essa conclusão, basta cruzar as informações fornecidas nas dicas:
Dica 3: Afirma explicitamente que o Coronel Mostarda era a única pessoa no observatório.
Dica 5: Afirma que a pessoa com o castiçal estava no observatório.
Como o Coronel Mostarda era o único presente naquele cômodo, ele obrigatoriamente é a pessoa que está com o castiçal.
Resposta ao prompt 2:
Para responder à questão, vamos seguir o procedimento solicitado passo a passo:
(1) Análise das Dicas
- Dica 1: "A Senhorita Scarlett era a única pessoa na sala." (Irrelevante para o Coronel Mostarda).
- Dica 2: "A pessoa com o cachimbo estava na cozinha." (Potencialmente relevante para descartar itens).
- Dica 3: "O Coronel Mostarda era a única pessoa no observatório." (Altamente relevante; estabelece o local do Coronel e quem mais estava lá).
- Dica 4: "O Professor Plum não estava na biblioteca nem na sala de bilhar." (Irrelevante).
- Dica 5: "A pessoa com o castiçal estava no observatório." (Altamente relevante; estabelece o item que estava no local).
(2) Raciocínio Logico
Ao combinar as dicas relevantes (3 e 5), chegamos à seguinte conclusão:
- Sabemos pela Dica 3 que o Coronel Mostarda estava no observatório e que ele era a única pessoa naquele cômodo.
- Sabemos pela Dica 5 que o castiçal também estava no observatório.
- Como o Coronel Mostarda era a única pessoa presente no observatório e o castiçal estava lá, o item necessariamente estava com ele.
(3) Mapeamento da Resposta
A conclusão lógica confirma que o Coronel Mostarda estava no observatório com o castiçal.
Resposta: (a)
Conclusão:
No primeiro caso, com um prompt mais genérico, observamos que as IAs entregaram uma resposta correta, porém com um raciocínio implícito. A conclusão foi apresentada de forma direta, sem explicitar claramente as etapas intermediárias de análise. Esse tipo de saída é eficiente, mas gera pouco aprendizado ou possibilidades de insights.
Já no segundo prompt, mais estruturado e com regras mais explícitas (passo a passo), observamos uma mudança importante: as IAs passam a organizar a resposta em etapas bem definidas: análise, filtragem de relevância e combinação lógica das informações. Ou seja, o prompt atuou como um “framework cognitivo”, guiando os modelos a expor seu processo de raciocínio.
Esse comportamento revela um ponto central para a área de dados: a qualidade do output que iremos obter não depende apenas da capacidade do modelo, mas da clareza das instruções fornecidas. Isso significa que quanto mais bem definirmos o problema, melhores e mais auditáveis tendem a ser os resultados.
Além disso, a segunda abordagem potencializa nossa possibilidade de interpretação da resposta, um fator importantíssimo em cenários analíticos reais, onde não basta chegar à resposta correta, é necessário justificar o caminho até ela.
