Chain-of-thought, ou cadeia de pensamento, é a técnica de fazer o modelo expor os passos intermediários antes de dar a resposta final — em vez de responder direto, ele “mostra a conta”. O ganho medido no trabalho que a popularizou é grande: num teste de problemas matemáticos escolares, um modelo saiu de 17,9% de acerto com prompt convencional para 56,9% com cadeia de pensamento — 39 pontos percentuais, o suficiente para superar o melhor resultado anterior da época, que dependia de ajuste específico. Mas há uma pergunta que a técnica levanta e que quase nenhum material faz: o raciocínio exibido é o raciocínio real? A resposta medida é desconfortável: em testes com dicas embutidas no prompt, a taxa em que o modelo admite ter usado a dica fica frequentemente abaixo de 20%. Ele usa a informação e não a declara — o que muda radicalmente o que se pode fazer com esse texto.
⚠️ A explicação pode não ser o motivo
Dois trabalhos independentes mediram a fidelidade da cadeia de pensamento — o quanto ela corresponde ao que de fato determinou a resposta. Os dois encontram o mesmo padrão.
O primeiro usou um método elegante: inseriu um viés no prompt — nos exemplos, a resposta correta era sempre a alternativa “(A)” — e observou o que acontecia. A acurácia caiu até 36% em 13 tarefas quando o viés apontava para a resposta errada. E o achado central: os modelos sistematicamente não mencionavam o viés na explicação. Produziam uma justificativa plausível para uma resposta que tinham escolhido por outro motivo.
O segundo, mais recente, repetiu a lógica em modelos de raciocínio — os que já expõem o próprio pensamento por padrão — usando seis tipos diferentes de dica. É de lá que vem a taxa abaixo de 20% citada acima. Dois achados adicionais: treinar o modelo para melhorar essa fidelidade funciona no início mas estaciona sem chegar a um nível alto; e quando o modelo aprende a explorar falhas na avaliação, a disposição de verbalizar que está fazendo isso não acompanha.
Uma ressalva de procedência: esse segundo estudo é da Anthropic e avalia, entre outros, o próprio modelo da empresa. Pesquisa de fornecedor sobre o próprio produto — o que não a invalida, mas deve ser declarado. O primeiro é acadêmico e independente, e chega ao mesmo lugar.
A conclusão dos autores é a formulação que vale reter: explicações em cadeia de pensamento podem ser plausíveis porém enganosas, criando uma falsa sensação de transparência.
Em 2026, deixou de ser técnica de prompt
Uma mudança que os materiais mais antigos ainda não refletem. A cadeia de pensamento nasceu como algo que se pedia — a instrução “pense passo a passo” no prompt. Nos modelos de 2026, virou comportamento embutido.
A documentação de fornecedor registra a transição de forma verificável: nas gerações anteriores havia um parâmetro explícito de raciocínio estendido, que passou a constar como descontinuado e foi substituído por raciocínio adaptativo — em alguns modelos, sempre ativo, sem opção de desligar.
Consequência prática: instruir “pense passo a passo” nos modelos atuais é, na maior parte dos casos, redundante. O que era diferencial de prompt virou característica do produto.
O que isso muda na prática
A distinção que decide o uso correto: a cadeia de pensamento melhora o resultado, mas não serve como auditoria da decisão. São duas propriedades diferentes, e confundi-las é o erro caro.
- Use para melhorar qualidade em tarefas de múltiplos passos — análise de dados, comparação de opções, cálculo. Aqui o ganho é real e medido.
- Não use como trilha de conformidade. Se um modelo recomenda excluir um público, precificar diferente ou negar um benefício, a explicação que ele escreve não é prova do motivo. Para decisão que afeta pessoas, a justificativa precisa vir de regra auditável, não de texto gerado.
- Desconfie da explicação convincente. Fluência não é evidência. O primeiro estudo mostra exatamente isso: quanto mais articulada a racionalização, menos ela denuncia o viés que a produziu.
Em marketing, o caso típico é pedir ao modelo que “explique por que recomendou este segmento”. A explicação é útil como hipótese a investigar — não como registro do que aconteceu. Sobre o viés que pode estar operando sem ser declarado, veja viés algorítmico; sobre a técnica de exemplos no prompt, few-shot learning.
Fontes
- Chain-of-Thought Prompting Elicits Reasoning in LLMs — Wei et al., o trabalho original
- Language Models Don’t Always Say What They Think — Turpin et al., acadêmico e independente
- Reasoning Models Don’t Always Say What They Think — Anthropic; pesquisa de fornecedor sobre o próprio modelo
Leitura das fontes em 17/08/2026.