Zero-shot learning é pedir a um modelo de IA que execute uma tarefa sem lhe dar nenhum exemplo — apenas a instrução. “Classifique este comentário como positivo, negativo ou neutro” já é um prompt zero-shot. O termo ganhou peso com o trabalho que apresentou o GPT-3 em 2020, que comparou três regimes lado a lado: zero exemplos, um exemplo e alguns exemplos, todos sem qualquer ajuste nos pesos do modelo — a tarefa é especificada puramente por texto. Na época, a diferença entre os regimes era grande e o zero-shot ficava claramente atrás. Em 2026 essa distância encolheu ao ponto de inverter a pergunta prática: não é mais “quantos exemplos incluir”, e sim “vale a pena incluir algum”. E há um argumento de robustez a favor de não incluir: exemplos introduzem vieses mensuráveis, e a ordem deles altera o resultado.
Por que o zero-shot ficou viável
Os modelos atuais passam por treino específico para seguir instruções, e isso mudou o cálculo. Onde antes era preciso mostrar o padrão, hoje costuma bastar descrevê-lo com precisão.
Há uma vantagem de robustez nisso que o verbete de few-shot learning detalha: os exemplos introduzem vieses mensuráveis — de maioria, de recência, de palavra frequente — e a ordem em que aparecem altera o resultado. O prompt zero-shot não tem esse problema, simplesmente porque não tem exemplos.
Uma ressalva honesta: não localizamos estudo que meça, nos modelos de 2026, a partir de quando os exemplos deixaram de compensar. A afirmação de que “hoje não precisa mais de few-shot” circula sem base experimental rastreável. O que se pode dizer com segurança é que a diferença diminuiu — e que a decisão precisa ser tomada por medição, não por regra.
⚠️ Zero-shot não significa prompt curto
O mal-entendido mais comum é tratar zero-shot como sinônimo de instrução econômica. São coisas independentes: zero-shot é ausência de exemplos, não ausência de detalhe.
Um prompt zero-shot bom costuma ser longo — porque tudo o que os exemplos comunicariam de forma implícita precisa ser dito de forma explícita:
- Critérios de decisão. O que exatamente faz um lead ser “quente”? Sem exemplo, o modelo usa a definição dele.
- Formato exigido. Estrutura, tamanho, campos obrigatórios — descritos, não demonstrados.
- Casos de fronteira. O que fazer quando a informação não permite decidir. É onde a classificação automática mais erra.
- O que não fazer. Restrições explícitas valem mais que a expectativa de que o modelo adivinhe o limite.
O que isso muda na prática
A escolha entre dar exemplos ou não tem consequência de custo, porque exemplos entram no contexto em toda chamada — e portanto são pagos em toda chamada. Num volume alto, cinco exemplos por requisição viram uma linha visível na fatura, assunto de inferência.
O critério prático:
- Comece em zero-shot com instrução detalhada. É mais barato, mais estável e mais fácil de manter.
- Acrescente exemplos quando o critério for difícil de verbalizar — tom de voz da marca é o caso clássico. Mostrar costuma funcionar melhor que descrever.
- Meça os dois. Rode o mesmo conjunto de 30 a 50 casos reais nas duas versões e compare acerto e custo. Em muitas tarefas de classificação, o ganho dos exemplos não paga o que eles custam.
Sobre a instrução de base que enquadra qualquer prompt, veja system prompt; sobre onde posicionar a instrução crítica num contexto longo, janela de contexto.
Fontes
- Language Models are Few-Shot Learners — Brown et al., compara zero-shot, one-shot e few-shot
- Calibrate Before Use — os vieses que os exemplos introduzem
Leitura das fontes em 17/08/2026.