**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](https://clubmartech.com.br/blog/testes-moderados-valide-retrabalho/) 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 motivoDois 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](https://clubmartech.com.br/blog/logica-programacao-pensar-dia/) 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](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) 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](https://clubmartech.com.br/significado/produto-minimo-viavel-[mvp](https://clubmartech.com.br/significado/mvp/)/) — 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 promptUma 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](https://clubmartech.com.br/significado/produto-minimo-viavel-[mvp](https://clubmartech.com.br/significado/mvp/)/).## O que isso muda na práticaA 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](https://clubmartech.com.br/blog/analise-dados-marketing-kpis/), 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](https://comecandonaweb.com.br/marketing-digital/), 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.*