Como Funcionam os Chatbots de IA, Sem Complicações

Não precisa de compreender a matemática subjacente para tirar bom partido do chat de IA, mas ter uma noção básica do seu funcionamento explica muita coisa: porque é que as respostas parecem convincentes mesmo quando estão erradas, porque é que a mesma pergunta obtém respostas diferentes, porque é que a IA perde o fio à meada em conversas longas e porque pode desconhecer acontecimentos recentes. Eis uma explicação simples, sem jargão desnecessário.

Em resumo

Um chatbot de IA baseia-se num grande modelo de linguagem (LLM, na sigla inglesa): uma rede neuronal de grande escala treinada com volumes massivos de texto para prever o que se segue. Quando envia uma mensagem, o modelo lê a conversa e gera uma resposta, elemento a elemento, escolhendo a cada passo o fragmento seguinte mais provável com base em tudo o que veio antes. Um treino adicional ensina-o a seguir instruções, a manter um diálogo e a recusar pedidos prejudiciais.

Não existe uma base de dados com respostas pré-feitas a ser consultada, nem uma pessoa a escrever nos bastidores. Quase tudo o resto neste guia decorre deste princípio.

Passo 1: O texto transforma-se em tokens

Os modelos não leem letras nem palavras inteiras. Dividem o texto em tokens: as palavras comuns costumam ser um único token, enquanto palavras mais longas ou invulgares são repartidas em várias partes. Espaços, pontuação e números também contam como tokens. É por isso que a IA pode ter dificuldades em tarefas simples como contar as letras de uma palavra ou inverter um texto: não visualiza letras individuais como nós.

O mesmo significado pode exigir um número diferente de tokens consoante o idioma, o que explica por que razão a qualidade e os limites de extensão podem variar de uma língua para outra.

Passo 2: Pré-treino com grandes volumes de texto

Na primeira e mais longa fase, o modelo analisa uma quantidade enorme de texto — páginas web públicas, livros, código e outras fontes, dependendo de quem o desenvolve — e aprende a prever o token seguinte. O sistema é corrigido vezes sem conta, ajustando progressivamente os seus parâmetros internos (conhecidos como pesos).

Para prever o texto com precisão, o modelo acaba por assimilar imensa informação sobre gramática, factos, padrões de raciocínio e estilos de escrita. No entanto, não guarda uma cópia dos dados de treino como uma biblioteca: memoriza apenas padrões estatísticos. É por este motivo que consegue explicar um conceito com fluência e, logo a seguir, errar uma data, um nome ou uma citação específica.

Passo 3: O ajuste fino transforma um preditor num assistente

Um modelo que se limitasse a prever texto continuaria simplesmente a sua frase em vez de responder à questão. Por essa razão, os programadores aplicam um treino complementar com exemplos de boas conversas e utilizam feedback — humano e, cada vez mais, baseado em validações automáticas e outros modelos — para premiar respostas úteis, corretas e seguras. Um dos métodos mais conhecidos é a aprendizagem por reforço com feedback humano (RLHF).

Esta fase define a postura do chatbot: seguir instruções, estruturar a informação, assumir eventuais dúvidas e recusar pedidos prejudiciais. Pode também introduzir particularidades, como uma tendência para concordar sempre com o utilizador ou demonstrar mais certeza do que a devida.

Muitos modelos recentes são também treinados para raciocinar: decompõem o problema em passos intermédios antes de apresentarem a resposta final. Isto melhora significativamente os resultados em matemática, programação e planeamento, embora não elimine a possibilidade de erro.

Passo 4: A conversa e a janela de contexto

Durante a interação, a aplicação envia ao modelo um conjunto de texto: instruções do próprio serviço que não estão visíveis no ecrã (o prompt de sistema), as mensagens anteriores do diálogo e a sua nova mensagem. O modelo não retém memória própria entre pedidos: apenas "recorda" o contexto porque todo o histórico lhe é reenviado a cada nova mensagem.

De forma simplificada, o pacote de dados enviado na terceira mensagem de uma conversa assemelha-se a isto:

[system]    És um assistente prestável. Responde com clareza...
[user]      Sugere um bom nome para uma padaria.
[assistant] Aqui tens algumas ideias: Pão Quente, O Cantinho da Broa...
[user]      Dá-lhes um toque mais francês.
[assistant] (o modelo gera esta parte, token a token)

A frase "Dá-lhes um toque mais francês" só faz sentido porque as mensagens anteriores foram incluídas. Se a aplicação as omitisse, o modelo não saberia ao que se refere "lhes".

A quantidade de texto que um modelo consegue processar em simultâneo chama-se janela de contexto. As aplicações costumam encurtar conversas extensas para respeitar esses limites. Por isso, num diálogo muito longo, a IA pode esquecer pormenores iniciais. Iniciar uma nova conversa com um breve resumo costuma resolver a situação.

Alguns serviços disponibilizam uma funcionalidade de memória dedicada que guarda preferências entre sessões. Trata-se de um recurso da aplicação em torno do modelo, e não de uma capacidade intrínseca do modelo em si.

Passo 5: Geração da resposta

Para cada token seguinte, o modelo calcula as probabilidades de várias opções possíveis. A aplicação escolhe então uma delas, normalmente com um nível de aleatoriedade controlado para evitar que o texto soe mecânico. Isto explica dois comportamentos habituais:

• A mesma pergunta pode originar respostas distintas. Regenerar a resposta é uma forma prática de explorar alternativas.
• Uma frase bem construída não é necessariamente verdadeira. O modelo escolhe palavras que soam naturais no contexto; não verifica factos enquanto escreve.

Faça o teste: peça ao chat para explicar o que são tokens com um exemplo, depois regenere a resposta e compare ambas as versões.

Porque é que a IA inventa factos

Quando um modelo apresenta informações falsas com total segurança, estamos perante uma alucinação. Isto acontece porque o sistema foi concebido para gerar texto plausível — e criar uma citação, estatística ou biografia com aspeto credível é fácil, mesmo quando a resposta real é desconhecida. O treino contínuo reduziu este problema, mas não o eliminou. As áreas de maior risco incluem:

• Números exatos, datas e citações textuais.
• Referências a livros, artigos científicos, processos judiciais e páginas web.
• Temas muito específicos ou de nicho com poucos dados de treino.
• Acontecimentos posteriores à data limite dos dados de treino do modelo.

O nosso guia de verificação de factos explica como confirmar respostas de forma rápida.

Porque é que a IA pode desconhecer acontecimentos recentes

O conhecimento de um modelo tem por base dados recolhidos até uma data específica: a sua data de corte (ou knowledge cutoff). Após essa data, o modelo desconhece novidades, a menos que a aplicação lhe forneça dados atualizados através de pesquisa na web ou de texto colado por si. Mesmo quando o assistente pesquisa na internet, a qualidade da resposta depende diretamente das páginas consultadas, pelo que convém verificar as fontes. Se a pergunta depender de dados recentes, cole o texto relevante ou confirme a resposta numa fonte atualizada.

Modelos, criadores e o menu de seleção

Existem várias empresas a desenvolver grandes modelos de linguagem, incluindo a OpenAI (os modelos GPT por detrás do ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen) e Mistral AI. Algumas disponibilizam os pesos dos modelos para descarregamento e utilização livre; outras fornecem o acesso apenas através de aplicações próprias e APIs. Os modelos diferem no estilo, nas capacidades, no domínio de idiomas e no nível de prudência. Consulte os nossos guias de modelos e comparativos como ChatGPT vs. Claude para saber mais pormenores.

No ChatG, pode escolher o modelo pretendido no menu ou manter a opção ChatG Auto ativa. O ChatG é uma plataforma independente sem qualquer ligação a estas entidades.

Perguntas frequentes

A IA compreende o que diz?

É um tema em aberto. Os modelos assimilam claramente estruturas complexas de linguagem e do mundo, conseguindo resolver problemas inéditos. Contudo, não têm consciência nem vivências reais e cometem erros que uma pessoa conhecedora do assunto nunca cometeria. Na prática, veja a IA como uma ferramenta poderosa, não como uma autoridade absoluta.

A IA aprende com a minha conversa?

Não durante a sessão: os parâmetros internos do modelo não mudam enquanto fala com ele. Alguns serviços podem posteriormente utilizar o histórico das conversas para treinar novos modelos, consoante as respetivas políticas de privacidade e as suas preferências.

A IA tem ligação à internet?

O modelo em si não tem. Funciona com base no que aprendeu durante o treino e no conteúdo da conversa atual. Algumas aplicações acrescentam a pesquisa web como ferramenta externa. A menos que a resposta mencione expressamente fontes consultadas, considere que a informação provém de dados de treino que podem estar desatualizados.

Porque é que algumas respostas são melhores em inglês do que noutros idiomas?

Os modelos costumam ser expostos a um volume muito superior de texto em inglês durante a fase de treino, e outros idiomas podem exigir mais tokens para exprimir a mesma ideia. As línguas mais faladas no mundo costumam ter excelente cobertura; idiomas menos comuns podem apresentar resultados mais limitados.