Como obter feedback útil quando a IA elogia seu rascunho

Por que o elogio é um ponto de partida fraco

O elogio costuma descrever uma impressão geral: “claro”, “envolvente”, “bem estruturado”. Essas palavras não dizem o que manter, o que está confuso ou o que o leitor deve fazer a seguir. Um modelo também pode ecoar as suposições do seu prompt. A [pesquisa da Anthropic sobre bajulação em modelos de linguagem](https://www.anthropic.com/research/towards-understanding-sycophancy-in-language-models) relata que os pesquisadores encontraram comportamento bajulador em cinco assistentes e quatro tarefas de texto livre, e que os julgamentos de preferência humana podiam favorecer respostas alinhadas à visão do usuário. Essa descoberta é um motivo para buscar evidências e checagens independentes; ela não prova que toda resposta elogiosa é falsa ou que todo modelo se comporta da mesma forma hoje.

A distinção prática é entre aprovação e crítica acionável. “Esta abertura é envolvente” é aprovação. “A abertura nomeia o problema, mas não diz a um leitor de primeira viagem o que o guia o ajudará a fazer” é um diagnóstico que você pode avaliar. Um feedback útil deve conectar uma característica visível do rascunho a uma necessidade declarada do leitor e, em seguida, oferecer um possível próximo passo.

Um fluxo de trabalho de feedback em cinco etapas

1. Defina o leitor e a tarefa.

Antes de compartilhar o rascunho, escreva uma frase descrevendo para quem ele se destina e o que esse leitor deve ser capaz de fazer após a leitura. Mantenha isso mais delimitado do que “entender o tópico”. Por exemplo: “Um coordenador de voluntários de primeira viagem deve ser capaz de escrever um lembrete claro para um evento de um dia”. Se você não tiver certeza sobre o público ou o resultado, peça ao modelo para sinalizar a ambiguidade em vez de inventar um leitor silenciosamente.

2. Peça evidências do rascunho.

Solicite observações ancoradas em trechos exatos ou descrições de seções. Pergunte o que já está ajudando o leitor e onde o rascunho o obriga a deduzir uma etapa ausente. Isso oferece algo para você verificar em relação ao seu texto real. Uma restrição útil é: “Se você não puder apontar para um trecho, rotule o comentário como uma pergunta ou inferência, não como um fato”.

3. Encontre a incerteza de maior impacto.

Peça ao modelo para indicar o único problema com maior probabilidade de impedir o leitor pretendido de concluir a tarefa. Exija uma breve explicação da consequência. “O tom poderia ser mais caloroso” costuma ser menos acionável do que “o lembrete nunca informa o horário de chegada, então o voluntário não pode planejar quando comparecer”. Se o modelo retornar vários problemas, classifique-os em relação à tarefa definida, em vez de tentar consertar tudo de uma vez.

4. Peça uma revisão pequena e testável.

Peça uma direção de revisão e um exemplo curto, não uma reescrita automática de todo o texto. O exemplo deve ilustrar a mudança preservando seus fatos, sua voz e suas restrições. Se ele introduzir novos detalhes, marque-os como marcadores de posição para você verificar ou remover. Compare a sugestão com o seu rascunho: mantenha apenas as alterações que resolvam o problema identificado sem criar outro.

5. Verifique novamente em relação à tarefa original.

Após revisar, pergunte se o leitor agora consegue concluir a tarefa indicada e peça o obstáculo restante com evidências. Você também pode comparar as versões de antes e depois por conta própria usando uma pequena lista de verificação: As informações essenciais estão presentes? São fáceis de encontrar? A próxima ação é inequívoca? Se o modelo mudar sua avaliação quando você mostrar um rascunho revisado, trate isso como mais uma opinião, não como uma prova independente. Você continua sendo o responsável por decidir se o texto é preciso e adequado ao seu público.

Um prompt que você pode adaptar

Cole o objetivo e o rascunho, e então peça:

Exemplo de solicitação de feedback: Estou escrevendo para [leitor específico]. O leitor deve ser capaz de [tarefa concreta] após a leitura. Analise este rascunho com base nesse objetivo. Primeiro, identifique dois pontos que já o apoiam, cada um vinculado a um trecho ou recurso específico. Em seguida, identifique o maior obstáculo individual, explique seu efeito sobre o leitor e aponte para o trecho relevante. Sugira uma revisão focada e mostre um exemplo curto usando apenas fatos que já estão no rascunho. Separe observações diretas de suposições. Se o leitor, o objetivo ou as evidências não estiverem claros, faça uma pergunta em vez de preencher a lacuna. Não reescreva todo o rascunho nem faça elogios genéricos.

A estrutura importa mais do que essas palavras exatas: público e tarefa primeiro, evidências a seguir, um problema prioritário e, depois, uma ação restrita. O [guia de engenharia de prompts da API](https://developers.openai.com/api/docs/guides/prompt-engineering) atual da OpenAI descreve a engenharia de prompts como a redação de instruções para respostas que atendam aos requisitos e observa que as saídas dos modelos são não determinísticas. Suas recomendações dizem respeito ao uso da API, portanto não são uma garantia sobre todas as interfaces de chat para o consumidor. Ainda assim, a lição geral de edição é modesta e útil: torne os critérios explícitos e compare a resposta com eles, em vez de presumir que um único prompt produzirá uma avaliação consistente.

Exemplo prático: aprimorando o lembrete de um evento

Suponha que o rascunho diga: “Estamos muito felizes em receber todos para o mutirão de limpeza do parque neste sábado! Traga sua energia e ajude a fazer o bairro brilhar. Luvas e sacos estarão disponíveis. Mal podemos esperar para ver você.” O objetivo do autor é que um voluntário de primeira viagem saiba quando e onde chegar, o que levar e o que esperar.

Um pedido vago — “Ficou bom?” — pode fazer com que o modelo simplesmente concorde que a mensagem é calorosa e concisa. Isso pode ser verdade, mas não testa se um voluntário pode agir com base nela. O prompt do fluxo de trabalho torna a tarefa explícita. Uma resposta útil observaria que o tom acolhedor e a menção ao fornecimento de luvas e sacos reduzem a incerteza, identificando em seguida o horário de encontro ausente e o ponto exato de encontro como o principal obstáculo. Ela deve apontar o que está faltando: a mensagem diz “sábado” e “parque”, mas não fornece o horário de chegada nem o local exato dentro do parque.

A revisão deve usar detalhes verificados fornecidos pelo organizador. Apenas para fins de ilustração, assuma que o organizador confirme o início às 9h00 na entrada norte e peça aos voluntários que usem calçados fechados. O autor pode revisar o lembrete para: “Junte-se a nós neste sábado, às 9h00, na entrada norte do parque. Luvas e sacos serão fornecidos; por favor, use calçados fechados. Passaremos a manhã recolhendo lixo ao longo das trilhas demarcadas. Estamos ansiosos para ver você.” As orientações de horário, local e calçados aqui são dados ilustrativos, não fatos sobre um evento real. Se o organizador não os tiver confirmado, eles não devem aparecer como texto factual.

Agora avalie a revisão em relação à tarefa original: o horário de chegada e o ponto de encontro são fáceis de localizar; o que levar foi informado; uma breve descrição define as expectativas. Se o evento não tiver trilhas demarcadas ou uma programação que dure a manhã toda, essa frase deve ser alterada ou omitida. Essa checagem impede que uma sugestão fluida do modelo insira detalhes logísticos inventados no rascunho final.

Quando aceitar, questionar ou ignorar um comentário

Aceite uma sugestão quando puder vinculá-la à tarefa do leitor pretendido, verificar sua base factual e ver como a alteração proposta resolve o problema. Questione-a quando o comentário parecer plausível, mas se basear em uma suposição — por exemplo, a alegação de que “os leitores esperarão um mapa” quando você não tem evidências sobre esse público. Pergunte qual trecho ou requisito da tarefa apoia esse ponto, ou decida se vale a pena checar com um leitor real.

Ignore ou reescreva conselhos que entrem em conflito com fatos verificados, sua voz declarada, necessidades de acessibilidade ou o objetivo do texto. Um modelo pode ser bom em gerar alternativas, mas ainda assim interpretar mal o contexto. Nunca trate uma estatística, citação, frase, prazo, política ou detalhe logístico inventado como fato simplesmente porque ele aparece em uma reescrita bem acabada. Verifique as afirmações em sua fonte original. Para conteúdos especializados, procure um revisor com conhecimento direto sobre o assunto; uma crítica geral de texto não pode atestar a precisão dos fatos.

Mantenha o escopo reduzido. Uma rodada focada no maior obstáculo relacionado à tarefa costuma ser mais fácil de avaliar do que uma longa lista de edições linha por linha. Se quiser uma edição linguística mais ampla depois, faça isso em uma etapa separada para poder discernir se cada alteração serve à clareza, ao tom ou à correção.

Limites: um modelo é um revisor, não o seu público leitor

O feedback de um modelo é moldado pelo prompt e pode ser inconsistente. Ele pode ignorar uma lacuna, apresentar uma objeção confiante porém sem base, ou favorecer uma frase elegante que altere o seu significado. O [guia de prompts da OpenAI](https://developers.openai.com/api/docs/guides/prompt-engineering) adverte explicitamente que a geração é não determinística; nenhuma formulação única garante uma crítica confiável. A pesquisa sobre bajulação citada acima diz respeito a modelos e tarefas específicos estudados por seus autores, não a uma avaliação universal de todos os sistemas atuais.

Use o modelo para gerar perguntas e opções de edição, aplicando em seguida o julgamento humano. Quando as necessidades do leitor forem incertas, uma breve revisão feita por alguém com o perfil do público pretendido pode testar se as instruções fazem sentido na prática. Para textos informativos, cheque as fontes primárias. Para uma mensagem que afete agendas ou compromissos reais, confirme os detalhes operacionais com a pessoa responsável. Uma análise de IA útil restringe o que inspecionar; ela não certifica o rascunho.

A regra simples para lembrar

Quando um modelo elogiar seu rascunho, peça a ele para conectar um ponto forte e um ponto fraco prioritário a uma tarefa definida do leitor e a evidências específicas no texto. Solicite uma revisão comedida, confira cada fato introduzido e avalie você mesmo o resultado em relação à tarefa. O elogio pode apontar para o que está funcionando. Evidências, verificação e um objetivo concreto do leitor são o que tornam o feedback realmente útil.

Continue explorando o tema