1) Defina o que precisa ser verdade (escopo e tolerância a erro)
Antes do prompt, escreva em 1 linha: “Quais afirmações precisam de prova?” Ex.: datas, leis, preços, estatísticas, citações, nomes próprios. Se você aceita aproximações, diga isso. Se não aceita, exija: “Se não tiver certeza, diga ‘não sei’ e peça dados.”
2) Faça o prompt obrigar evidência (não só fluência)
Use instruções que travem a criatividade onde não deve existir: “Não invente números. Não invente referências. Se não houver fonte primária, liste o que falta para confirmar.” Peça também para o modelo marcar cada frase como: FATO / INFERÊNCIA / OPINIÃO.
3) Exija rastreabilidade: fonte primária, trecho e contexto
Quando houver fonte, peça: título, autor/órgão, data, link (se disponível), e o trecho que sustenta a afirmação. Se o modelo não puder navegar, ele deve dizer explicitamente que não consegue confirmar e sugerir onde você deve buscar (site oficial, diário oficial, paper, relatório).
4) Valide números com “sanity check”
Números alucinam com facilidade. Peça ao modelo para: (a) repetir o cálculo passo a passo, (b) checar unidades (R$, %, por ano, por mês), (c) estimar ordem de grandeza (“isso faz sentido?”). Se o número for crítico, confira fora do chat.
5) Faça checagem cruzada (mesmo modelo, outra rota)
Reformule a pergunta e peça uma resposta independente: “Responda novamente, mas por outro método, sem reutilizar o texto anterior.” Divergência é sinal de incerteza. Se você puder, compare também com outro modelo (ChatGPT vs Claude vs Gemini) — não para ‘votar verdade’, e sim para encontrar pontos frágeis.
6) Force o modelo a apontar riscos e lacunas
Pergunte: “O que nesta resposta pode estar errado?” e “Quais premissas você assumiu?” Modelos costumam revelar onde improvisaram: datas aproximadas, generalizações, nomes de órgãos, exceções legais.
7) Audite antes de usar (check final de publicação/decisão)
Passe por 5 itens: (1) nomes próprios corretos, (2) datas e versões, (3) números e unidades, (4) citações e aspas (existem mesmo?), (5) recomendações com risco (saúde, jurídico, finanças) — aqui a IA é apoio, não sentença.
Por que a alucinação acontece (sem mistério)
Modelos de linguagem são excelentes em completar padrões de texto. O problema é que “texto convincente” não é igual a “fato confirmado”. Quando falta dado, contexto ou quando a pergunta mistura suposições, o modelo tende a preencher buracos com algo plausível.
Alucinação aumenta em três cenários comuns: (1) pedidos por detalhes específicos (datas, valores, artigos de lei), (2) temas muito recentes/locais, (3) quando você pede “complete a pesquisa” sem dar documentos ou sem permitir verificação.
Checklist rápido (cole e use em qualquer IA)
Este é o bloco que eu uso quando a resposta vai para cliente, aula, relatório ou post: curto, chato e funciona.
- Marque cada afirmação como FATO / INFERÊNCIA / OPINIÃO.
- Para cada FATO: qual é a fonte primária? Qual trecho sustenta?
- Se houver número: qual unidade? qual período? qual método de cálculo?
- Existe alguma exceção importante (Brasil/estado/município, versão de norma, data de vigência)?
- O que você não sabe com certeza? Liste em bullets.
- Reescreva a conclusão com condicionais quando faltar prova (“pode”, “tende”, “depende de”).
Prompts prontos (pt-BR) para reduzir alucinação
Você não precisa de prompt quilométrico. Precisa de restrições claras.
| Objetivo | Prompt (copiar/colar) |
|---|---|
| Separar fato de opinião | Responda em português do Brasil. Para cada frase, rotule como [FATO], [INFERÊNCIA] ou [OPINIÃO]. Se for [FATO], diga qual evidência seria necessária para confirmar. |
| Evitar números inventados | Se você não tiver o número exato, NÃO estime. Diga “não tenho como confirmar” e liste 3 lugares onde eu deveria verificar (fontes oficiais, relatórios, papers). |
| Checar consistência | Revise sua própria resposta procurando contradições internas, termos ambíguos e saltos lógicos. Depois, reescreva corrigindo os problemas e explique o que mudou. |
| Auditoria final | Antes de concluir, crie uma seção “Riscos de erro” com os 5 pontos mais prováveis de estarem errados e como validar cada um. |
Quando confiar (e quando não confiar) no texto do modelo
Confiar não é “acreditar”; é “conseguir verificar”. Para tarefas criativas (estrutura, tom, brainstorming), o risco é baixo. Para tarefas de precisão (jurídico, saúde, finanças, estatísticas, citações), o padrão deve ser: a IA sugere, você confirma.
Um bom sinal: o modelo admite limites, pede documento, aponta premissas e não tenta ‘embelezar’ lacunas. Um mau sinal: resposta muito específica sem dizer de onde veio.
Perguntas frequentes
Qual IA alucina menos: ChatGPT, Claude ou Gemini?
Pedir “cite fontes” resolve alucinação?
Como checar números e estatísticas que a IA trouxe?
RAG ou NotebookLM eliminam alucinação?
Leia também
Como escolher IA para resumir PDF e vídeo em 2026 (sem cair em alucinação)
Guia prático para escolher a melhor IA para resumir PDFs e vídeos em 2026 com menos alucinação: critérios, passo a passo, testes simples e checklist de confiabilidade.
Ler →
Como usar o NotebookLM com PDF e YouTube para estudar sem alucinar (PDF, aula e artigo) — 2026
Guia prático para usar o NotebookLM com PDFs, links e vídeos do YouTube: como pedir respostas com citações, checar trechos, montar resumo e perguntas sem cair em alucinação.
Ler →
Alucinação de IA (AI Hallucination)
O que é alucinação de IA: definição clara, exemplos reais documentados, por que acontece e como identificar quando o ChatGPT, Claude ou Gemini está inventando.
Ler →
Claude vs ChatGPT vs Gemini: qual IA cita melhor fontes e referências?
Comparativo detalhado entre Claude, ChatGPT e Gemini sobre precisão, frequência e qualidade na citação de fontes e referências em respostas. Veja qual IA é mais confiável para uso acadêmico, profissional ou jornalístico.
Ler →