Dois parâmetros frequentemente ignorados determinam se as respostas de modelos de linguagem como ChatGPT, Claude, Gemini e DeepSeek serão precisas e úteis ou vagas e dispersivas. Esses ajustes, conhecidos como temperatura e extensão da resposta, controlam, respectivamente, o grau de criatividade e o nível de detalhamento do texto gerado. Quando combinados de forma consciente, eles transformam completamente o resultado obtido a partir de uma mesma instrução.
O ChatGPT, assistente de inteligência artificial baseado nos modelos GPT da OpenAI, o Claude, criado pela Anthropic, o Gemini, do Google, e o DeepSeek parecem funcionar de maneira direta: o usuário digita uma pergunta e recebe uma resposta. Por trás dessa aparente simplicidade, entretanto, existe um mecanismo probabilístico em que cada palavra é calculada com base na probabilidade de ser a próxima mais adequada ao contexto.
Nesse cenário, a temperatura define o quanto o modelo se afasta da opção mais previsível. Uma temperatura baixa, próxima de zero, faz com que o modelo quase sempre escolha a palavra mais provável, resultando em respostas conservadoras e coerentes. Uma temperatura alta permite que opções menos convencionais sejam selecionadas, trazendo mais variedade, mas também aumentando o risco de o texto se tornar confuso ou se afastar do tema central.
Não existe um valor universalmente correto para a temperatura — a escolha depende da tarefa. Para atividades que exigem fidelidade ao conteúdo original, como resumir um contrato, traduzir um texto ou explicar um conceito técnico, uma temperatura baixa é mais adequada. Já para tarefas que envolvem criatividade, como gerar ideias de nomes de produtos, redigir e-mails com tom mais descontraído ou propor soluções inovadoras, temperaturas mais altas produzem resultados melhores.
O problema prático é que as interfaces padrão de chat dos principais aplicativos de inteligência artificial não oferecem acesso direto a esses parâmetros. Configurações como temperatura e limite de tokens — a unidade básica de processamento de texto pelos modelos de linguagem — costumam estar disponíveis apenas por meio de APIs, sigla para Application Programming Interface, que é o canal de comunicação entre softwares, ou em ferramentas avançadas de configuração.
A alternativa viável para a maioria dos usuários é simular o efeito desses parâmetros por meio de instruções explícitas escritas diretamente na interação com o modelo. Ao pedir que a IA seja literal, objetiva e restrita ao essencial, o usuário induz, na prática, um comportamento equivalente ao de uma temperatura baixa. Quando, ao contrário, solicita que o modelo seja criativo, explore possibilidades variadas e evite respostas óbvias, o efeito se aproxima do que ocorreria com a temperatura configurada em um valor elevado.
A extensão da resposta funciona de maneira análoga, embora por um mecanismo diferente. O modelo continua gerando texto até decidir que a resposta está completa ou até atingir um limite predefinido de tokens. Uma resposta mais longa, no entanto, não implica necessariamente uma resposta melhor — na maioria das vezes, o efeito é o oposto.
Sem uma instrução clara sobre o tamanho desejado, os modelos de linguagem tendem a acrescentar informações desnecessárias, adicionando nuances e digressões que nem sempre agregam valor. Por outro lado, quando o usuário precisa de uma explicação detalhada, uma resposta curta deixa lacunas importantes. A questão central não está no modelo em si, mas na ausência de uma especificação clara sobre a extensão esperada.
A solução para controlar esse aspecto é simples: incluir no comando uma orientação explícita sobre o tamanho do texto. Essa instrução pode variar de pedidos como responder em uma única frase até solicitações para aprofundar o máximo possível o tema tratado. A especificação permite que o modelo ajuste automaticamente o nível de detalhamento às necessidades reais do usuário.
O ponto mais relevante é que os dois parâmetros podem ser combinados para gerar resultados otimizados para cada situação. Uma temperatura baixa associada a uma resposta curta produz respostas precisas e diretas, ideais para questões técnicas, consultas factuais ou quando a exatidão é prioritária. Uma temperatura alta combinada com uma resposta mais extensa permite que o modelo explore diferentes caminhos e proponha soluções com maior profundidade, adequando-se a contextos que exigem criatividade e elaboração.
Compreender como esses dois parâmetros funcionam, mesmo que de forma indireta e controlada por meio das instruções fornecidas ao modelo, representa a diferença entre obter exatamente o que se precisa e aceitar o que a ferramenta entrega por padrão. Profissionais que utilizam inteligência artificial em suas rotinas de trabalho podem ganhar eficiência significativa ao estruturar suas solicitações com clareza quanto a esses dois aspectos.
A prática de ajustar a temperatura simulada e a extensão da resposta por meio de comandos bem construídos elimina boa parte das frustrações comuns ao uso de ferramentas de IA. Em vez de reformular a mesma pergunta várias vezes até obter um resultado aceitável, o usuário passa a comunicar suas expectativas de forma precisa desde o início, economizando tempo e melhorando a qualidade das interações.
