IAs em formato de molde: por que ChatGPT, Claude e Gemini pensam igual

ChatGPT, Claude e Gemini dão respostas igualmente previsíveis a pedidos parecidos. Em 1º de julho de 2026, a MIT Technology Review descreveu esse fenômeno como um "pensamento de grupo" sistêmico dos modelos de linguagem e falou de uma startup que desenvolve formas de superá-lo.

O teste dos números: por que não é coincidência?

Peça a qualquer chatbot popular um número aleatório de 1 a 10 e quase com certeza você receberá 7. Pergunte de novo e ouvirá 3 ou 4; mais uma vez, 8 ou 9. O padrão se repete com estabilidade impressionante em modelos de empresas diferentes.

A explicação é simples: todos os grandes LLMs foram treinados com corpora da web parecidos, nos quais o "7" aparece como resposta a essa pergunta com mais frequência que outros números, porque as próprias pessoas chamam o sete de número "mais aleatório". O ajuste fino com aprendizado por reforço (RLHF) ainda premia respostas "seguras" e esperadas, aquelas que recebem notas altas de avaliadores humanos com mais frequência. Os modelos são, literalmente, treinados para dar a resposta previsível.

• O sete como número "aleatório" é um exemplo clássico da tendência dos LLMs a padrões prontos
• O padrão aparece em Claude (Anthropic), ChatGPT (OpenAI) e Gemini (Google DeepMind)
• A causa é a sobreposição dos dados de treinamento e procedimentos de RLHF parecidos em todos os grandes laboratórios

Onde o pensamento de grupo causa dano real

Os números são apenas um sintoma visível. Em tarefas reais o problema é maior: os modelos repetem os mesmos clichês culturais, formulam recomendações estratégicas de modo semelhante e sugerem soluções de marketing parecidas. Quando uma empresa usa vários LLMs para "diversificar pontos de vista", muitas vezes recebe versões reescritas da mesma opinião, com ilusão de independência.

"Criamos um ecossistema em que todos os modelos enxergam o mundo da mesma forma, porque leram as mesmas coisas", afirma a MIT

Technology Review.

O problema é mais agudo onde a originalidade importa: geração de hipóteses científicas, conteúdo fora do padrão, avaliação de riscos não triviais. Nesses casos, a "verificação independente" por vários LLMs dá a ilusão de diversidade, mas não a diversidade em si.

O que a startup propõe

A MIT Technology Review descreve uma startup focada em métodos para superar o "pensamento de molde" nos modelos de linguagem. A arquitetura exata da solução não foi divulgada. Enquanto isso, o setor discute algumas abordagens:

• Treinar com dados mais diversos, incluindo de propósito pontos de vista de nicho
• Estocasticidade controlada na etapa de ajuste fino, premiando a variabilidade como objetivo explícito
• Sistemas de ensemble, nos quais vários modelos com "vieses" diferentes debatem entre si
• Métricas de diversidade de respostas como parte obrigatória das evals, ao lado de precisão e segurança

O que isso significa

Se os métodos para superar o "consenso de grupo" conseguirem estabelecer um novo padrão no setor, vai mudar a forma como avaliamos sistemas de IA: diversidade e independência das respostas passarão a ser requisitos tão mensuráveis quanto precisão ou segurança. Para usuários corporativos, isso abre a possibilidade de obter da IA perspectivas realmente diferentes, e não uma visão estatisticamente média com palavras diferentes.

Por que ChatGPT, Claude e Gemini dão as mesmas respostas?

A MIT Technology Review identificou um fenômeno sistemático, chamado de "pensamento de grupo" das redes neurais: elas reproduzem respostas igualmente previsíveis a pedidos parecidos, mesmo quando se pede que sejam aleatórias.

É possível corrigir as respostas idênticas da IA?

A startup descrita no artigo desenvolve formas de superar esse fenômeno nos modelos de linguagem.