Três iterações do prompt: como um assistente de IA para contos completa os personagens por conta própria

A escritora sul-africana Coral Hart publicou 370 livros em 20 meses com ajuda da IA. Isso levanta uma pergunta: o que um modelo realmente faz com um texto de ficção? A autora de uma análise publicada no Habr testou isso com uma cena de seu próprio conto: um homem e uma mulher jogam xadrez, com uma criança por perto.

O que aconteceu na primeira tentativa

O prompt era curto: descrevia a situação visível, informava que o homem estava confiante na vitória, pedia que os pensamentos dos personagens fossem transmitidos e estabelecia uma extensão de 1000–1500 caracteres. O assistente do BotHub usava a predefinição Claude Sonnet 5.5, com temperatura de 0.8 e limite de resposta de 16 mil tokens.

O modelo produziu uma cena sólida por si só. Mas decidiu por conta própria que a criança era filho dos jogadores, inventou um passado compartilhado para o casal (“Antes, ele esperava que ela terminasse de ler o livro... Agora, esperava a jogada dela”) e conduziu tudo a uma reconciliação. Na concepção da autora, a criança não é filho deles, e os personagens personificam a ambivalência. Em termos simples, o modelo preencheu as lacunas com a trama mais familiar.

O que ajudou a chegar mais perto da intenção da autora

A autora explicou ao modelo o significado oculto, mas pediu que não o explicitasse ao leitor. Depois, descreveu os personagens com mais detalhes: o homem gosta de ter o controle, mas entende rapidamente a criança; a mulher tem medo de perder e está cansada do jogo. Também foi preciso eliminar o efeito de “vinheta com começo, meio e fim”: embora o trecho viesse do meio de um conto, o modelo buscava um final marcante, então o prompt pediu que deixasse a partida inacabada.

Na terceira versão, apareceu a contradição desejada: o homem percebe imediatamente um fio na roda do carrinho de brinquedo, mas ignora a vontade da mulher de encerrar o jogo. Ainda havia falhas:

• O modelo interpretou “entende a criança” literalmente, como a capacidade de consertar um brinquedo, em vez de decifrar os sentimentos por trás de um desenho;
• A fala “Você sempre me deixa uma escolha em que eu já sou culpada de antemão” explica a relação de forma direta demais;
• Há um erro de continuidade nas ações: a mão estava suspensa sobre o bispo, depois consertava o carrinho e, no final, era “retirada da peça”, embora o texto não descreva nenhum retorno ao tabuleiro.

A conclusão prática

Não se trata de um benchmark, mas de um experimento de uma única autora, sem uma avaliação às cegas por leitores. A conclusão é prática e se aplica tanto à prosa quanto a produtos generativos em geral.

• Detalhe o que os personagens querem e o que os impede de conseguir. Uma personalidade contraditória dá ao modelo mais pontos de apoio do que a palavra “rigoroso”.
• Informe o que o leitor ainda não sabe: as regras do mundo, as relações, a intenção oculta e o que deve ser revelado mais adiante.
• Defina a forma: qual perspectiva usar, onde interromper a cena e o que deve ficar sem resolução.
• Verifique a continuidade das ações e dos detalhes; esse continua sendo um ponto fraco mesmo nas versões bem-sucedidas.

A autora também cita um estudo de 2024: contos escritos por pessoas com sugestões do GPT-4 foram avaliados como mais originais e agradáveis de ler, mas também se pareciam mais entre si. Para gerentes de produto, esse é um sinal importante: um assistente de IA eleva o nível médio, mas reduz a diversidade. Se você está desenvolvendo uma ferramenta para escritores, permita que definam o contexto oculto e as restrições, além do tema e da extensão. E deixe claro que a responsabilidade pelo texto continua com a pessoa que o publica em seu próprio nome.