Como o Gemini levou um blog de IA ao mode collapse e forçou a reconstrução do gerador de temas

Um prompt criativo aberto se mostrou um péssimo editor: em vez de trazer variedade, levou sem alarde a seção de sexta-feira do blog de IA ao mode collapse. Por quatro semanas seguidas, o LLM sugeriu basicamente a mesma «pergunta polêmica sobre IA», mudando só um pouco a redação, e isso só ficou visível quando os textos, iguais em sentido, formaram uma sequência.

O problema não apareceu de imediato justamente porque cada publicação, isoladamente, parecia aceitável. Na primeira semana o tema parecia adequado, na segunda apenas parecido, e na terceira a repetição ainda podia ser atribuída ao acaso. Na quarta, ficou claro que o modelo não busca ângulos novos, mas gira em torno do mesmo padrão. Para uma redação, é um tipo de falha especialmente incômodo: localmente a qualidade se mantém, mas no conjunto o conteúdo começa a se duplicar.

No início, a equipe procurou a solução no próprio prompt. A lógica era compreensível: se o modelo travou em uma tese, é preciso reforçar os requisitos de diversidade, acrescentar restrições, pedir novos ângulos ou proibir repetições. Mas essas medidas ajudaram apenas de forma cosmética. A redação e o tom mudavam, porém o núcleo da ideia continuava o mesmo. É uma observação importante para quem usa LLMs em pipelines de conteúdo: um pedido aberto do tipo «invente um tema interessante» não garante variedade real, mesmo que as respostas pareçam novas.

Na investigação, descobriu-se que parte do problema estava não só no prompt engineering, mas também na própria configuração do Gemini. Essa camada foi esquecida no início, embora afete diretamente a distribuição das respostas e a tendência do modelo de repetir modelos seguros. Em sistemas assim, o erro raramente mora em um só lugar: o prompt, os parâmetros de geração e a lógica geral do pipeline se reforçam mutuamente. Por isso, tentar «terminar a cura» com uma única formulação mágica costuma apenas mascarar o sintoma, sem eliminar a causa.

A situação mostrou ainda outro problema prático da automação editorial: a revisão manual comum não pega essas falhas quando se olha cada material separadamente. É preciso controle no nível da série: comparar os temas do mês, checar a proximidade semântica, manter um registro dos ângulos já publicados e ao menos uma métrica simples de diversidade. Caso contrário, o modelo continuará produzindo textos «normais» que, somados, diluem a seção e passam a impressão de que o blog discute sempre consigo mesmo a mesma questão.

Depois de quatro rodadas de experimentos, a equipe chegou a uma conclusão mais pé no chão: é melhor não deixar a geração de temas totalmente a critério do modelo. Em vez do aberto «invente uma pergunta», o gerador passou a usar rotação determinística de um conjunto de temas previamente reunido e editado. Essa abordagem é menos vistosa em termos de «criatividade», mas entrega o que a redação realmente precisa: cobertura previsível de assuntos diferentes, ausência de repetição em loop e controle sobre o equilíbrio temático. Para corrigir, não foram necessários fine-tuning, RAG nem migração para outro modelo.

A principal conclusão é simples: se um LLM está embutido em um processo editorial regular, ele deve ser avaliado não por uma resposta boa, mas por uma série de edições. Em tarefas aplicadas, o mode collapse muitas vezes não parece uma pane súbita, e sim um estreitamento lento da gama de ideias, perceptível apenas à distância. Por isso, para seções fixas, geradores de temas e outros cenários recorrentes, funciona de forma mais confiável não a liberdade máxima do modelo, mas a combinação de lista curada, rotação rígida e checagem periódica de repetições semânticas. As decisões convém ser tomadas antes, antes que a repetição vire um hábito editorial consolidado.