O Fact-Checker de Saída de IA: Capture Alegações Alucinadas Antes de Enviar

Textos gerados por IA têm um modo de falha específico, diferente do erro humano comum: produzem afirmações confiantes, fluentes e com aparência plausível que, às vezes, são simplesmente inventadas. Uma estatística alucinada soa exatamente como uma real. Uma citação fabricada soa exatamente como algo que um analista de verdade diria. É justamente isso que torna as alucinações perigosas — elas não parecem erradas, e uma leitura normal focada em tom e clareza não as detecta.

Este prompt foi construído para detectar esse modo específico de falha ao tratar o fact-checking como uma etapa separada, com sua própria taxonomia explícita do que procurar.

Por que o prompt visa tipos específicos de alegações

A seção Task não pede apenas que o modelo "verifique erros" — ela lista seis categorias específicas: estatísticas, datas, citações, referências, entidades nomeadas e superlativos. Isso é importante porque instruções genéricas de fact-checking produzem saídas genéricas e de baixo valor ("parece correto"). Nomear as categorias exatas onde as alucinações se concentram força o modelo a realmente escanear esses padrões, em vez de fazer uma verificação vaga de plausibilidade.

Citações e referências recebem atenção especial porque são a categoria de alucinação de maior risco. Uma estatística fabricada é ruim; uma citação fabricada atribuída a uma pessoa real e nomeada é um problema de outra ordem — é uma declaração falsa sobre o que alguém disse, o que já colocou organizações reais em apuros legais e de reputação em 2026, incluindo pelo menos um caso amplamente noticiado de um documento jurídico que citava jurisprudência fabricada.

Por que a plausibilidade não é o critério

A linha mais importante na seção Constraints é a instrução de nunca aceitar "soa plausível" como padrão de verificação. Isso ataca diretamente como as alucinações realmente funcionam: um modelo que inventou uma estatística, ao ser solicitado a verificar casualmente seu próprio trabalho, geralmente considerará essa mesma estatística inventada como plausível — porque a gerou para ser plausível. Forçar uma classificação de quatro vias (verificado / não verificável / padrão de alucinação / fabricado) em vez de uma verificação binária leva o modelo a ser explícito sobre sua própria incerteza, em vez de cair em uma falsa confiança.

Por que números estranhamente precisos são sinalizados especificamente

A instrução de sinalizar figuras não arredondadas e estranhamente específicas ("73,4%" em vez de "cerca de 75%") visa um padrão genuíno e documentado de como as estatísticas alucinadas tendem a parecer — números inventados geralmente carregam uma falsa precisão que as estatísticas reais, que normalmente vêm de pesquisas imperfeitas ou relatórios arredondados, não compartilham. Isso é uma heurística, não uma garantia, mas é um filtro de primeira passagem útil que captura uma parcela significativa de números fabricados à primeira vista.

Como é uma boa saída

Uma execução útil deste prompt deve terminar com um veredicto inequívoco — não "parece ok", mas um sim/não/ainda não específico, vinculado a uma lista curta do que exatamente precisa ser corrigido. Se a saída do modelo for uma hesitação vaga, sem avaliações concretas alegação por alegação, o prompt falhou e provavelmente precisa que o modelo seja lembrado de trabalhar o texto de forma sistemática, em vez de resumir sua impressão geral.

Os limites deste padrão

Este prompt só é tão bom quanto a capacidade do modelo de realmente verificar alegações contra informações reais — sem busca na web ou uma fonte de conhecimento conectada, o modelo está fazendo palpites educados sobre quais alegações parecem arriscadas, não confirmando a verdade fundamental. Trate a saída como uma triagem de risco estruturada que indica onde você deve gastar seu tempo limitado de verificação, não como um substituto para checar você mesmo os itens de maior risco (especialmente citações e referências) contra uma fonte primária.