Por que todo texto de IA soa igual e como fugir do padrão genérico

Você lê três linhas e já sabe que aquilo saiu de um chat

O mesmo ritmo, o mesmo vocabulário elegante demais, e a listinha de três itens que aparece do nada no meio do parágrafo 🙂

Em 2025 isso parou de ser piada de internet e virou verbete de dicionário: o Merriam-Webster elegeu slop como palavra do ano, definida como conteúdo digital de baixa qualidade produzido em quantidade por inteligência artificial

Do outro lado do mundo a mesma coisa: o dicionário australiano Macquarie escolheu AI slop como palavra do ano de 2025, e ela ainda venceu na escolha popular

Ou seja, não é frescura sua, o povo inteiro reconheceu o padrão

A boa notícia é que esse padrão tem causa técnica, e causa técnica tem contorno

Aqui você vai entender de onde vem a mesmice e sair com ajustes concretos de prompt, de parâmetro e de configuração

A prova de que existe um padrão: o que os estudos mediram

Antes de opinar, vale olhar o que já foi medido

Um estudo publicado na Science Advances analisou mais de 15 milhões de resumos biomédicos do PubMed entre 2010 e 2024, procurando o que os autores chamam de vocabulário em excesso: palavras que dispararam de frequência depois do lançamento do ChatGPT

Os nomes que aparecem nessa lista viraram meme entre quem edita texto: delve, intricate, underscore

O mesmo trabalho estima que pelo menos 13,5% dos resumos de 2024 passaram por um LLM, chegando a 40% em alguns subgrupos de disciplinas, países e periódicos

Repara no detalhe: não é alguém dizendo "achei parecido", é frequência de palavra medida em série histórica

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

E fora do meio acadêmico?

Outra pesquisa foi por outro caminho

Foram 2.200 redações de admissão em três estudos pré-registrados, medindo diversidade semântica com uma métrica chamada DSI (Divergent Semantic Integration)

O achado é o que interessa: cada redação humana adicional trazia mais ideias novas do que cada redação adicional gerada pelo GPT-4

Um humano a mais amplia o repertório, uma geração a mais tende a orbitar o mesmo centro

Então "soa igual" não é impressão, é uma propriedade mensurável do jeito que esses modelos entregam resposta

Causa 1: colapso de modo, o modelo entrega sempre a resposta mais típica

O sintoma: você pede 5 versões de um título e recebe 5 variações da mesma versão

Muda uma palavra, troca a ordem, e a estrutura continua idêntica

Parece preguiça do modelo, mas é outra coisa

A causa: o paper Verbalized Sampling aponta o viés de tipicidade (typicality bias) nos dados de preferência humana como causa fundamental do colapso de modo no pós-treinamento por RLHF

Traduzindo: quando anotadores humanos comparam duas respostas, eles preferem sistematicamente a mais familiar

Aí o modelo aprende, milhões de vezes, que a resposta certa é a que soa mais conhecida

É como um cantor de bar que só recebe aplauso quando toca o que todo mundo já sabe cantar: em pouco tempo ele só toca aquilo

A solução proposta no paper: em vez de pedir uma resposta, você pede um conjunto de respostas com as probabilidades correspondentes

O exemplo do próprio trabalho é literalmente "gere 5 piadas sobre café e suas probabilidades"

O que isso faz é aliviar a pressão por produzir a única resposta mais típica, porque a saída de baixa probabilidade agora é parte do que foi pedido, não um erro

Em escrita criativa, a técnica aumentou a diversidade das saídas de 1,6 a 2,1 vezes em relação ao prompt direto, sem perda de segurança nem de precisão factual

E o melhor: é técnica de prompt, sem treino adicional

Como prevenir: nunca aceite a primeira saída como A saída

A primeira saída é, por construção, a mais previsível de todas

Causa 2: prompt genérico produz média, não voz

O sintoma: o texto está correto, competente, bem organizado, e não tem ninguém dentro dele

Se você trocar o autor, ninguém percebe

A causa: um estudo comparou 6.875 redações em cinco condições (só humano, só IA e três modos de colaboração) e confirmou um trade-off qualidade x homogeneização

A IA melhorou a qualidade e, ao mesmo tempo, homogeneizou dimensões estruturais do texto

Mas se liga na parte que muda o jogo: com o mesmo modelo, a especificidade do prompt reverteu a homogeneização em diversificação na dimensão de profundidade argumentativa

Mesmo modelo, resultado oposto, só mexendo no pedido

Isso indica que a homogeneização é função do desenho da interação, não um defeito fixo do modelo

A solução: carregar a especificidade no pedido em vez de esperar que o modelo escolha por você

Recorte, público, restrição, exemplo de voz

Quando você não define, alguém define: e esse alguém é a média estatística do treino

Como prevenir: toda vez que o texto sair sem sal, olhe primeiro pro seu prompt, não pro modelo

Causa 3: o padrão também vem de fora do modelo

O sintoma: o texto perde nuance cultural e escorrega pra um registro neutro internacional

Sabe aquele português que parece traduzido de um blog corporativo gringo? É isso

A causa: um estudo mostra que sugestões de escrita geradas por IA empurram usuários a alinhar o texto a estilos ocidentais, reduzindo nuances culturais

Pesquisadores da USC Dornsife vão na mesma direção e apontam que LLMs de uso amplo, como ChatGPT e Claude, podem estar padronizando a forma como as pessoas se comunicam, raciocinam e entendem cultura

Ou seja, parte do achatamento não acontece dentro do modelo

Acontece em você, aceitando sugestão atrás de sugestão até o texto virar outro

A solução: manter a decisão editorial com o humano e usar a IA sobre um material que já tem ponto de vista

Se o ponto de vista nasce dentro do chat, ele nasce médio

Como prevenir: escreva o esqueleto antes de abrir o chat

Bullet feio, anotação bagunçada, opinião mal formulada, tudo bem

Material bruto com opinião vale mais que prompt bonito com tema aberto

Como quebrar o padrão no prompt: ajustes que funcionam

Agora a parte aplicável, na ordem em que eu faria

1. Peça N variações com as probabilidades correspondentes

É o Verbalized Sampling do jeito mais simples possível: em vez de "escreva a abertura", você pede um conjunto e a probabilidade de cada item

Gere 5 aberturas diferentes para este post e a probabilidade de cada uma.
Público: dev que já usa IA todos os dias e detesta texto genérico.
Restrição: nada de "no mundo atual", nada de lista de três itens.
Material bruto: [cole aqui suas anotações]

O erro comum deste passo: pedir as 5 versões e ficar com a primeira mesmo assim 😛

As variações de baixa probabilidade são justamente as que fogem da média, é lá que costuma estar o ângulo interessante

2. Suba a especificidade do pedido

Recorte, restrição e público explícitos

Foi exatamente a especificidade que reverteu homogeneização em diversificação no estudo das 6.875 redações, com o mesmo modelo

O erro comum deste passo: escrever "seja criativo" e "fuja do óbvio" sem nenhuma restrição concreta

Isso não é instrução, é torcida: o modelo não tem como saber o que é óbvio pro seu leitor

3. Forneça o material bruto e o ângulo

Anotação, transcrição, print de conversa, seu rascunho torto

O modelo trabalhando em cima do seu material tem de onde puxar especificidade

O modelo trabalhando em cima de um tema aberto só tem o treino, e o treino é a média do mundo

O erro comum deste passo: mandar só o título e esperar personalidade

4. Use a saída como matéria-prima e reescreva as ligações

As frases de ligação são onde o sotaque de IA mora: as transições, os resumos de parágrafo, os fechamentos

Mantenha a estrutura se ela ficou boa, reescreva as costuras com a sua voz

O erro comum deste passo: revisar procurando erro de gramática

Não é erro que denuncia, é ritmo uniforme

Parâmetros de amostragem: o que dá para mexer (e o que não dá mais)

Muita gente ainda tenta resolver estilo no parâmetro, então vamos ser honestos sobre o que existe hoje na API do Claude

1. Entenda a faixa do temperature

Quando o parâmetro é suportado, a faixa vai de 0.0 a 1.0, com padrão 1.0

A documentação recomenda valores perto de 0.0 para tarefas analíticas e perto de 1.0 para tarefas criativas

O erro comum deste passo: achar que subir temperatura cria repertório

Ela mexe na aleatoriedade da escolha, não no que o modelo tem a dizer

2. Mexa em temperature OU em top_p, nunca nos dois

A orientação é explícita na documentação da Anthropic: "You should either alter temperature or top_p, but not both"

O erro comum deste passo: copiar config de tutorial que mexe nos dois ao mesmo tempo e depois não saber qual causou o quê

3. Não conte com determinismo em temperature 0.0

Nos modelos em que o parâmetro ainda é suportado, a própria documentação avisa: mesmo com temperature em 0.0 o resultado não é totalmente determinístico

O erro comum deste passo: montar teste comparativo assumindo saída idêntica

4. Cheque se o seu modelo ainda aceita esses parâmetros

No Claude Opus 4.7 e modelos posteriores, temperature, top_p e top_k não são suportados: definir valor diferente do padrão retorna erro 400

Como o padrão de temperature é 1.0, mandar 0.0 nesses modelos cai justamente nesse erro

O erro comum deste passo: descobrir isso em produção, com a request estourando

A conclusão do bloco é meio óbvia depois disso: em modelo novo, o controle de estilo migrou pro prompt e pras camadas de configuração do produto

O botãozinho acabou, o texto do pedido virou o volante

Onde fixar seu estilo: Claude.ai x Claude Code

São dois produtos diferentes, com camadas diferentes, e misturar as instruções é receita de frustração

No Claude Code, o arquivo é Markdown mesmo, com frontmatter na frente e as instruções em seguida

---
name: Voz do time
keep-coding-instructions: true
---

Escreva em frases curtas, uma ideia por linha.
Nada de listas de três itens como padrão.
Explique o porquê antes do como.

Detalhe que economiza dor de cabeça: o nome do arquivo vira o nome do style, a menos que name esteja definido no frontmatter

Dá para eliminar o sotaque de IA? O veredito honesto

Aqui eu não vou vender fórmula mágica, porque os dados não deixam

O que dá pra afirmar: prompt e configuração reduzem MUITO o padrão

Verbalized Sampling entregou de 1,6x a 2,1x mais diversidade em escrita criativa, e a especificidade do prompt reverteu homogeneização em diversificação com o mesmo modelo

Isso é ganho real, não é placebo

Mas tem o outro lado

No estudo das 2.200 redações, tentar aumentar a diversidade do GPT via ajuste de parâmetros ou de prompt não eliminou a diferença em relação aos humanos

E pior: a diferença aumentava conforme mais textos eram somados

A consequência prática é dura e vale anotar: em texto avulso você disfarça bem, em volume o padrão volta

Por isso a edição humana entra como parte do processo, não como um extra que você faz se sobrar tempo

Se você quiser ir mais fundo na parte de revisão, tem um material aqui do blog sobre humanizar texto de IA que conversa direto com isso

Conclusão

O resumo da ópera: o texto sai igual porque o modelo foi treinado pra entregar o mais típico, e o mais típico é o que anotador humano prefere

Colapso de modo por viés de tipicidade, com nome e sobrenome

A cura é parcial e tem três frentes: especificidade no pedido, N variações com probabilidade em vez de uma resposta só, e camada de estilo fixada no produto certo (preferência e projeto no Claude.ai, output style no Claude Code)

O resto é você editando, porque não tem jeito 😀

Próximo passo concreto, hoje mesmo: pega um texto recente que ficou sem graça, refaz o pedido pedindo 5 variações com as probabilidades correspondentes, e fixa sua preferência de estilo na camada certa do produto que você usa

Depois compara os dois textos lado a lado, a diferença aparece rápido

até o próximo post!