Como pesquisar e verificar fatos com IA: o modo deep research

Em resumo: o modo deep research é aquele em que a IA não responde na hora, mas dispara por conta própria dezenas de buscas, abre páginas e monta um relatório com fontes em 5–30 minutos. Ele economiza horas, mas não dispensa a verificação: o modelo ainda pode ler mal uma fonte ou citar uma página que não existe. Uma regra: abra os links você mesmo. O que vem a seguir não é teoria, é um passeio pelo nosso próprio estudo de mercado — o que descobrimos, o que reconferimos e o que, com toda a honestidade, não conseguimos obter.

Em que ele difere de um chat comum com busca

Um chat comum com busca na web dispara uma ou duas consultas e responde em segundos. O modo de pesquisa funciona de outro jeito: ele quebra a sua pergunta em subperguntas, busca cada uma, lê o que encontra, nota as contradições, procura o que falta — e só então escreve um relatório estruturado com notas de rodapé. É um ciclo "buscar → ler → refinar", rodado muitas vezes sem você.

Daí a diferença na sensação: uma resposta normal é a opinião de um interlocutor bem informado; um relatório de deep research é o rascunho de uma nota de analista. Com uma bibliografia que você pode conferir. Ou deixar de conferir — e se dar mal.

E aqui está o que vale entender logo de cara. O modo muda a economia da pesquisa, não a sua natureza. Percorrer quarenta páginas costumava custar um dia. Agora custa dez minutos de espera. Mas a decisão sobre quais quarenta páginas valiam a pena, e o que se conclui delas, continua sendo sua. A ferramenta barateou a coleta e não fez absolutamente nada pela verificação. A verificação ficou exatamente onde estava — e é por isso que o resto deste artigo fala sobretudo de verificação.

Onde encontrá-lo

• ChatGPT — modo Deep Research, em geral nos planos pagos, com um limite mensal de execuções.
• Gemini — Deep Research, embutido na interface, mostra o plano de pesquisa antes de começar.
• Claude — modo Research, com busca na web e trabalho com várias fontes.
• Perplexity — nasceu voltado para a busca, com um modo de pesquisa dedicado.

Nomes e limites mudam quase todo mês, então memorize o princípio, não a marca: se uma ferramenta mostra uma lista de fontes e gasta minutos em vez de segundos, é esse o modo. As diferenças gerais entre os modelos estão em ChatGPT vs Claude vs Gemini.

Como orientá-lo para que o relatório seja útil

O erro clássico é jogar um tema numa linha só ("o mercado de carros elétricos na Europa") e esperar mágica. O modo vai rodar e te entregar pura enrolação. Delimite a tarefa em quatro eixos: a pergunta, os limites (período, região, tipos de fonte), o formato e o que fazer com a incerteza.

Em vez de descrever isso de forma abstrata, veja acontecer. Clique em "Executar" abaixo e o modelo transforma, na sua frente, um tema vago num briefing de verdade. Depois é só trocar pelo seu tema.

Você é um editor de briefings de pesquisa. Aqui está um pedido
exatamente como um cliente o enviou: "Preciso de um panorama do
mercado de carros elétricos na Europa."

Este briefing é ruim. Reescreva-o num briefing funcional, em quatro eixos:

1. A PERGUNTA. Quebre o tema em 4-6 perguntas concretas que possam
   ser respondidas com fatos, e não com raciocínio. Pergunta ruim:
   "quais são as perspectivas do mercado". Pergunta boa: "como a
   participação dos elétricos nos novos emplacamentos mudou por país
   nos últimos três anos".
2. LIMITES. Proponha um período, uma região e uma ordem de prioridade
   dos tipos de fonte. Diga explicitamente quais fontes contam como
   primárias neste tema e quais são repasses.
3. FORMATO. Descreva a estrutura do relatório e a regra de citação:
   o que deve ficar ao lado de cada número.
4. INCERTEZA. Escreva a seção que o pesquisador é obrigado a
   preencher: onde as fontes divergem, o que não foi possível
   encontrar, quais afirmações se sustentam em pouco.

Termine com 5 "ciladas deste tema" — os números e afirmações típicos
que, nesta área, passam de artigo em artigo sem fonte primária.
Explique por que cada um merece ser reconferido.

Esse último eixo — a incerteza — é o mais valioso, e quase ninguém o pede. Ele transforma o relatório de "texto seguro de si" num mapa do que se sabe, mostrando onde o chão é firme e onde começa o pântano. As bases de como formular pedidos estão em o que é um prompt, e os exemplos resolvidos na nossa coleção de prompts.

A principal cilada: fontes que não existem

Os modelos de linguagem inventam fontes. Não de vez em quando, e não só os "modelos ruins" — é uma propriedade sistêmica: o modelo gera uma continuação plausível do texto, e uma URL plausível com um título de artigo plausível sai tão fácil quanto uma real. A mecânica está destrinchada em alucinações da IA: por que os modelos inventam coisas.

O modo de pesquisa reduz o risco porque de fato visita páginas. Não o elimina. Três caminhos por onde a invenção se infiltra num relatório pronto:

• Link quebrado. A fonte mudou de lugar ou nunca existiu — no relatório, as duas coisas parecem igualmente respeitáveis.
• O link funciona, mas a afirmação não está nele. O caso mais comum e mais traiçoeiro: a página abre, parece relevante, mas o número do relatório simplesmente não está lá — o modelo inventou o destaque.
• Cadeia de repasses. O relatório cita um blog, o blog cita uma notícia, a notícia cita "um estudo" que ninguém viu. Formalmente, há uma nota de rodapé. De fato, não há fonte primária.

A conclusão é incômoda, mas honesta: uma nota de rodapé não é verificação, é a promessa de uma verificação. Verificar é com você.

Seis casos da nossa própria pesquisa

O que vem a seguir não são exemplos de manual. Fizemos nós mesmos um estudo do mercado de cursos de IA (dados coletados em 17/07/2026): puxamos preços e métricas de cursos de uma API interna da Udemy, reunimos as estatísticas de matrículas na Coursera e lemos o que os alunos insatisfeitos de fato escreveram. É um material conveniente para mostrar todas as ciladas de uma vez, porque caímos em todas.

Caso 1. A fonte primária contra o "todo mundo sabe"

A sabedoria popular diz que os cursos da Udemy custam $200 e estão em promoção permanente com 90% de desconto. Pergunte a qualquer modelo — ele vai repetir isso com convicção, porque milhares de artigos dizem o mesmo. Fomos olhar a resposta crua da API (o endpoint price_text) e vimos isto:

Você é um analista que lê respostas cruas de API e não acredita no
marketing pela palavra. Aqui está um trecho da resposta da API da
página de um curso (coletado por nós em 17/07/2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Suas tarefas:
1. Diga o que este trecho prova e o que não prova. Mantenha as duas
   coisas rigorosamente separadas.
2. A afirmação corrente é: "esta plataforma está sempre em promoção;
   um curso de 200 euros sai por 20." O trecho refuta essa afirmação?
   Por completo ou só em parte?
3. Dê três explicações alternativas pelas quais o trecho e a afirmação
   corrente ainda poderiam ser compatíveis.
4. Aponte outros três campos ou consultas que você exigiria para
   fechar a questão de vez. Para cada um, diga qual dúvida específica
   ele elimina.
5. Formule a conclusão do jeito que ela poderia ser impressa: uma
   frase, sem exagero, com uma ressalva explícita sobre os limites
   dos dados.

O que encontramos: não há desconto. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. O curso custa € 24,99, e € 24,99 é também o seu preço cheio. Dos doze cursos mais vendidos que capturamos, onze estão a € 19,99; um (The Complete AI Guide) a € 24,99. Nada de "de € 199,99" em lugar nenhum.

Aí está toda a lição sobre fontes primárias num parágrafo. Uma crença de massa existia, tinha sido publicada milhares de vezes e soava totalmente plausível. Nenhum deep research a teria derrubado: o modelo teria encontrado esses mesmos milhares de artigos e os resumido com diligência. O que a refuta é apenas uma resposta de servidor legível por máquina, que alguém teve de ir buscar. O deep research é excelente para achar o consenso e quase incapaz de achar o que o consenso deixou passar.

Então, antes de disparar uma execução, faça a si mesmo uma pergunta desagradável: a minha resposta provavelmente está escrita em algum lugar, ou ela vive num banco de dados, num registro, numa API, numa tabela de preços, num processo judicial? Se for o segundo caso, o relatório vai te entregar um resumo lindamente referenciado daquilo que todo mundo acredita, e você não terá aprendido nada.

Caso 2. O número que não conseguimos obter

A nossa pesquisa tem uma linha de que eu gosto mais do que de qualquer número nela: o preço exato do ChatGPT Plus — não confirmado, todos os domínios da OpenAI devolveram 403. Sabemos esse preço por alto, como todo mundo sabe. Mas a fonte primária se recusou a nos dar, então, no nosso arquivo interno, ele está marcado como de segunda mão e proibido de usar como fato.

O preço do Udemy Personal Plan carrega a mesma marca: € 20,00/mês, € 10,00/mês em promoção — tirado da landing page, porque udemy.com devolveu 403 ao nosso crawler. O número está no relatório, mas a sua procedência fica logo ao lado.

É isto que os relatórios de deep research fazem de pior. O modelo detesta voltar de mãos vazias. Se a fonte primária está indisponível, ele encaixa caladamente um número tirado de um repasse e não fala nada sobre isso. A diferença entre "verificamos isto" e "encontramos uma menção a isto" some sem deixar rastro dentro da prosa dele. Exija de forma explícita uma seção "o que eu não consegui encontrar" — sozinha, ela nunca vai aparecer.

E repare no formato da falha. Não é uma alucinação. O número provavelmente está certo. O que falta é o rótulo. Um número certo sem rótulo e um número errado sem rótulo são idênticos na página — e é exatamente por isso que o rótulo importa mais do que o número.

Caso 3. Uma fonte confiável com um método furado

Enquanto nos preparávamos para localizar, esbarramos no EF English Proficiency Index — o ranking de proficiência em inglês mais citado do mundo. Ele coloca a Romênia em 11º lugar no mundo. Qualquer relatório de IA sobre línguas vai puxá-lo primeiro: está em todo lugar, parece estatística, a mídia o cita.

Jogamos ele fora por inteiro. Eis o porquê. A amostra é autosselecionada — a própria EF diz isso na metodologia: fazem o teste pessoas que decidiram por conta própria checar o inglês no site de uma escola de idiomas. A idade média de quem faz é 26 anos. Agora compare com fontes de amostra probabilística: o Eurobarômetro 540 (n = 26 523) e o Eurostat AES 2022 dizem que a Romênia é a pior da UE — 51,2% da população não fala nenhuma língua estrangeira e 25% falam inglês. Décimo primeiro lugar no mundo e pior da UE não é dispersão de estimativas. São afirmações incompatíveis, e uma delas foi fabricada por um método furado.

Daí uma regra que vale mais do que qualquer checklist: olhe como um número foi produzido, não quem o publicou. O deep research ordena as fontes por autoridade e destaque — e um método furado é justamente o que dá destaque a uma fonte, porque produz números limpos e citáveis. Uma pesquisa bem-feita informa faixas e intervalos de confiança; um teste autosselecionado publica um ranking. Adivinhe qual vence a corrida das citações.

Caso 4. Um estudo que não diz o que parece dizer

O único experimento com revisão por pares que encontramos sobre o nosso tema: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Um ensaio controlado randomizado, n = 2 263 estudantes suecos, um curso de programação on-line, com distribuição aleatória entre a versão sueca e a inglesa.

O resultado: evasão de 57% em sueco contra 71% em inglês (φ = 0,2; p < 0,00001). Nota média entre os que ficaram: 16,9 contra 14,3, tamanho de efeito δ = 0,085 — desprezível.

Agora veja o que aconteceu ali. Nas notas, praticamente não há diferença. A tentação é escrever "a língua não afeta os resultados" — o número existe, a significância não. Mas na evasão a diferença é enorme. O inglês não prejudicou a compreensão; fez as pessoas desistirem. São afirmações diferentes, e você só enxerga a segunda se olhar o que o estudo mediu e em quem. A fluência autoavaliada, aliás, não protegia contra a desistência.

Os relatórios de deep research falham exatamente aqui, e de forma confiável. Eles resumem a conclusão do resumo, não a construção do estudo. E um resumo é, ele mesmo, um repasse — só que escrito pelos autores. Se uma afirmação importa para você, as duas coisas que vale a pena ler são a seção de método e a tabela. Todo o resto de um artigo é prosa.

Caso 5. Um número que parece uma resposta e não é

Dimensionando o mercado por língua, esbarramos nos contadores de cursos da Udemy: tantos cursos em espanhol, zero em sueco. Número bonito, slide pronto. Só que ele mede a oferta, não a demanda. Zero cursos em sueco é ou um nicho vazio para o qual você deveria correr, ou a prova de que ali não há mercado nenhum. Um número, duas conclusões opostas e nenhum dado para escolher entre elas. Foi o que anotamos: ambíguo.

Um hábito útil: antes de colocar um número numa conclusão, pergunte qual decisão oposta esse mesmo número também sustentaria. Se sustenta as duas, não é um argumento — é decoração. O deep research produz esse tipo de decoração em série, porque um número com uma fonte anexada passa em qualquer teste superficial que exista.

Caso 6. Tamanho do efeito contra tamanho da manchete

A indústria de localização promete um crescimento de "+40–70%". Fomos atrás de confirmação independente e encontramos exatamente duas medições. O eBay, ao ativar a tradução automática: +10,9% de exportações (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — e o efeito diminuía conforme subia o preço do item. Um teste A/B da Wikimedia: +3,64%. A promessa de "+40–70%" não tem nada de independente por trás.

A distância entre 3,64% e 70% não é uma discordância sobre um número. É a diferença entre uma medição e um anúncio. E repare no detalhe do efeito que encolhe quando o preço sobe: ele só existe no artigo e some de todo repasse, porque estraga a manchete. As ressalvas morrem primeiro — são a primeira coisa amputada numa cadeia de repasses, muito antes de o próprio número ser distorcido.

Verifique um relatório em 5 minutos

1. Liste as afirmações das quais algo depende. Em geral são 3–7 por relatório, não quarenta. O resto é contexto, onde um erro não custa nada.
2. Abra o link de cada uma. Carrega? Então Ctrl+F pelo número ou pela palavra-chave. Não está lá? A afirmação não tem apoio. Ponto final.
3. Volte até a fonte primária. Se a nota leva a uma notícia sobre um relatório, ache o relatório. Os números mudam pelo caminho e as ressalvas caem.
4. Confira a data. Um relatório "fresco" se monta sem esforço com artigos de cinco anos atrás, se você não delimitou o período.
5. Confira o método, não a marca. Como o número foi produzido? Quem foi consultado e como foi escolhido? O nosso caso da EF é exatamente isso.
6. Peça o contrário. Rode uma segunda passada: "encontre argumentos contra a conclusão X e dados que a contradigam." Se não aparece nada, a busca provavelmente foi rasa.

Os primeiros cinco minutos se pagam por evitarem que você cite uma invenção. O sexto passo se paga por evitar que você cite uma verdade que não significa nada.

Aqui está um auditor pronto para os passos 1–3. O prompt se sustenta sozinho — o relatório está embutido nele, então rode do jeito que está.

Você é um fact-checker. Entregaram a você um trecho de um relatório
de IA. Sua tarefa não é checar os fatos (você não tem internet) —
é montar um plano de verificação e ordenar as afirmações por risco.

TRECHO DO RELATÓRIO:
"O mercado de cursos de IA on-line está em plena expansão. Segundo
estimativas do setor, o mercado chegará a 47 bilhões de dólares até
2030 (fonte: o blog de uma agência de marketing, 2025). Os cursos são
vendidos com um desconto médio de 87% — as plataformas praticamente
os dão de graça. O maior curso atraiu mais de 400 000 alunos. Os
especialistas concordam que o vídeo continua sendo o formato preferido
da maioria de quem estuda. Um estudo mostrou que localizar o conteúdo
aumenta a conversão em 40-70%."

Faça quatro coisas:

1. DECOMPOSIÇÃO. Escreva cada afirmação numa linha própria. Rotule
   cada uma: fato mensurável / previsão / estimativa / opinião
   repassada / clichê de marketing.
2. RISCO. Dê a cada afirmação um risco de ser inventada ou distorcida:
   alto / médio / baixo. Justifique em uma frase. Preste atenção
   especial a números sem data e sem método e às construções
   "os especialistas concordam" e "um estudo mostrou".
3. PLANO. Para as três afirmações de maior risco, escreva qual fonte
   primária específica fecharia a questão e qual única consulta você
   faria a ela.
4. REESCRITA. Reescreva o trecho de modo que reste apenas aquilo pelo
   que se pode responder, e todo o resto seja marcado explicitamente
   como não verificado. Não invente nada: onde não há dados, diga isso.

Quando as fontes são pessoas

Metade da nossa pesquisa não são números, são avaliações. Reunimos 26 citações de alunos insatisfeitos ao pé da letra, com autores e datas (mais duas de fóruns, que contamos à parte, porque um post de fórum não é uma avaliação de curso). Sobre os cursos em vídeo, por exemplo:

"why read straight from the slide? I can do that. This was not a helpful course at all" — Janie I., 02.07.2026, 1★

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website" — Shashank T., 13.04.2026, 1★

O que importa é o que fizemos depois. Não escrevemos "os alunos estão insatisfeitos em massa". Contamos a parcela de avaliações negativas (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Ou seja, mais ou menos um aluno em dez. As citações são fortes, mas ilustram uma minoria, e isso tem de estar ali do lado no texto.

A segunda ressalva honesta: na Coursera, o filtro de avaliações por estrelas acontece no navegador — o HTML do servidor sempre devolve a primeira página. Isso quer dizer que as nossas citações de lá vêm da página padrão que qualquer visitante vê, e não de uma amostra sistemática. Isso enfraquece a afirmação, então anotamos.

A regra: uma citação é prova de que uma opinião existe, não de quão comum ela é. Um relatório de deep research costurado a partir de avaliações sempre soa como uma sentença — porque o grito é mais alto que o silêncio, e as pessoas escrevem avaliações negativas muito mais de boa vontade do que as neutras. Exija o denominador. Se o relatório te dá cinco citações furiosas e nenhuma porcentagem, ele não te disse nada sobre o mundo; disse que texto raivoso é fácil de achar.

Como distinguir um relatório bom de um bonito

Os relatórios de deep research quase sempre parecem convincentes: títulos, marcadores, notas de rodapé, um tom analítico uniforme. A beleza da forma não diz nada sobre a qualidade do conteúdo.

• Quantas fontes distintas sustentam as afirmações-chave. Se o relatório inteiro se apoia em duas páginas, não é pesquisa — é o repasse de duas páginas.
• Se os tipos de fonte variam. Um relatório feito só de blogs e mídia é fraco. Um com material primário (respostas cruas de API, estatísticas, documentação, balanços, artigos científicos) é forte.
• Se as datas estão indicadas. Uma afirmação sem data, num tema que muda rápido, é quase inútil.
• Se o método está indicado. Quem foi consultado, quantos eram, como foram escolhidos. Sem isso, "uma pesquisa mostrou" é figura de linguagem, não prova.
• Se a incerteza é admitida. Um bom relatório diz em algum ponto "os dados divergem" ou "nenhuma confirmação encontrada". Um relatório em que tudo é inequívoco é suspeito: a realidade não é assim.
• Se os fatos estão separados das conclusões. "As vendas cresceram X%" e "o mercado caminha para um boom" são afirmações de classes diferentes.

Coloque a sua própria conclusão à prova com isto. Funciona sem internet — ataca a lógica do texto, não os fatos.

Você é o advogado do diabo. Seu trabalho é tentar demolir a conclusão
abaixo. Não seja gentil e não busque equilíbrio.

CONCLUSÃO: "O vídeo perde para o texto no ensino de competências
digitais a adultos, porque o vídeo não dá para folhear no próprio
ritmo, ao passo que o texto, por definição, vem com transcrição."

AS PROVAS EM QUE A CONCLUSÃO SE APOIA (avaliações reais dos cursos
em vídeo mais vendidos, coletadas em 17/07/2026):
- "It is too fast for a beginner... until you try to see and
  understand it the next screen pops up" — Amit A., 29.04.2026,
  2 estrelas, no The Complete AI Guide
- "I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly"
  — Vince D., 16.03.2026, 1 estrela, curso não registrado
- parcela de avaliações com 3,5 estrelas ou menos no The Complete AI
  Guide: 10,36%

Faça cinco coisas:
1. Aponte o ponto mais fraco deste argumento.
2. Explique o que essas avaliações provam e o que não provam. À parte:
   o que o número de 10,36% faz com a força da conclusão — reforça
   ou enfraquece?
3. Construa o contra-argumento mais forte: em quais condições o vídeo
   vence o texto, e para quem exatamente?
4. Invente os dados que refutariam a conclusão de vez. Descreva o
   estudo que os produziria.
5. Reescreva a conclusão de modo que seja honesta em relação às provas
   disponíveis. Provavelmente vai ficar mais estreita e mais chata.
   Tudo bem.

Um ponto à parte sobre a cadeia de repasses

A falha mais silenciosa de todas. O link está vivo, a página abre, o número está nela — e não há fonte primária em lugar nenhum, porque todos citam todos em círculo. Aqui o deep research fica de mãos atadas: formalmente, cada nota de rodapé é válida. Nada na estrutura do relatório consegue te avisar que o edifício inteiro se apoia num comunicado de imprensa que não citava nada.

Aqui está o mesmo "+40–70%" desmontado passo a passo. O relatório da IA afirma que "a localização aumenta a conversão em 40–70%" e remete ao blog de uma plataforma de tradução. O blog, 2025: "estudos mostram um aumento de 40–70%" — com link para o comunicado de imprensa de uma associação do setor. O comunicado, 2024: "numa pesquisa com participantes do mercado, as empresas relatam um crescimento de até 70%" — sem link nenhum.

Veja onde quebrou. Entre o comunicado e o blog, "as empresas relatam um crescimento de até 70%" virou "estudos mostram um crescimento de 40–70%". A autodeclaração de partes interessadas se transformou em "estudos", o "até 70%" virou a faixa "40–70%", e o limite inferior surgiu do nada. No terceiro repasse, já se lê como uma medição. E não há um único link nessa cadeia que seja formalmente falso — e é justamente por isso que a checagem automática de notas de rodapé não te salva aqui.

Enquanto isso, a medição de verdade estava bem ali e nunca entrou na cadeia: os +10,9% do eBay, com o efeito caindo conforme o preço subia. A fonte primária perdeu para o repasse porque oferecia um número pior.

Quando o modo de pesquisa é a ferramenta errada

• Você precisa de um único fato. Uma taxa, uma data, uma definição — a busca comum é mais rápida.
• O tema tem menos de um dia. A indexação e o acesso a páginas recentes funcionam de forma irregular; leia as notícias quentes com os próprios olhos.
• Os dados estão atrás de um muro. Bancos de dados pagos, documentos internos, artigos atrás de paywall — o modelo não entra e, pior, vai montar um panorama a partir de repasses de resumos. Os nossos 403 da Udemy e da OpenAI são exatamente essa categoria de problema.
• Você precisa do que o consenso deixou passar, não do consenso. A história do desconto da Udemy marca o limite do gênero: o que não está escrito em lugar nenhum, o modo não consegue achar, por definição.
• O custo do erro é médico ou jurídico. Um relatório serve como mapa do terreno e lista de fontes, não como base de uma decisão.

Como encaixar isso no seu trabalho

O esquema que funciona: o deep research mapeia o campo (quem diz o quê, e onde) → você gasta 5 minutos verificando as afirmações-chave → você pede ao modelo que reescreva o relatório mantendo só o que está confirmado e liste à parte o que caiu. Na saída: um texto curto pelo qual você pode responder linha por linha.

É exatamente assim que está montado o arquivo de onde saiu este artigo. Ele tem uma seção chamada "o que não temos": o preço do ChatGPT Plus (403), o filtro de avaliações da Coursera (do lado do cliente), o Reddit (inacessível ao nosso crawler) e uma observação de que as nossas três fontes sobre uma questão específica são usuários avançados, não os iniciantes que nos interessam — amostra pequena, e dissemos isso. Essa seção é desagradável, porque lista publicamente os nossos buracos. E é também o único motivo pelo qual os demais números merecem alguma confiança: num autor que admite três lacunas, a quarta é mais fácil de achar do que num autor para quem tudo fechou direitinho.

Peça o mesmo ao seu relatório. Não "você tem certeza?" — o modelo vai dizer que sim. Pergunte: quais afirmações aqui você deixaria cair se tivesse de apostar dinheiro em cada uma? As respostas costumam ser específicas, e costumam ser as mesmas três afirmações sobre as quais você estava prestes a construir uma decisão.

Tenha em mente também a higiene básica: não jogue dados sensíveis ou de outras pessoas no modo de pesquisa — a privacidade ao trabalhar com IA vale aqui exatamente como num chat comum. Se você ainda está se acostumando com o chat em si, comece pelo guia do ChatGPT para iniciantes. E se o seu relatório errou no raciocínio, e não nos fatos, isso é outra história: como os modelos acumulam erro passo a passo.