LLMs presos no efeito manada: por que seus modelos concordam demais

Se você pediu para um chatbot gerar um número aleatório entre 1 e 10, provavelmente recebeu 7. Não é coincidência: um levantamento do MIT Technology Review mostra que os principais LLMs, incluindo Claude, ChatGPT e Gemini, tendem a convergir para as mesmas respostas, reproduzindo um viés sistêmico conhecido como pensamento de grupo. O problema vai além de preferências numéricas: os modelos repetem padrões similares em análises, sugestões criativas e até avaliações de risco.

Uma startup está tentando resolver isso ao treinar modelos com dados mais diversificados e criar mecanismos que forçam variação nas respostas. A ideia é que LLMs deveriam funcionar como uma equipe com opiniões distintas, não como um coro afinado. Na prática, consultar vários modelos diferentes hoje muitas vezes retorna variações do mesmo ponto de vista central.

Por que importa: Se você usa IA para pesquisa, brainstorming ou análise de cenários, está provavelmente recebendo uma versão homogênea da realidade. A solução imediata é variar os prompts, forçar o modelo a adotar perspectivas alternativas e não tratar a primeira resposta como definitiva.