O modelo não arbitra — mistura
Quando o contexto contém duas informações contraditórias, o modelo
não avalia qual é mais confiável.
Ele processa ambas pelo mecanismo de atenção e gera tokens com base na
média ponderada das representações conflitantes.
Três cenários possíveis: adota a versão dominante,
funde as duas incoerentemente, ou
fabrica uma terceira via que não corresponde a nenhuma fonte.
📝 Um assessor recebe dois pareceres técnicos contraditórios e precisa redigir uma nota, mas não sabe qual é mais confiável. Ele não pode ignorar nenhum — então escreve um texto que tenta acomodar ambos, ou privilegia o que leu por último.
Quem fala por último tem razão
Com informações contraditórias, a posição relativa das fontes
é frequentemente o fator determinante.
Pelo viés de recência, a informação mais próxima do final tende a "vencer".
Pelo viés de primazia, instruções no início também exercem influência.
A informação no meio é a mais vulnerável.
Num prompt com petição inicial e contestação, a ordem de apresentação
influencia qual versão o modelo adota — mesmo que o prompt peça análise imparcial.
⚖️ A ordem de sustentação oral no tribunal. O advogado que fala por último tem vantagem — não porque seus argumentos são melhores, mas porque estão mais frescos na memória do julgador. Com o LLM, o efeito é amplificado: o modelo não tem mecanismo consciente para corrigir o viés.
Gerenciando contradições no prompt
O modelo não arbitra contradições — cabe ao usuário estruturar o prompt
para que o tratamento seja explícito.
Não se trata de eliminar contradições, mas de instruir o modelo sobre como lidar com elas.
Quatro estratégias — da menos eficaz à mais eficaz
Insight Operacional
−
O modelo não é um juiz — não arbitra entre versões conflitantes.
É um calculador de médias ponderadas que funde tudo o que recebe.
Quando o contexto contém contradições, a posição decide, não a lógica.
Cabe ao usuário estruturar o prompt para que a contradição seja
tratada, não resolvida por acidente posicional.