ChatGPT vs Gemini na cozinha: o que isso ensina sobre prompts
Um jornalista pediu a receita favorita da mãe para ChatGPT e Gemini. A disputa revela lições valiosas sobre como LLMs interpretam contexto emocional em prompts.
Um jornalista do TechRadar queria recriar a famosa torrada francesa da mãe dele para o Dia das Mães. Sem uma receita detalhada, ele usou um prompt cheio de contexto emocional e subjetivo para ChatGPT e Gemini, e o resultado virou uma aula involuntária de como LLMs interpretam linguagem ambígua.
Contexto técnico
LLM (Large Language Model, ou Modelo de Linguagem Grande) é o tipo de modelo de IA por trás do ChatGPT, do Gemini e do Claude. Esses modelos são treinados em enormes volumes de texto e aprendem a prever o que vem a seguir em uma sequência de palavras. Na prática, quando você manda uma mensagem, o modelo está tentando gerar a continuação mais provável e útil para aquele contexto.
O prompt do jornalista era assim:
I grew up eating my mother's cinnamon-sugar French toast.
It was delicious but probably terrible for me. I want the best
recipe to recreate that glazed, crispy, sweet outside without
burning sugar on my grill.
Curto, vago, carregado de memória afetiva. Sem medidas exatas, sem temperatura, sem técnica. É exatamente o tipo de input que testa a capacidade de um LLM de inferir intenção a partir de contexto implícito.
Ambos os modelos entenderam que o objetivo era uma crosta caramelizada sem queimar o açúcar. Isso parece trivial, mas não é. O modelo precisou:
- Identificar a técnica culinária implícita (brulee, caramelização controlada)
- Inferir restrições não ditas (sem fumaça, sem bagunça)
- Gerar instruções concretas a partir de um input subjetivo
Impacto para devs
Essa história parece sobre culinária, mas é sobre algo que você vai enfrentar toda vez que construir um sistema com IA: como o modelo lida com prompts vagos e emocionais.
A diferença de abordagem importa. Gemini foi direto ao ponto, recomendou secar o pão antes, sugeriu jogar açúcar por cima depois de dourar. ChatGPT deu controle ao usuário, com o açúcar misturado numa travessa separada para mergulhar cada fatia. Mesma intenção, estratégias diferentes. O usuário escolheu a que fazia mais sentido para ele.
Se você está construindo um chatbot ou um assistente que recebe input de usuários reais, prepare-se: as pessoas não vão descrever o problema tecnicamente. Elas vão falar como esse jornalista falou, com sentimento e sem medidas. Seu sistema precisa ser resiliente a isso.
Algumas estratégias que ajudam:
# Ruim: esperar que o usuário seja preciso
prompt = f"Receita com os seguintes ingredientes: {user_input}"
# Melhor: dar contexto ao modelo para inferir intenção
system_prompt = """
Você é um assistente culinário empático.
Quando o usuário descrever um prato de memória afetiva,
identifique a técnica culinária implícita e sugira
uma receita que reproduza aquela experiência sensorial.
"""
RAG também entra aqui. RAG (Retrieval-Augmented Generation) é uma técnica onde você recupera documentos relevantes antes de gerar a resposta. Se o seu sistema precisar responder sobre domínios específicos (culinária, medicina, código), combinar busca semântica com geração torna o LLM muito mais preciso, mesmo com prompts vagos.
Fine-tuning seria outra opção se você precisasse que o modelo fosse especialista em um nicho muito específico. Fine-tuning é basicamente retreinar o modelo com exemplos do seu domínio para que ele "aprenda" um estilo de resposta. Para a maioria dos casos, porém, um bom system prompt resolve.
O ponto central: LLMs modernos como GPT-5.5 e Gemini 2.5 Pro são surpreendentemente bons em inferência contextual. Mas a qualidade da saída ainda depende muito de como você estrutura o contexto no prompt, mesmo que o usuário final não saiba disso.
Conclusão
A batalha das torradas francesas terminou com ChatGPT vencendo na prática, não porque o modelo é "melhor", mas porque a estratégia de resposta fez mais sentido para aquele usuário específico. Para devs, a lição é clara: quando você constrói sobre LLMs, seu trabalho real é criar a camada de contexto que transforma inputs humanos e vagos em instruções que o modelo consiga trabalhar bem. A IA resolve o meio. Você precisa cuidar das pontas.