O Dia Em Que Eu Parei de Escrever Prompts “Bonitos”

Eu passava mais tempo polindo o prompt do que lendo a resposta. Escolhia palavras rebuscadas. Estruturava frases com precisão corporativa. Adicionava “por obséquio” e “síntese de caráter executivo” e “prerrogativas supracitadas” achando que impressionar a IA daria resultados melhores.

Estava errado. E a ciência acaba de provar por quê.

Um paper intitulado “Adam’s Law: Textual Frequency Law on Large Language Models”, publicado nos Proceedings of the 64th Annual Meeting of the ACL (julho de 2026, San Diego) por pesquisadores da Chinese University of Hong Kong, mostrou algo completamente contra-intuitivo: trocar um prompt sofisticado por um comando simples e direto deixa a IA consideravelmente mais inteligente.

+8% de precisão. Consistente em todos os modelos testados. Sem mudar o problema. Sem mudar o modelo. Apenas mudando as palavras.

Quando eu li, minha primeira reação foi “isso não pode estar certo.” Depois testei. Estava certo.

O Experimento: Sofisticação vs. Simplicidade

A metodologia foi elegante. Os pesquisadores pegaram problemas matemáticos reais e os reescreveram de duas formas:

Versão hiper-polida: vocabulário raro, formal, termos intelectuais complexos. O tipo de linguagem que um paper acadêmico usa.

Versão direta (“dumbed-down”): as palavras mais simples e comuns possíveis. O tipo de linguagem que uma pessoa usaria no Reddit.

Ponto crucial: revisores humanos checaram que o significado central e o nível de dificuldade eram exatamente os mesmos. Não houve facilitação do problema — apenas na escolha das palavras. O dataset resultante (TFPD — Textual Frequency Paired Dataset) cobre raciocínio matemático, tradução automática, raciocínio de senso comum e chamadas de ferramentas agênticas.

O resultado foi uniforme: quando confrontados com linguagem mais simples, os modelos ficaram ~8% mais precisos instantaneamente.

Os Números

Os ganhos foram sólidos e consistentes no benchmark GSM8K (raciocínio matemático):

DeepSeek-V3: de 63,55% (vocabulário complexo) para 71,54% (vocabulário simples). +7,99%.

LLaMA 3.3 (70B-Instruct): de 80,49% para 88,75%. +8,26%.

GPT-4o-mini: de 60,70% para 68,70%. +8,00%.

A consistência do ganho (~8% em modelos completamente diferentes) é o que torna o achado tão robusto. Não é um acidente estatístico — é um padrão estrutural.

E o fenômeno vai além da matemática. Testes de tradução com centenas de idiomas mostraram a mesma dinâmica. Quando os pesquisadores aplicaram CTFT (Curriculum Textual Frequency Training) — ordenando dados de treinamento do menos frequente ao mais frequente —, a precisão de tradução em algumas línguas aumentou quase 30%.

A Lei de Adam: Por Que Isso Acontece

A explicação é elegante e conecta diretamente com como LLMs funcionam.

LLMs são treinados no oceano de dados da internet. Nesse oceano, palavras comuns aparecem milhões de vezes mais do que termos acadêmicos ou rebuscados. O modelo desenvolveu representações densas e robustas para linguagem frequente — e representações esparsas e incertas para linguagem rara.

Palavras comuns → zona de alta confiança. O modelo opera em regiões densas do espaço latente. Entende sua intenção sem ambiguidade. Dedica capacidade computacional ao problema, não à decodificação do vocabulário.

Palavras complexas → zona de baixa confiança. O modelo é empurrado para regiões esparsas do espaço latente. Gasta energia tentando decifrar o vocabulário raro. Sobra menos capacidade para o raciocínio real. Resultado: adivinhação com gramática bonita.

A metáfora que funcionou para mim: é como pedir direções a um local. Se você fala na língua dele com sotaque nativo, ele te entende instantaneamente e foca em te ajudar. Se você fala com sotaque pesado e vocabulário formal, ele gasta metade da conversa tentando te entender — e as direções ficam piores.

A Conexão Com Tudo Que Escrevi

Esse paper é a validação científica de algo que eu venho sentindo em posts anteriores:

Context engineering. No post “Além do Prompt”, eu argumentei que o futuro não é o prompt perfeito — é o contexto perfeito. A Lei de Adam confirma: a forma como você formula o prompt importa menos do que você acha. O que importa é clareza, não sofisticação.

O estudo de Stanford sobre harness. O paper mostrou que formato do contexto (YAML, Markdown, JSON) teve efeito estatisticamente insignificante. “Familiaridade supera compressão.” A Lei de Adam diz a mesma coisa de outro ângulo: familiaridade (palavras comuns) supera sofisticação (vocabulário raro).

SkillOpt da Microsoft. As regras que o SkillOpt descobriu automaticamente leem como instruções simples e diretas — “Workbook Forensics”, “Evidence Binding”. Não como prompts elaborados em corporativês. A IA otimizou para simplicidade.

O Efeito Mágica. Se pessoas com menos literacia em IA são mais receptivas porque acham a tecnologia “mágica”, talvez parte disso seja que elas escrevem prompts mais simples — e portanto recebem respostas melhores. O “mágico” pode ser parcialmente explicado pela linguagem de alta frequência.

Guia Prático: Como Escrever Prompts Daqui Para Frente

A lição da Lei de Adam é libertadora. Da próxima vez que abrir o chat com a IA:

Evite o “corporativês” excessivo. Em vez de “Por obséquio, elabore uma síntese de caráter executivo sobre as prerrogativas supracitadas”, prefira “Resuma os pontos principais do texto acima de forma direta.”

Foque no objetivo, não no visual. Modelos respondem melhor à clareza lógica do que ao floreio estético. Seu prompt não é um email para o diretor da empresa — é uma instrução para uma máquina que funciona melhor com linguagem comum.

Pense no Reddit. Uma boa regra: escreva como se estivesse explicando sua dúvida para uma pessoa comum em um fórum. Sem jargão desnecessário. Sem formalidade excessiva. Direto ao ponto.

Teste a versão simples primeiro. Se um prompt elaborado não está dando bons resultados, tente reescrever com as palavras mais comuns que você conhece. Os dados sugerem +8% de precisão — de graça.

A habilidade mais valiosa agora não é impressionar o algoritmo com vocabulário erudito — é traduzir problemas complexos na linguagem mais limpa, concisa e comum possível.

Conclusão: Simplicidade É a Nova Sofisticação

A engenharia de prompt não morreu — mas mudou de foco. O valor não está mais em fórmulas rebuscadas e jargões impressionantes. Está em clareza.

E isso me lembra do que eu escrevi sobre context engineering: o melhor prompt do mundo não salva um contexto ruim. E agora sabemos que um prompt “bonito” pode ser pior do que um prompt simples — porque empurra o modelo para zonas de baixa confiança no espaço latente.

A IA não fica impressionada com seu vocabulário. Fica confusa com ele.

Compartilhe se isso simplificou sua vida:

+8% de precisão. Sem mudar o modelo. Sem mudar o problema. Apenas usando palavras comuns. A simplicidade é a sofisticação definitiva — e a ciência acaba de provar.

Leia Também