Por que a IA generativa dá respostas diferentes à mesma pergunta clínica
Aldemar Araujo Castro
Criação: 19/06/2026
Atualização: 19/06/2026
Palavras: 1.910
Tempo de leitura: 9 minutos
Resumo
A inteligência artificial generativa apresenta uma propriedade que intriga quem a utiliza pela primeira vez: a mesma pergunta pode produzir respostas diferentes a cada execução. Este texto explica, de forma acessível ao estudante de medicina, por que isso acontece, como a amostragem probabilística palavra a palavra gera essa variabilidade e por que ela não corresponde a uma aleatoriedade verdadeira. Discute, ainda, as implicações dessa característica para a decisão clínica, a segurança do paciente, a auditoria de condutas e o rigor da pesquisa científica.
O experimento simples que revela o fenômeno
Faça um teste. Abra uma ferramenta de inteligência artificial generativa, digite uma pergunta clínica qualquer, por exemplo sobre o manejo inicial de uma cetoacidose diabética, e leia a resposta. Agora apague tudo e digite exatamente a mesma pergunta. Há boa chance de que a segunda resposta seja diferente da primeira, talvez na ordem das informações, talvez na escolha das palavras, talvez em algum detalhe do conteúdo. Nada mudou na pergunta, e ainda assim a resposta mudou.
Esse comportamento surpreende porque contraria a intuição que construímos com as ferramentas digitais que usamos no dia a dia. Uma calculadora que recebe a mesma operação devolve sempre o mesmo resultado. Um sistema de prescrição eletrônica que recebe os mesmos dados gera sempre a mesma dose. A inteligência artificial generativa, ao contrário, é não determinística, e compreender essa propriedade é o primeiro passo para usá-la com segurança e juízo crítico (Lee et al., 2023).
O que significa “não determinístico”
Um sistema determinístico é aquele em que uma mesma entrada conduz invariavelmente à mesma saída. A relação entre o que entra e o que sai é fixa e previsível. A maior parte do software que conhecemos funciona assim, e é justamente essa previsibilidade que torna esses sistemas confiáveis para tarefas que exigem exatidão.
Um sistema não determinístico, por sua vez, pode produzir saídas diferentes a partir da mesma entrada. Não se trata de defeito nem de instabilidade do programa, mas de uma característica projetada. A analogia clínica é útil: pense em dois médicos experientes diante do mesmo caso. Ambos chegam a uma conduta adequada, porém cada um descreve o raciocínio com palavras próprias, enfatiza aspectos ligeiramente distintos e organiza a explicação à sua maneira. A inteligência artificial generativa comporta se de modo semelhante, gerando respostas que variam dentro de uma faixa de possibilidades plausíveis (Thirunavukarasu et al., 2023).
Como nasce a variabilidade: a amostragem palavra a palavra
Para entender de onde vem essa variação, é preciso saber como esses modelos constroem uma resposta. Um modelo de linguagem de grande escala (em inglês, large language model) gera texto uma palavra de cada vez, ou mais precisamente um token de cada vez. A cada passo, o modelo calcula uma distribuição de probabilidades sobre todas as palavras possíveis que poderiam vir a seguir. A palavra “paciente” pode ter probabilidade alta, “indivíduo” uma probabilidade média, e assim por diante por todo o vocabulário.
O ponto decisivo é o que o modelo faz com essa distribuição. Ele não escolhe necessariamente a palavra mais provável, mas realiza uma amostragem probabilística, sorteando a próxima palavra de acordo com as probabilidades calculadas. Como há um sorteio em cada passo, e como uma resposta tem dezenas ou centenas desses passos, pequenas diferenças se acumulam e produzem respostas distintas a cada execução (Holtzman et al., 2020).
Esse grau de variação é regulável. O parâmetro chamado temperatura controla o quanto o modelo se afasta da palavra mais provável. Temperaturas mais altas ampliam a dispersão e favorecem respostas mais criativas e diversas, ao passo que temperaturas próximas de zero fazem o modelo escolher quase sempre a opção de maior probabilidade, aproximando o comportamento do determinístico. Outros parâmetros, como o top-p, conhecido como amostragem por núcleo, e o top-k, restringem o conjunto de palavras candidatas ao sorteio. São esses controles que os desenvolvedores ajustam para equilibrar criatividade e consistência conforme a finalidade da ferramenta.
Aleatoriedade aparente, não verdadeira
Convém desfazer um mal-entendido frequente. O não determinismo da inteligência artificial generativa é estatístico e aparente, não uma aleatoriedade de natureza verdadeira. Por trás do sorteio existe um gerador de números pseudoaleatórios, que produz sequências que parecem aleatórias, mas são integralmente calculadas a partir de um valor inicial chamado semente, ou seed.
Em tese, se fixarmos a mesma semente, mantivermos os mesmos parâmetros e definirmos temperatura igual a zero, o modelo deveria reproduzir exatamente a mesma saída. Na prática clínica e acadêmica, contudo, essa reprodutibilidade plena é difícil de alcançar. Vários fatores interferem, entre eles a paralelização de operações no hardware, pequenas variações na ordem das operações de ponto flutuante e, sobretudo, as atualizações frequentes dos modelos, que mudam silenciosamente o comportamento da ferramenta de uma versão para outra. O resultado é que a resposta obtida hoje pode não ser idêntica à de amanhã, ainda que a pergunta seja a mesma (Sallam, 2023).
Por que isso importa na medicina
Para o estudante que se prepara para uma profissão pautada por protocolos, diretrizes e padronização, essa propriedade tem consequências práticas que merecem atenção. A primeira diz respeito à segurança do paciente. Se a mesma pergunta sobre uma dose, uma interação medicamentosa ou uma conduta pode gerar respostas que variam, então nenhuma resposta isolada pode ser tomada como verdade definitiva. A ferramenta serve como apoio ao raciocínio, jamais como fonte final de decisão, e toda informação clinicamente relevante precisa ser confrontada com fontes validadas e com o julgamento profissional (Lee et al., 2023).
A segunda consequência envolve a auditoria e a responsabilidade. Na medicina, registramos condutas justamente para que possam ser revisadas e justificadas posteriormente. Um sistema cuja saída não é reprodutível dificulta esse rastreamento, pois não se pode garantir que a mesma consulta gerará amanhã a mesma orientação que gerou hoje. Isso reforça que a responsabilidade pela decisão permanece integralmente humana, e que o uso dessas ferramentas exige documentação cuidadosa do que foi consultado e de como a informação foi verificada.
A terceira consequência é positiva e merece igual destaque. A mesma variabilidade que exige cautela também confere versatilidade. Pedir ao modelo que reescreva uma explicação de outra forma, que ofereça um diagnóstico diferencial sob outro ângulo ou que reformule um texto para um público distinto aproveita exatamente essa capacidade de produzir múltiplas formulações. Bem compreendida, a propriedade deixa de ser apenas um risco e passa a ser um recurso (Thirunavukarasu et al., 2023).
O não determinismo na pesquisa científica
Quem se inicia na pesquisa encontra na reprodutibilidade um dos pilares do método científico. Um experimento deve poder ser repetido por outros, nas mesmas condições, com resultados equivalentes. O caráter não determinístico da inteligência artificial generativa cria uma tensão evidente com esse princípio, pois dificulta que um colega reproduza exatamente a saída que um pesquisador obteve ao empregar a ferramenta (Singhal et al., 2023).
A resposta a esse desafio não é evitar a tecnologia, mas usá-la com transparência metodológica. Isso significa relatar qual ferramenta foi utilizada, em que versão, para qual finalidade e em que etapa do trabalho, registrando inclusive os comandos empregados quando relevante. A declaração explícita do uso de inteligência artificial generativa, hoje exigida por número crescente de periódicos e instituições, é a expressão concreta desse compromisso. Reconhecer abertamente que a ferramenta é não determinística, e descrever como o pesquisador verificou e validou seu conteúdo, é parte do rigor que se espera de quem produz ciência responsável.
Considerações finais
A característica não determinística da inteligência artificial generativa não é uma falha a ser corrigida, mas uma propriedade inerente ao modo como esses sistemas funcionam. Compreender que a resposta nasce de uma sequência de sorteios probabilísticos, e não de um cálculo fixo, transforma a maneira como o estudante de medicina se relaciona com a ferramenta. Em vez de esperar respostas únicas e definitivas, passa a esperar formulações plausíveis que precisam ser avaliadas, confrontadas e validadas.
Esse entendimento separa o usuário ingênuo do usuário crítico. O primeiro confia cegamente na primeira resposta que recebe; o segundo sabe que aquela resposta é apenas uma entre muitas possíveis e mantém sobre ela o mesmo escrutínio que aplicaria a qualquer outra fonte. Para uma geração que exercerá a medicina ao lado dessas tecnologias, dominar essa distinção é tão importante quanto dominar a semiologia ou a farmacologia, porque é ela que garante que a ferramenta sirva ao cuidado, e não o contrário.
Fontes
- Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233-1239. DOI: https://doi.org/10.1056/NEJMsr2214184 Disponível em: https://www.nejm.org/doi/10.1056/NEJMsr2214184
Comentário: análise equilibrada dos benefícios e limites do GPT-4 em medicina, escrita por autores ligados ao desenvolvimento da tecnologia. Sustenta a discussão sobre por que a variabilidade das respostas exige verificação humana em contextos clínicos. - Thirunavukarasu AJ, Ting DSJ, Elangovan K, Gutierrez L, Tan TF, Ting DSW. Large language models in medicine. Nat Med. 2023;29(8):1930-1940. DOI: https://doi.org/10.1038/s41591-023-02448-8 Disponível em: https://www.nature.com/articles/s41591-023-02448-8
Comentário: revisão abrangente sobre modelos de linguagem aplicados à medicina. Fundamenta tanto a analogia entre a variabilidade do modelo e a do raciocínio clínico quanto a leitura da versatilidade como recurso. - Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023;620(7972):172-180. DOI: https://doi.org/10.1038/s41586-023-06291-2 Disponível em: https://www.nature.com/articles/s41586-023-06291-2
Comentário: estudo de referência sobre a codificação de conhecimento clínico por modelos de linguagem. Embasa a discussão sobre reprodutibilidade e rigor metodológico no uso dessas ferramentas em pesquisa. - Sallam M. ChatGPT utility in healthcare education, research, and practice: systematic review on the promising perspectives and valid concerns. Healthcare (Basel). 2023;11(6):887. DOI: https://doi.org/10.3390/healthcare11060887 Disponível em: https://www.mdpi.com/2227-9032/11/6/887
Comentário: revisão sistemática que mapeia promessas e preocupações do uso de inteligência artificial generativa na saúde. Apoia a discussão sobre limites de reprodutibilidade e sobre a necessidade de cautela na prática. - Holtzman A, Buys J, Du L, Forbes M, Choi Y. The curious case of neural text degeneration. arXiv:1904.09751 [Apresentado em: International Conference on Learning Representations, ICLR 2020]. DOI: https://doi.org/10.48550/arXiv.1904.09751 Disponível em: https://arxiv.org/abs/1904.09751
Comentário: trabalho técnico que examina as estratégias de amostragem na geração de texto, incluindo a amostragem por núcleo. Fundamenta a explicação sobre como a escolha probabilística palavra a palavra produz a variabilidade das respostas.
Pontos para Recordar
- A inteligência artificial generativa é não determinística, ou seja, a mesma pergunta pode gerar respostas diferentes a cada execução.
- Essa variabilidade nasce da amostragem probabilística, pois o modelo sorteia cada palavra a partir de uma distribuição de probabilidades, em vez de escolher sempre a mais provável.
- A temperatura controla o grau de variação, com valores altos favorecendo respostas diversas e valores próximos de zero aproximando o comportamento do determinístico.
- O não determinismo é aparente e estatístico, baseado em geradores pseudoaleatórios, e não uma aleatoriedade verdadeira.
- A reprodutibilidade plena é difícil na prática por causa da paralelização de hardware, das operações de ponto flutuante e das atualizações dos modelos.
- Na medicina, nenhuma resposta isolada deve ser tomada como definitiva, pois a responsabilidade pela decisão permanece integralmente humana.
- Na pesquisa científica, o uso responsável dessas ferramentas exige transparência metodológica e declaração explícita do uso de inteligência artificial generativa.
***
Declaração de uso de Inteligência Artificial Generativa. Este texto foi produzido com o auxílio do Claude, desenvolvido pela Anthropic, utilizado como ferramenta de apoio nas fases de brainstorming, de estruturação do conteúdo e de produção do texto. As imagens foram produzidas com auxílio do ChatGPT da OpenAI. A responsabilidade pela versão final e precisão das informações, pelo pensamento crítico, pela seleção das fontes e pelo conteúdo publicado é integralmente do autor.
***