Modelos de raciocínio: como funcionam e quando vale pagar por eles

Modelos de raciocínio são modelos de linguagem treinados para gerar uma etapa interna de “pensamento” antes de responder: eles decompõem o problema, testam caminhos, conferem contas e só então escrevem a resposta final. Vale pagar por isso quando a tarefa tem várias etapas lógicas e o erro custa caro, como análise de contratos, planejamento, matemática, depuração de código ou agentes que tomam decisões. Não vale para tarefas simples e de alto volume, em que o raciocínio só aumenta a conta e o tempo de espera.

A boa notícia é que hoje você raramente precisa escolher entre “modelo que pensa” e “modelo que não pensa”. Os principais fornecedores oferecem controles de esforço de raciocínio no mesmo modelo, e a decisão vira um ajuste fino por tarefa. Este guia explica como a técnica funciona, de onde ela veio e como calibrar o esforço sem desperdiçar dinheiro.

Resumo rápido

• Modelos de raciocínio geram tokens de pensamento antes da resposta; esses tokens são cobrados, em geral como tokens de saída.
• A técnica combina cadeia de pensamento (chain-of-thought) treinada por aprendizado por reforço com mais computação na hora de responder.
• A categoria ganhou nome com o o1, da OpenAI, em setembro de 2024; depois vieram o DeepSeek-R1 e os modos híbridos em Claude e Gemini.
• Use para problemas de várias etapas e alto custo de erro; evite em classificação simples, chat rápido e geração em massa.
• O prompt muda: descreva objetivo, restrições e critério de “pronto”, em vez de ditar cada passo.

Como funcionam os modelos de raciocínio

Um modelo de linguagem comum produz a resposta token a token, de uma vez. Se o problema exige cinco passos de lógica, ele precisa “acertar de primeira” na mesma sequência em que escreve. Já em 2022, pesquisadores do Google mostraram que pedir ao modelo para escrever o raciocínio passo a passo, a técnica chamada cadeia de pensamento (chain-of-thought), melhorava bastante o desempenho em problemas de aritmética e lógica. Isso virou o famoso “pense passo a passo” nos prompts.

Os modelos de raciocínio levam essa ideia para dentro do treinamento. Em vez de depender de o usuário pedir, o modelo é treinado com aprendizado por reforço (reinforcement learning, RL) para produzir cadeias de pensamento úteis: ele tenta resolver problemas com resposta verificável (uma conta, um teste de código que passa ou falha), recebe recompensa quando acerta e, ao longo de muitas rodadas, aprende estratégias como dividir o problema, testar hipóteses e voltar atrás quando percebe um erro.

Computação no momento do teste

O segundo ingrediente é gastar mais computação na hora de responder (test-time compute). Tradicionalmente, a qualidade de um modelo dependia quase só do treinamento: mais dados, mais parâmetros. Com raciocínio, surge uma segunda alavanca: deixar o modelo “pensar mais” em cada pergunta, gerando mais tokens internos antes da resposta. Mais pensamento tende a melhorar o resultado em problemas difíceis, com retornos decrescentes e custo crescente.

O que você vê e o que você paga

Na maioria das APIs comerciais, você não recebe o pensamento completo. A OpenAI não expõe os tokens de raciocínio, apenas informa quantos foram usados. Anthropic e Google devolvem resumos do pensamento, quando você ativa essa opção. Em todos os casos, os tokens de raciocínio ocupam espaço no limite de saída e entram na cobrança. Um detalhe que pega muita gente: se o limite máximo de tokens de saída for baixo demais, o modelo pode gastá-lo todo pensando e devolver uma resposta incompleta ou vazia, e você paga mesmo assim.

Uma história curta da categoria

Esses nomes estão aqui como contexto histórico. Todos já tiveram sucessores, e o raciocínio passou de produto separado para recurso padrão dos modelos principais. Para saber quais versões estão disponíveis hoje, consulte a página de modelos de cada fornecedor.

O DeepSeek-R1 teve um efeito à parte: ao publicar os pesos e versões menores “destiladas” (modelos pequenos treinados com exemplos gerados pelo modelo grande), ele tornou o raciocínio acessível para quem roda IA na própria infraestrutura. Falamos disso no guia de modelos abertos.

Quando usar e quando não usar

A regra prática: raciocínio compensa quando a tarefa tem várias etapas dependentes e o erro sai mais caro do que a espera e os tokens adicionais.

Bons casos de uso

• Análise com várias condições: conferir se um contrato de locação atende a uma lista de exigências, cruzar cláusulas entre si.
• Planejamento: montar cronogramas com dependências, escalas de equipe com restrições, roteiros de migração de sistema.
• Código difícil: encontrar a causa de um bug que envolve vários arquivos, refatorar com segurança, revisar lógica de negócio.
• Matemática e dados: cálculos financeiros com várias etapas, conciliação, análise de planilhas com regras.
• Agentes: decidir qual ferramenta chamar, interpretar o resultado e replanejar. Os fornecedores hoje permitem raciocínio entre chamadas de ferramenta.

Quando não usar (ou usar no mínimo)

• Classificação e extração simples: categorizar tickets, extrair CPF e valor de um documento. Esforço baixo ou nulo resolve.
• Chat ao vivo e voz: o tempo extra de pensamento é perceptível para o usuário e piora a experiência.
• Geração em massa: milhares de descrições de produto ou variações de anúncio. O custo multiplica sem ganho visível.
• Perguntas de conhecimento factual: pensar mais não cria informação que o modelo não tem. Para isso, use busca ou RAG.

Como ajustar o esforço de raciocínio

Cada fornecedor expõe o controle de um jeito, e os nomes dos parâmetros mudam entre gerações. Em linhas gerais:

• OpenAI: parâmetro de esforço de raciocínio (reasoning.effort) com níveis como low, medium e high; os níveis aceitos variam por modelo.
• Anthropic: nas gerações anteriores, o “extended thinking” usava um orçamento fixo de tokens (budget_tokens). Nos modelos mais novos, o modo adaptativo deixa o próprio Claude decidir quanto pensar, guiado por um parâmetro de esforço (effort).
• Google: a Gemini API usa níveis de pensamento (thinking_level), de mínimo a alto, conforme o modelo.

Exemplo com o SDK da OpenAI em Python (troque o nome do modelo por um modelo de raciocínio disponível na sua conta):

from openai import OpenAI

client = OpenAI()

resposta = client.responses.create(
    model="NOME_DO_MODELO",
    reasoning={"effort": "low"},  # suba para "medium" ou "high" só se o teste pedir
    input=(
        "Confira se o contrato abaixo atende às 4 exigências listadas. "
        "Para cada exigência, responda ATENDE ou NÃO ATENDE e cite a cláusula.\n\n"
        "Exigências: ...\n\nContrato: ..."
    ),
)

print(resposta.output_text)
print(resposta.usage.output_tokens_details.reasoning_tokens)

Roteiro de calibragem

1. Separe 20 a 30 casos reais da tarefa, com resposta correta conhecida.
2. Rode com o esforço mais baixo disponível e meça acerto, custo e tempo.
3. Suba um nível por vez e pare quando o ganho de acerto deixar de compensar o custo extra.
4. Deixe folga no limite de tokens de saída, para o modelo não ser cortado no meio do pensamento.
5. Monitore o número de tokens de raciocínio em produção; ele varia bastante de pergunta para pergunta.

O mesmo método de teste serve para comparar fornecedores; detalhamos em como escolher o modelo de IA certo.

Como o prompt muda

Com modelos de raciocínio, várias técnicas clássicas de prompt perdem utilidade ou até atrapalham. A OpenAI, por exemplo, recomenda declarar a tarefa, as restrições e o formato de saída, em vez de prescrever cada passo intermediário.

• Corte o “pense passo a passo”. O modelo já faz isso internamente. Pedir de novo tende a gerar respostas mais longas sem melhorar o resultado.
• Não dite o algoritmo. Em vez de “primeiro faça X, depois Y”, diga o objetivo e deixe o modelo encontrar o caminho. Ele frequentemente acha um melhor.
• Defina o que é “pronto”. Diga como a resposta será avaliada e como o modelo pode conferir o próprio trabalho: “todas as datas devem bater com o cronograma anexo”.
• Dê contexto completo. Raciocínio não compensa informação faltante. Inclua documentos, regras e exemplos relevantes.
• Peça a saída em formato fixo. O pensamento fica do lado de dentro; a resposta final deve ser curta e estruturada, de preferência em JSON quando for consumida por sistema.

Para técnicas que continuam valendo, como delimitação clara de instruções e exemplos, veja o guia de engenharia de prompts avançada.

Exemplo prático: imobiliária em Curitiba

Uma imobiliária com 600 contratos de locação ativos quer revisar, antes de cada renovação, se o contrato está de acordo com o checklist jurídico interno: índice de reajuste, garantia, multa por rescisão, cláusulas de vistoria. Ao mesmo tempo, quer um assistente que responda inquilinos sobre segunda via de boleto e horário de atendimento.

• Revisão de contratos: tarefa com várias condições cruzadas e erro caro. O teste com 25 contratos já revisados por um advogado mostra que o esforço médio acerta tanto quanto o alto, com custo e tempo menores. A imobiliária roda as revisões em lote, à noite, e um advogado confere apenas os itens marcados como “não atende”.
• Atendimento ao inquilino: perguntas simples, resposta em tempo real. Um modelo pequeno com raciocínio desativado ou no mínimo responde em segundos e custa uma fração.

A lição: a mesma empresa usa raciocínio alto, médio e nenhum, dependendo da tarefa. Configurar o esforço por fluxo, e não globalmente, é onde está a economia.

Erros comuns

• Ligar o esforço máximo em tudo. Multiplica custo e latência em tarefas que não precisam.
• Limite de saída apertado. O modelo consome o limite pensando e devolve resposta truncada, que mesmo assim é cobrada.
• Confiar cegamente no raciocínio exibido. O resumo do pensamento ajuda a depurar, mas não é garantia de que a resposta está correta. Valide com casos conhecidos.
• Usar raciocínio para suprir falta de dados. Se a informação não está no prompt nem no treinamento, pensar mais não resolve; pode até produzir uma justificativa convincente para uma resposta errada.
• Não medir. Sem acompanhar os tokens de raciocínio por chamada, a fatura do mês surpreende.

Perguntas frequentes

Modelos de raciocínio erram menos?

Em problemas com várias etapas lógicas, tendem a errar menos que o mesmo modelo respondendo direto. Mas continuam errando, inclusive com confiança, e não sabem fatos que não aprenderam. Revisão humana segue necessária em decisões importantes.

Posso ver o que o modelo pensou?

Depende do fornecedor. A OpenAI não mostra os tokens de raciocínio pela API, só a contagem. Anthropic e Google oferecem resumos do pensamento, que ajudam a entender por que o modelo errou. Modelos abertos como o DeepSeek-R1 normalmente exibem o raciocínio completo quando rodados localmente.

Quanto custa a mais?

Não há número fixo: depende do preço do modelo e de quantos tokens de raciocínio cada pergunta gera, o que varia muito. Meça em uma amostra das suas próprias tarefas, comparando esforço baixo e alto, e confira os preços na página oficial do fornecedor.

Ainda preciso escrever “pense passo a passo”?

Em modelos de raciocínio, não. A instrução é redundante e pode alongar a resposta. Em modelos sem raciocínio, ou com raciocínio desligado, ela ainda pode ajudar em problemas de lógica.

Dá para rodar um modelo de raciocínio localmente?

Sim. Há modelos abertos com raciocínio, incluindo versões destiladas menores que rodam em uma GPU de consumo. A qualidade das versões pequenas fica abaixo dos modelos grandes, então teste antes de usar em produção.

Fontes e leitura recomendada

• Wei et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• OpenAI: Learning to reason with LLMs
• DeepSeek-AI (2025): DeepSeek-R1, Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
• OpenAI: guia de modelos de raciocínio
• Anthropic: extended thinking e adaptive thinking
• Google: Gemini thinking