Análise comparativa de métodos de mitigação da alucinação em chatbots de inteligência artificial no suporte ao usuário

Abstract

Este trabalho analisa diferentes estratégias de mitigação de alucinações em chatbots baseados em modelos de linguagem de grande porte (LLMs), com foco em aplicações de atendimento ao cliente. Foram implementados e avaliados cinco métodos distintos: Baseline, Prompting, Chain of Verification (CoV), Retrieval-Augmented Generation (RAG) e CoV + RAG, utilizando o modelo GPT-5 mini da OpenAI, integrado à plataforma n8n em ambiente local. Cada método foi testado com cinco perguntas-padrão e cem execuções, totalizando quatrocentas respostasanalisadas manualmente quanto à veracidade. Os resultados demonstraram que o método de Prompting apresentou o melhor equilíbrio entre custo computacional e confiabilidade, atingindo 81 % de acerto com baixo consumo de tokens, enquanto o RAG e o CoV + RAG alcançaram maior precisão factual, porém com custo significativamente mais alto. Conclui-se que a escolha do método ideal depende do contexto de uso e da relação entre confiabilidade exigida e viabilidade operacional, sendo o Prompting a alternativa mais eficiente para cenários de suporte técnico de baixa complexidade.