Como funciona o ChatGPT: o que acontece quando você digita uma pergunta

Quando você digita uma pergunta no ChatGPT, ele não procura a resposta num banco de respostas prontas. O programa corta o seu texto em pedaços chamados tokens, calcula qual pedaço tem mais chance de vir a seguir, escolhe um e repete o processo até formar a resposta inteira. Tudo o que você lê saiu dessa previsão, uma peça por vez.

Este é o primeiro texto da série IA do zero. A ideia é entender o básico mexendo em algo de verdade, e não só lendo definições. Em 5 minutos você vai ver, num site público, como o seu texto é cortado.

O caminho da sua pergunta, em 4 passos

1. Você escreve a pergunta, em português mesmo.
2. O texto vira tokens, pedaços de palavra que o modelo conhece, cada um com um número.
3. O modelo calcula quais tokens têm mais chance de vir a seguir.
4. Um token é escolhido e colocado no fim do texto. O passo 3 se repete com o texto maior, até a resposta acabar.

Os passos 2 a 4 são o que está por baixo de qualquer chat de IA. Os detalhes de cada produto (os dados de treino, os ajustes depois do treino, as regras de segurança) não são públicos por inteiro, então não vou descrever o que não dá para conferir.

Passo 2: seu texto vira tokens

Um token é um pedaço de texto que o modelo trata como uma unidade. Pode ser uma palavra inteira, parte de uma palavra, um sinal de pontuação ou um espaço junto com a palavra. A biblioteca tiktoken, de código aberto da OpenAI, explica que os modelos de linguagem trabalham com sequências de números chamadas tokens, e que o byte pair encoding (BPE, “codificação por pares de bytes”) converte o texto nessas sequências de um jeito que dá para reverter (README do tiktoken).

Ou seja: o modelo nunca “vê” letras nem palavras como você. Ele recebe uma lista de números.

Faça você mesmo: veja os tokens em 5 minutos

1. Abra o Tiktokenizer, um playground online do tiktoken.
2. Escolha um modelo da OpenAI. Meus exemplos abaixo usam a codificação o200k_base, que a biblioteca associa ao gpt-4o. Se o seu resultado for um pouco diferente, o modelo escolhido provavelmente usa outra codificação.
3. Cole a primeira frase da tabela e veja como o site divide o texto e quantos tokens deu.
4. Repita com as outras frases.

Rodei estas frases na biblioteca tiktoken (o200k_base) em 28/10/2026:

Texto	Letras	Tokens	Como foi dividido
O gato sentou no tapete.	24	8	O · gato · sent · ou · no · tap · ete · .
Inteligência artificial	23	4	Int · elig · ência · artificial
Artificial intelligence	23	2	Artificial · intelligence
anticonstitucionalissimamente	29	6	ant · icon · stit · ucional · issim · amente
ChatGPT	7	2	Chat · GPT
2026	4	2	202 · 6
12345678	8	3	123 · 456 · 78

O que dá para notar:

• Palavras comuns viram um token só, e o espaço vem junto. Repare em " gato", com espaço na frente.
• Palavras raras ou longas são cortadas em pedaços. anticonstitucionalissimamente virou 6.
• O português costuma gastar mais tokens que o inglês. Inteligência artificial e Artificial intelligence têm o mesmo número de letras, mas deram 4 e 2 tokens. Isso é só o que vi nestes exemplos, não uma regra para qualquer texto.
• Números são cortados em blocos. 2026 virou 202 e 6.

Teste também a sua própria frase. Se colar o mesmo texto com e sem acento, ou em maiúsculas, o resultado muda, porque são sequências de letras diferentes.

Nem todo modelo corta igual

Cada modelo usa uma codificação, e elas mudam. Na biblioteca, o gpt-4o usa a o200k_base e o GPT-4 usa a cl100k_base. Com a primeira frase da tabela, a cl100k_base deu 9 tokens e a o200k_base, 8. Não encontrei documentação pública do tokenizador dos modelos mais novos, então não afirmo como eles dividem o texto.

Passo 3: o modelo prevê o próximo token

Com a sua pergunta já em números, o modelo faz uma única tarefa: dado tudo o que veio antes, quais tokens são os mais prováveis para vir a seguir?

Você pode fazer uma versão manual disso. Complete a frase, sem pensar muito:

“O gato sentou no ___”

Você provavelmente pensou em “tapete”, “sofá” ou “chão”. Em “banco de ações”, talvez não. Um modelo de linguagem faz algo parecido, só que com um número de probabilidade para cada token que ele conhece, calculado a partir do que aprendeu durante o treino. Foi esse tipo de modelo, simples, que Andrej Karpathy construiu do zero nas primeiras aulas da série de aulas abertas Neural Networks: Zero to Hero (o makemore, que prevê um caractere por vez).

O que deu força aos modelos atuais foi uma arquitetura chamada Transformer, apresentada em 2017 no artigo Attention Is All You Need. Ela usa um mecanismo de atenção (attention), que ajuda o modelo a pesar quais partes do texto importam mais para a previsão, sem processar as palavras uma por uma na ordem. Os autores mostraram que esse modelo traduzia melhor que os anteriores e treinava mais rápido. Para o que importa aqui, basta saber que o Transformer é a base dos modelos de linguagem de hoje.

Passo 4: escolher, juntar e repetir

O modelo escolhe um token, o coloca no fim do texto e refaz o cálculo com o texto um pouco maior. Isso se repete token após token, até o modelo gerar um sinal de fim. É por isso que a resposta do ChatGPT aparece “digitando”, e não de uma vez.

Como há mais de uma continuação possível, a mesma pergunta pode render respostas diferentes. O modelo não está “mudando de ideia”: ele está escolhendo entre continuações que parecem boas.

O que isso explica (e o que cuidar)

• Ele pode escrever algo errado com muita segurança. O modelo é treinado para continuar o texto de um jeito plausível, não para consultar uma base de fatos. Quando o assunto é data, lei, preço ou saúde, confirme na fonte oficial.
• Contar letras e fazer contas longas é terreno difícil. O modelo recebe Chat e GPT, e não as sete letras de “ChatGPT”. Do mesmo jeito, 12345678 chega como 123, 456 e 78.
• Tokens importam além da curiosidade. Muitos serviços medem o tamanho de uma conversa em tokens, e isso ajuda a entender por que um chat muito longo pode “esquecer” o começo, tema de um próximo texto da série.

Perguntas frequentes

Token é a mesma coisa que palavra? Não. Uma palavra comum pode ser um token só, mas uma palavra rara pode virar vários. Nos meus testes, anticonstitucionalissimamente deu 6 tokens.

O Tiktokenizer é um site oficial da OpenAI? Não. É um projeto de terceiros, de código aberto, que usa a biblioteca tiktoken da OpenAI.

Por que o resultado no meu teste foi diferente do da tabela? O mais provável é o modelo escolhido ter outra codificação. Confira qual aparece no site.

Próximo passo

Cole no Tiktokenizer três frases suas, uma curta, uma com um termo técnico e uma com números, e compare o número de letras com o de tokens. A parte 2 da série vai tratar do prompt e de por que o jeito de pedir muda a resposta.