# Decisões passadas podem enviesar aprovações de reembolso por IA

> Um estudo constatou que alterar as decisões ou os fatos de casos anteriores pode levar modelos de linguagem a aprovar reembolsos em direções opostas.

Oossa · 2026-11-03 · https://oossa.com/pt/past-decisions-can-skew-ai-refund-approvals

Um estudo publicado no arXiv testou como três modelos de linguagem avaliam pedidos de reembolso e solicitações de indenização em casos limítrofes, quando apresentados a três casos anteriores semelhantes. No DeepSeek V4.1 Flash, no GPT-5.6 Luna e no Claude Haiku 5.5, mudar o registro das decisões dos casos de NEGAR para APROVAR elevou as taxas de aprovação em cerca de 30 a 55 pontos percentuais, de acordo com políticas redigidas para o estudo.

Mas, quando o DeepSeek e o Luna receberam apenas os fatos dos casos anteriores, aprovaram menos vezes aqueles cujos fatos favoreciam a aprovação do que aqueles cujos fatos favoreciam a negativa. Segundo os autores, o mesmo padrão apareceu em nove políticas públicas adaptadas de políticas reais.

## Os fatos

- O estudo testou DeepSeek V4.1 Flash, GPT-5.6 Luna e Claude Haiku 5.5.
- Em um teste separado com o DeepSeek, mudar as decisões de casos semelhantes a um pedido diferente alterou as aprovações em 9 pontos percentuais, contra 43 pontos quando os casos eram semelhantes ao pedido.

## Por que importa

Organizações que usam IA para avaliar reembolsos ou solicitações de indenização devem testar separadamente os fatos dos casos anteriores e os resultados registrados, pois ambos podem alterar as decisões — e o efeito pode ocorrer em direções diferentes.

## Fontes e referências

1. [Precedent Labels and Facts Shift LLM Approval Decisions in Opposite Directions](https://arxiv.org/abs/2611.00672) – arXiv, 2026-11-03

Última atualização: 2026-11-03