O prompt que a IA reescreve antes de gerar: o que entra na foto sem você pedir

Por que a IA não segue o meu prompt de foto: existe um segundo texto no meio do caminho

Você escreveu "sem sorriso" e voltou um sorriso. Não pediu escritório nenhum e apareceu uma parede de escritório atrás da sua cabeça. Rodou o mesmo texto duas vezes seguidas e vieram duas fotos que não parecem irmãs. A pergunta que sobra é por que a IA não segue o meu prompt de foto, e a resposta que circula em português é quase sempre a mesma: escreva um prompt melhor. Ela parte de uma suposição que não se sustenta em várias superfícies: a de que o texto que você digita é o texto que o modelo de imagem recebe.

Não é. Entre o campo onde você escreve e o modelo que desenha existe, em algumas ferramentas, uma etapa a mais: outro modelo lê o seu pedido, acrescenta detalhe e entrega uma versão expandida para a geração. O Google publica até o nome disso na documentação do Imagen na Vertex AI, o reescritor de comandos baseado em LLM, que existe, nas palavras da própria página, para "gerar imagens de saída de maior qualidade, adicionando mais detalhes ao comando", e o comando base é aprimorado antes de as imagens serem geradas.

Para ver o tamanho dessa camada, escrevi o pedido mais curto que consegui, "Foto profissional para currículo.", quatro palavras, e li o texto que chegou ao gerador: 52, 48 e 53 palavras em três execuções idênticas de 20/08/2026. Quase tudo ali era decisão de outra pessoa.

E aqui está o achado que muda o conselho. Nas 15 execuções que medi, a camada quase nunca apagou o que eu tinha escrito. "Sem sorriso" sobreviveu em 3 de 3, e o braço montado de propósito contra o padrão corporativo (camiseta preta, fundo preto, luz dura de um lado só) atravessou inteiro em 3 de 3, sem nenhuma reescrita trocar a camiseta por blazer nem clarear o fundo. A frase correta, então, não é "a IA ignora o que você escreveu", e sim esta: a IA mantém quase tudo que você escreveu e escreve, sozinha, tudo que você deixou em branco. Escrever é o que reduz a superfície de escrita alheia.

Isso também não é a mesma coisa que aquele prompt salvo em maio e que hoje devolve outra foto: quando a diferença é o tempo, e não a camada, o diagnóstico é outro. A causa deste artigo age na mesma sessão, no mesmo minuto e na mesma versão da ferramenta.

O que cada fornecedor declara, e com que data eu li

Reescrita automática não é comportamento universal nem folclore de fórum. São estados diferentes, superfície por superfície, e cada um tem uma frase publicada ou uma ausência que dá para medir. Fui às quatro páginas abaixo em 20/08/2026, li três (a quarta não abriu) e anotei também o que elas não dizem.

Na documentação de geração de imagem da OpenAI, a declaração é direta: ao usar a ferramenta de imagem na API de Respostas, o modelo principal revisa automaticamente o seu prompt para melhorar o resultado, e o texto revisado pode ser lido no campo revised_prompt da chamada. Esse literal já tinha aparecido neste blog uma única vez, de passagem, numa linha sobre o lado do rosto que talvez não tenha chegado ao gerador. Ele é o ponto de partida deste artigo, não o conteúdo dele.

A documentação do Imagen na Vertex AI é a mais detalhada das quatro, e é dela que sai quase todo número desta seção. O parâmetro é booleano, se chama enhancePrompt e o valor padrão é true. A página lista quatro versões de modelo em que o recurso vem ligado por padrão: imagen-3.0-generate-002, imagen-4.0-generate-001, imagen-4.0-fast-generate-001 e imagen-4.0-ultra-generate-001. Vale a etiqueta honesta: esses quatro identificadores aparecem, no aviso do topo da mesma página, na tabela de endpoints em migração, com recomendação de atualizar antes de 30 de junho de 2026 para gemini-2.5-flash-image. O que interessa aqui é o recurso e o que ele faz com o seu texto, não o identificador do modelo.

A página de geração de imagem da API Gemini é o silêncio medido: baixei as 14.805 palavras dela e procurei por reescrita, revisão e expansão do comando, com zero ocorrência em cada termo. O que ela recomenda hoje é ser hiperespecífico, porque quanto mais detalhe você dá, mais controle você tem. Isso é silêncio daquela página, não prova de que nada aconteça por baixo. E a página de ajuda ao consumidor, que seria a mais útil para quem digita num aplicativo em vez de numa API, não abriu: devolveu 403 ao leitor automatizado em 19 e de novo em 20/08/2026. Por isso este artigo não afirma nada sobre o comportamento do aplicativo.

O que a reescrita fez com cinco pedidos meus, medido

Em 20/08/2026, entre 08h05 e 08h17 no fuso de Brasília, rodei 15 execuções na ferramenta de imagem da API de Respostas da OpenAI, com o modelo principal gpt-5.5 e qualidade baixa: cinco pedidos diferentes, três execuções idênticas de cada um, mesma conta e mesmo minuto por pedido. De cada resposta li o campo do prompt revisado. Não estou medindo a foto que saiu; estou medindo o texto que chegou ao gerador.

O primeiro resultado é uma escala de crescimento. O pedido de 4 palavras voltou com 52, 48 e 53 palavras, quase 13 vezes o tamanho original. Um pedido curto de 12 palavras (retrato, blazer marinho, fundo cinza liso, sem sorriso) voltou com 40, 40 e 39. O pedido de 19 palavras contra o padrão corporativo voltou com 50, 48 e 57. O pedido de 26 palavras com uma selfie anexada voltou com 67, 73 e 77. E o pedido de 93 palavras, com luz, fundo, negativas e uma linha de identidade, voltou com 104, 112 e 101: entre 9% e 20% a mais. A frase que sai daí é simples: quanto menos você escreve, mais outra pessoa escreve por você.

O segundo resultado responde ao sintoma mais comum. No pedido de quatro palavras, o que voltou nas três execuções foi uma cena inteira que eu nunca pedi: enquadramento (cabeça e ombros, ou busto), roupa (blazer escuro com camisa clara), postura, fundo cinza-claro liso, iluminação suave de estúdio, resolução e até duas negativas, "sem texto, sem logotipos". E, em 3 de 3, uma expressão: "sorriso leve" ou "leve sorriso". Em uma das três apareceu ainda uma proporção de 4:5 dentro de uma chamada que pedia 1.024 x 1.024 px, e em outra uma etiqueta de estilo de rede profissional e currículo. Se você já se perguntou de onde veio o sorriso que não pediu, ele estava escrito, só que não por você.

Repare também no vocabulário que ela devolve sozinha: "alta resolução", "alta definição", "foco nítido". São palavras de desejo, não de meio, e ocupam espaço no texto final sem controlar nada no quadro, o que explica por que "alta resolução" não é instrução.

O terceiro resultado explica um sintoma diferente: duas fotos muito diferentes a partir do mesmo texto, no mesmo minuto. Contando só os termos de conteúdo, as três reescritas de um mesmo pedido não são a mesma coisa entre si. No pedido de quatro palavras, 32 de 59 termos (54%) aparecem numa reescrita e faltam em outra. No pedido contra o padrão, 41 de 66 (62%). No de 93 palavras, a divergência cai para 44%. Duas gerações "do mesmo prompt" podem ter partido de dois textos diferentes, e essa é uma causa distinta do sorteio do próprio modelo de imagem.

Os limites, porque isso é medição e não lei da natureza: um fornecedor, um modelo principal, uma superfície, um dia, qualidade baixa e pedidos escritos em português. As imagens geradas no teste eram personas sintéticas e não foram publicadas.

A linha que mais se perde é a da identidade

Se a camada só preenchesse vaga vazia, o estrago seria pequeno e até útil. O problema aparece numa linha específica, a mais cara de um prompt de foto profissional: a que manda preservar o seu rosto.

No pedido de 93 palavras eu tinha escrito, em português: "Preserve exatamente os traços do rosto, sem rejuvenescer, sem alisar a pele e sem mudar o formato do nariz." Palavra por palavra, isto foi o que sobreviveu às três reescritas: "sem rejuvenescer" atravessou em 3 de 3; "sem alisar a pele", 3 de 3; "sem mudar o formato do nariz", 2 de 3. E as duas palavras que carregavam a força da instrução caíram: "Preserve" não voltou em nenhuma das três (virou "mantendo", "manter" e, numa delas, "preservada" aplicada à textura da pele, não aos traços), e "exatamente" sumiu nas três, sem substituto.

A execução que perdeu a terceira linha é a mais instrutiva. "Sem mudar o formato do nariz" voltou como "formato do nariz realista": a proibição de alterar virou adjetivo de aparência, que é outra instrução, com outro efeito. A saída óbvia seria proibir com verbo ("não alterar" no lugar de "sem mudar"), e antes de recomendar isso eu medi: repeti o mesmo pedido de 93 palavras trocando só a linha de identidade por "não alterar os traços do rosto, não rejuvenescer, não alisar a pele e não alterar o formato do nariz", em três execuções novas de 20/08/2026. O verbo não protegeu: numa das três o nariz voltou como "nariz com formato natural", de novo descrição de aparência no lugar de proibição, e em 3 de 3 a primeira linha reapareceu como "manter" ou "preservar traços faciais realistas", com um adjetivo que eu nunca escrevi colado no meu rosto. A camada troca a forma nos dois sentidos: escrevi "sem" e voltou "não alterar", escrevi "não alterar" e voltou "sem". Onde uma proibição cabe e com que força é assunto do artigo sobre onde a proibição vale mais que um adjetivo. O que estas seis execuções mostram é outra coisa: a forma que você escolher não chega inteira do outro lado.

O contraste que vira recomendação está no quinto braço, o único com foto anexada. Ali "exatamente" sobreviveu em 3 de 3, em frases como "manter exatamente a identidade e os traços faciais da pessoa da foto de referência". Sem âncora, a exatidão evapora, porque um advérbio sozinho não aponta para nada; com um objeto no pedido, ela vira instrução operacional. É a mesma lógica do bloco que amarra a identidade ao arquivo anexado.

Há um segundo achado nesse braço. Em 3 de 3, a reescrita enumerou o rosto: formato do rosto, olhos, nariz, boca, barba, cabelo e óculos, mais as sobrancelhas em duas das três. Uma delas acrescentou "sem alterar idade, etnia ou características do rosto". Conferi a foto de referência que eu tinha anexado: ela tem óculos e tem barba. A camada leu o anexo e o transformou em palavras. Não medi se essa leitura acerta; medi que ela acontece e vira texto. E texto descrevendo a pessoa é exatamente o que compete com a foto anexada na hora de decidir quem aparece na imagem.

Sintoma, causa, o que conferir e o que mudar

Diagnóstico começa pelo que você viu na tela, não pelo mecanismo. A tabela abaixo entra pelo sintoma, atravessa a causa provável e termina na única parte do caminho que está nas suas mãos: o texto do pedido. Ela ordena a investigação, não decreta a causa do seu caso, e nenhuma linha promete foto certa: o que a correção faz é reduzir a superfície de decisão alheia.

Quando a correção diz "escreva a variável", é ocupar a vaga antes que a camada ocupe. As cinco que mais apareceram sozinhas nas reescritas do pedido mínimo (roupa, fundo, luz, enquadramento e expressão) são as mesmas que o guia que descreve cada componente antes de a camada preencher nomeia uma a uma, com exemplos de valor.

Onde dá para ver o texto reescrito, e o que fazer quando não dá

Ler o prompt revisado muda a conversa de lugar: em vez de culpar o modelo por ter "inventado" um fundo de escritório, você lê a linha em que o fundo de escritório foi escrito. Essa leitura depende de onde você digita.

Na ferramenta de imagem da API de Respostas, o texto revisado volta num campo próprio da chamada, e é a primeira coisa que vale abrir. No endpoint direto de geração de imagem, não volta: medi uma chamada em 20/08/2026 com um pedido de 12 palavras e a resposta veio com status 200 e apenas a imagem codificada, sem campo nenhum de prompt revisado. O contraste mais informativo entre os dois caminhos é de tamanho: o mesmo texto de 12 palavras entrou como 27 tokens de texto no endpoint direto e como 1.685, 1.690 e 1.689 tokens de entrada nas três chamadas com a ferramenta na API de Respostas. Não medi o conteúdo dessa diferença; medi o tamanho dela. Parte da explicação está na própria documentação: as requisições da API de Respostas incluem o uso de tokens do modelo principal, além do custo da imagem.

Esse limiar é regra de um fornecedor e não vale como lei geral: no meu teste, um pedido de 93 palavras voltou com o texto revisado normalmente na API de Respostas da OpenAI. A mesma página da Vertex também cita uma opção de escrita assistida no console do Google Cloud, chamada "Me ajude a escrever", e recomenda evitá-la num caso específico, que aparece na próxima seção.

E quando não existe campo nenhum, que é a situação de quem usa um aplicativo comum? Aí sobra um protocolo de quatro minutos, que não abre a camada mas mostra o rastro dela. Rode o mesmo pedido curto três vezes seguidas, na mesma ferramenta, no mesmo minuto. Liste, para cada imagem, tudo que apareceu e não estava escrito por você: peça de roupa, cor de fundo, direção de luz, expressão, objeto no quadro. O que aparecer em 3 de 3 é padrão, não acaso; o que aparecer em 1 de 3 é sorteio. O que esse protocolo prova: que existem elementos regulares que ninguém pediu. O que ele não prova: qual etapa do caminho colocou cada um deles ali.

Dá para desligar a reescrita?

Num dos fornecedores, sim, e está publicado. No Imagen da Vertex AI o parâmetro enhancePrompt aceita false no corpo da requisição, e isso desliga o reescritor. Só que a própria documentação avisa o custo, e o aviso é contraintuitivo: se você desativar o reescritor de comandos, a qualidade das imagens e a semelhança da saída com o comando fornecido poderão ser afetadas. Ou seja, desligar a reescrita pode afastar o resultado do seu próprio texto, não aproximar.

A mesma página traz o único caso em que ela recomenda desligar, e ele é nominal: o modelo imagen-4.0-fast-generate-001 pode gerar resultados indesejáveis se o comando for complexo e você usar comandos aprimorados, e a correção sugerida é definir o parâmetro como falso. Um modelo nomeado, não a família inteira.

No outro fornecedor, a resposta honesta é que não achei instrução publicada. Procurei por "disable", "turn off", "opt out", "verbatim" e "unchanged" numa página que passa das 11 mil palavras: zero ocorrência em cada termo. Depois testei por outro caminho e mandei três sondas de API com nomes plausíveis de parâmetro, revise_prompt, enhance_prompt e prompt_revision. As três voltaram com erro 400 e a mensagem de parâmetro desconhecido, recusadas antes de gerar qualquer imagem. Isso prova que esses três nomes não existem, não que nenhuma chave exista.

Circula em fórum a receita de escrever "use este prompt literalmente, sem alterar" no começo do pedido. Não medi isso, então não publico como solução: seria trocar documentação por superstição. O que o teste sustenta é o assunto da próxima seção: o que você escreve sobrevive melhor do que o que você deixa em branco.

Cinco regras para escrever um prompt que sobrevive à reescrita

Nenhuma das cinco regras abaixo é preferência de estilo: cada uma sai de um número medido em 20/08/2026, com o recorte de teste já declarado. Elas valem para quem digita num aplicativo e para quem chama uma API, porque agem no único lugar que continua sendo seu: o texto.

1. Escreva as cinco variáveis que a camada preenche sozinha: roupa, fundo, luz, enquadramento e expressão. Foram exatamente essas cinco que apareceram em 3 de 3 reescritas do pedido de quatro palavras.
2. Ancore a identidade num objeto, não num advérbio: "preserve exatamente" sumiu em 3 de 3 sem foto anexada e sobreviveu em 3 de 3 com foto anexada.
3. Não confie na forma da proibição: confira a saída: testei as duas formas na mesma linha do nariz, "sem mudar" e "não alterar", três execuções de cada. Em uma das três de cada braço a proibição voltou como descrição de aparência ("formato do nariz realista", "nariz com formato natural"). Escreva a proibição assim mesmo, porque "sem rejuvenescer" e "sem alisar a pele" atravessaram em 6 de 6, mas julgue pela imagem, não pelo texto.
4. Escreva uma cláusula por elemento, em vez de deixar o elemento de fora: os dois pedidos de 93 palavras, escritos em cláusulas completas, foram os que menos cresceram (nunca mais de 21% a mais) e os que menos divergiram entre execuções (44% e 43%), contra 62% do pedido de 19 palavras. O que o teste isola é a quantidade escrita: não comparei prosa contra lista de palavras com o mesmo conteúdo.
5. Leia o texto devolvido quando ele existir, e confira a saída quando não existir: onde há campo de prompt revisado, ele é a primeira coisa a abrir antes de culpar o modelo.

O bloco abaixo é o único prompt deste artigo, e não é uma biblioteca: é uma cena escrita por inteiro, de propósito, para deixar pouco espaço vazio. Está em inglês porque foi assim que testei a estrutura, mas a lógica funciona igual em português.

Reference: the attached photo is me. Keep my facial features unchanged: do not
reshape the nose, do not smooth the skin, do not change my age.
Scene: chest-up professional portrait, subject facing the camera.
Wardrobe: navy blazer over a plain white shirt, no tie.
Background: plain light grey studio wall, no furniture, no office, no window.
Light: soft key light from the left, soft shadow on the right side of the face,
no blown highlights on the forehead.
Framing: head and shoulders, small margin above the hair.
Expression: calm and closed mouth, no smile.
Do not add props, text, logos or accessories that are not described above.

Tradução em pt-BR: a foto anexada sou eu, e os traços do rosto não devem mudar (não remodelar o nariz, não alisar a pele, não alterar a idade). Retrato profissional do peito para cima, de frente para a câmera. Blazer azul-marinho sobre camisa branca lisa, sem gravata. Parede de estúdio cinza-clara lisa, sem móveis, escritório ou janela. Luz principal suave vindo da esquerda, sombra macia do lado direito do rosto, sem estouro na testa. Cabeça e ombros, com pequena margem acima do cabelo. Expressão calma, boca fechada, sem sorriso. E nada de adereços, texto, logotipos ou acessórios que não estejam descritos acima.

Por que cada linha existe: as primeiras ocupam, uma a uma, as vagas que a camada preencheu sozinha no meu teste (identidade, cena, roupa, fundo, luz, enquadramento e expressão), e cada uma traz um valor no lugar de um adjetivo. Essa parte não é achado deste artigo: o custo do adjetivo já tinha sido medido do lado do sorteio, onde a variável não escrita não é reescrita por ninguém, apenas sorteada. O bloco começa pelo anexo porque foi com a foto anexada que a instrução de identidade sobreviveu inteira. E a última linha é a única negativa genérica: ela existe porque, nas reescritas do pedido mínimo, a própria camada escreveu negativas parecidas por conta própria. Se essa vaga vai ser preenchida de qualquer jeito, melhor que seja por você.

O que a reescrita não explica

Camada de reescrita virou uma explicação boa demais, e é honesto delimitar onde ela não serve. Ela não explica recusa: quando o pedido volta com mensagem de política e nenhuma imagem, o que aconteceu foi um bloqueio, não uma edição do seu texto, e o conserto é de outra natureza. Quem chegou aqui com "violou as diretrizes" na tela deveria estar lendo quando o pedido para antes de virar imagem.

Ela também não explica a deriva de identidade que acontece dentro da geração, com o texto preservado: rosto parecido demais com uma média, pele alisada apesar da proibição, traços que fogem da selfie. Isso se resolve na forma do bloco de prompt e na qualidade da referência. E ela não explica o prompt que funcionava em maio e hoje devolve outra coisa: ali as variáveis mudam em escala de semanas, e misturar as duas causas leva a consertar o texto quando o problema estava no calendário.

Por fim, o limite do que eu medi, repetido de propósito: 18 execuções ao todo (cinco pedidos, mais a conferência da linha de identidade), um fornecedor, um modelo principal, uma superfície, um dia, qualidade baixa. É suficiente para mostrar que a camada existe, que ela cresce quando você escreve pouco e que ela mexe na sua linha de identidade. Não é suficiente para virar porcentagem sobre o mercado, nem para descrever o aplicativo que você tem no celular.

Resumo e próximos passos

Três frases para levar. Existe, em várias ferramentas, uma camada documentada que reescreve o seu pedido antes de gerar a imagem, e ela vem ligada por padrão onde o fornecedor publica o parâmetro. Ela raramente apaga o que você escreveu: escreve, no seu lugar, o que você deixou em branco, inclusive expressão, roupa e fundo. E mexe na linha mais cara do prompt, a da identidade, a menos que exista uma foto anexada para essa instrução se agarrar.

O próximo passo é curto: pegue o seu prompt salvo e marque quais das cinco variáveis (roupa, fundo, luz, enquadramento, expressão) não estão escritas com valor. Cada vaga em branco é uma decisão que outra pessoa vai tomar por você. Para preencher cada uma com repertório em vez de palpite, o pilar que dá valor de exemplo para cada uma dessas vagas abre componente por componente, com blocos prontos para adaptar.