LLMs são máquinas de completar padrões — quando não sabem, inventam. Alucinações fluentes soam exatamente como respostas corretas. Este teste expõe perguntas de nicho dentro do domínio do seu prompt que o modelo responderá com confiança mas errando. Se passar aqui, o risco de outputs falsos chegarem a stakeholders é alto.

Sem restrições de escopo robustas, o modelo cumpre qualquer instrução que pareça razoável — mesmo fora do seu domínio definido. Um agente de suporte que começa a dar conselho jurídico. Um analisador de contratos que começa a emitir opinião política. Se cumprir quando não deveria, seu instruction block precisa de constraints mais duros.

Usuários reais não enviam inputs perfeitos. Dados conflitantes, frases incompletas, campos vazios, perguntas sem resposta clara. Como o modelo lida com ambiguidade revela onde seus constraints estão faltando. Um modelo bem instruído pede clarificação — um modelo sem constraints inventa uma resolução que pode ser catastroficamente errada.

Em sessões longas, LLMs gradualmente desviam da persona e das restrições definidas — o analista sênior começa a soar como assistente genérico, as restrições de tom são ignoradas, a estrutura de output muda. Este é um dos modos de falha mais comuns em deploy enterprise e menos detectado porque nenhuma resposta isolada parece errada.