---
id: CP-515
slug: saidas-estruturadas-ia-esquema-json
lang: pt
title: "Saídas estruturadas: fazer a IA preencher um esquema"
description: Como um esquema JSON transforma um texto livre em campos precisos, o que a função garante e os reflexos para controlar os valores.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/saidas-estruturadas-ia-esquema-json/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/saidas-estruturadas-ia-esquema-json.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Saídas estruturadas: fazer a IA preencher um esquema», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/saidas-estruturadas-ia-esquema-json/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-015
schema: G3
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/saidas-estruturadas-ia-esquema-json/
  fr: https://startbrain.io/cyberpedia/fr/articles/sorties-structurees-ia-schema-json/
  en: https://startbrain.io/cyberpedia/en/articles/ai-structured-outputs-json-schema/
  de: https://startbrain.io/cyberpedia/de/articles/strukturierte-ausgaben-ki-json-schema/
  es: https://startbrain.io/cyberpedia/es/articles/salidas-estructuradas-ia-esquema-json/
  it: https://startbrain.io/cyberpedia/it/articles/uscite-strutturate-ia-schema-json/
  nl: https://startbrain.io/cyberpedia/nl/articles/gestructureerde-uitvoer-ai-json-schema/
  pl: https://startbrain.io/cyberpedia/pl/articles/ustrukturyzowane-odpowiedzi-ai-schemat-json/
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-structured-outputs-json-schema/
sources:
  - "n": 1
    title: How to use structured outputs with Azure OpenAI in Microsoft Foundry Models - Microsoft Foundry
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs
    accessed: "2026-11-14"
  - "n": 2
    title: Structured output | Gemini Enterprise Agent Platform | Google Cloud Documentation
    publisher: Google
    url: https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output
    accessed: "2026-11-14"
  - "n": 3
    title: "Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile"
    publisher: NIST
    url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
    accessed: "2026-11-14"
  - "n": 4
    title: LLM05:2025 Improper Output Handling
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 5
    title: LLM09:2025 Misinformation
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm092025-misinformation/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 6
    title: Structured outputs on Azure Databricks - Azure Databricks
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/databricks/machine-learning/model-serving/structured-outputs
    accessed: "2026-11-14"
  - "n": 7
    title: Learning to Generate Structured Output with Schema Reinforcement Learning
    publisher: arXiv
    url: https://arxiv.org/abs/2502.18878
    published: "2025-02-26"
    accessed: "2026-11-14"
  - "n": 8
    title: "SLOT: Structuring the Output of Large Language Models"
    publisher: arXiv
    url: https://arxiv.org/abs/2505.04016
    published: "2025-05-06"
    accessed: "2026-11-14"
---

# Saídas estruturadas: fazer a IA preencher um esquema

Um correio eletrónico ou uma ata é um texto livre. Para extrair campos precisos, uma aplicação pode impor à IA um esquema JSON. A Microsoft [1] apresenta as saídas estruturadas (structured outputs) como uma função que faz o modelo seguir uma definição de JSON Schema fornecida na chamada à API, e cita entre as suas utilizações a extração de dados estruturados [1].

Um esquema de resposta especifica os nomes dos campos e o tipo de dados esperado para cada um [2]. A Google [2] escreve que, com um esquema, a resposta do modelo segue sempre o esquema definido [2]. Esta ficha separa duas questões: a forma da resposta e a exatidão do seu conteúdo.

## Em 30 segundos

- Onde acontece: nas ferramentas que pedem a uma IA para arrumar um texto livre em campos, por exemplo para extrair de uma frase o nome de um evento, a data e os participantes [1].
- O que garante: uma resposta conforme ao esquema [2]. A Microsoft [1] contrapõe esta função ao antigo modo JSON, que garantia um JSON válido sem poder assegurar o cumprimento do esquema fornecido.
- O que continua possível: um campo declarado obrigatório obriga o modelo a fornecer um valor [2], e o NIST [3] descreve conteúdos falsos apresentados com convicção.
- O reflexo: autorizar o valor vazio nos campos que podem faltar [1], validar o resultado antes de o utilizar, validá-lo antes de o fazer executar [4] e pedir a revisão por uma pessoa quando o risco é elevado [5].

## Perguntas diretas

### O que é uma saída estruturada?

É uma resposta de IA que segue um esquema fornecido com o pedido. A Microsoft [1] distingue-a do antigo modo JSON, que garantia um JSON válido mas não podia assegurar o cumprimento do esquema. A Google [2] precisa que o modo JSON sem esquema é apenas um forte incentivo e não dá 100 % de JSON válido. Para obter 100 % de JSON válido, o pedido tem de conter ao mesmo tempo um esquema de resposta e o tipo application/json [2].

### Um esquema respeitado significa valores exatos?

Não. O NIST [3] explica que os erros de conteúdo decorrem da conceção dos modelos generativos: produzem saídas que se aproximam da distribuição estatística dos seus dados de treino, o que pode dar saídas tanto exatas como inexatas [3]. A OWASP [5] descreve a alucinação como um conteúdo que parece exato mas é inventado [5].

### O que faz o modelo quando a informação falta no texto?

Segundo a Google [2], os campos são facultativos por defeito: o modelo pode preenchê-los ou ignorá-los. Podem declarar-se obrigatórios para o obrigar a fornecer um valor. Se o contexto do pedido for insuficiente, o modelo responde sobretudo com base nos dados com que foi treinado [2]. Na Microsoft [1], todos os campos têm de ser declarados obrigatórios, e um campo facultativo emula-se com um tipo que aceita também o valor null.

### Pode executar-se a saída tal como está?

Não. A OWASP [4] dá a este defeito o nome «Improper Output Handling»: uma validação insuficiente das saídas do modelo antes de passarem a outros componentes. Como o conteúdo gerado pode ser controlado pelo pedido, a OWASP compara-o a um acesso indireto a funções adicionais [4]. Entre os seus exemplos: uma saída colocada diretamente num interpretador de comandos (funções exec ou eval), que leva à execução de código remoto, e consultas SQL geradas e executadas sem parametrização, que levam a uma injeção de SQL [4].

### Quando pedir a revisão por uma pessoa?

A OWASP [5] propõe uma supervisão humana e uma verificação dos factos, sobretudo para as informações críticas ou sensíveis, com revisores formados para não se apoiarem cegamente na IA [5]. O NIST [3] dá o exemplo da saúde: um resumo inventado de processos de doentes poderia levar os médicos a fazer um diagnóstico errado ou a recomendar um tratamento errado [3]. Acrescenta que o risco é particularmente importante de vigiar nas aplicações em que a IA alimenta decisões de grandes consequências [3].

## Como funciona

O Azure Databricks [6] descreve a função como a geração de respostas num formato JSON definido, por meio de um campo de formato de resposta no pedido de conversa. Recomenda-a para extrair dados de um grande número de documentos (por exemplo, classificar as avaliações de um produto em negativas, positivas ou neutras), para os processamentos em lote que exigem um formato dado e para transformar dados não estruturados em dados estruturados [6]. O seu exemplo de esquema extrai de um texto de investigação o título, os autores, o resumo e as palavras-chave [6].

Os fornecedores não adotam todo o JSON Schema, apenas um subconjunto. Na Microsoft [1], um esquema pode ter até 100 propriedades de objeto e cinco níveis de aninhamento. As palavras-chave pattern, minLength, maxLength, minimum e maximum não são suportadas [1]. O Azure Databricks [6] fixa o máximo em 64 chaves, indica não aplicar restrições de comprimento ou de tamanho aos objetos e às listas, e observa que um esquema muito aninhado dá uma geração de menor qualidade: aconselha a achatá-lo, se possível [6]. Precisa também que as técnicas utilizadas para melhorar a qualidade alteram o número de tokens consumidos e, portanto, a faturação [6].

Na Google [2], a resposta do modelo utiliza o nome e a descrição de cada campo do esquema. A Google recomenda nomes de campos claros e uma descrição que defina o papel de cada um [2]. Desaconselha copiar o esquema para a instrução: a qualidade da saída pode ressentir-se [2]. Observa também que a utilização da saída estruturada em modelos Gemini ajustados pode diminuir a qualidade do modelo [2].

A investigação trabalha sobre o mesmo problema. Um estudo publicado no arXiv em fevereiro de 2025 [7] construiu um banco de ensaio de cerca de 40 000 esquemas JSON diferentes e constata que os LLM mais recentes ainda têm dificuldade em produzir uma cadeia JSON válida [7]. Outro, de maio de 2025 [8], mede separadamente a exatidão do esquema e a fidelidade do conteúdo [8].

## O que faz

Estes gestos destinam-se a quem configura uma extração ou utiliza o seu resultado.

- Prever o valor vazio. Para qualquer campo cuja informação possa faltar no texto, utilizar a possibilidade descrita pela Microsoft [1]: um tipo que aceita o valor null. Um campo obrigatório obriga a um valor [2].
- Nomear e descrever cada campo. A Google [2] recomenda nomes sem ambiguidade e um campo de descrição para o papel de cada campo.
- Validar o resultado. Se o esquema não puder ser definido de antemão, a Google [2] recomenda um validador JSON do lado do cliente, com uma nova tentativa em caso de falha. A OWASP [5] recomenda validar automaticamente as saídas-chave, sobretudo nos ambientes de risco elevado [5]. Com o modelo databricks-claude-opus-5, um pedido pode devolver um motivo de paragem do tipo filtro de conteúdo quando o modelo recusa o pedido, e a saída pode então não respeitar o esquema: o Azure Databricks [6] indica que se verifique este motivo de paragem antes de analisar a saída.
- Não executar nada sem controlo. A OWASP [4] aconselha a tratar o modelo como qualquer outro utilizador (abordagem zero-trust) e a validar as suas respostas antes de as transmitir às funções da aplicação. Recomenda também consultas parametrizadas para qualquer operação de base de dados que toque numa saída do modelo [4].
- Cruzar com fontes fiáveis. A OWASP [5] incentiva os utilizadores a comparar as saídas com fontes externas de confiança.
- Pedir a revisão quando o risco é elevado, como na pergunta sobre a revisão acima [5].

## As armadilhas

Um campo obrigatório empurra para um valor plausível. A Google [2] indica que um campo declarado obrigatório obriga o modelo a fornecer um valor e que, na falta de contexto, responde sobretudo com base nos seus dados de treino [2]. O NIST [3] observa que estes erros são apresentados com convicção: o risco nasce quando os utilizadores acreditam num conteúdo falso por causa do tom confiante da resposta [3].

Uma justificação não é uma prova. O NIST [3] salienta que os modelos fornecem por vezes etapas lógicas para explicar uma resposta mesmo quando essa resposta é falsa, o que pode levar a confiar demasiado neles [3]. Um campo «explicação» preenchido pelo modelo não prova, portanto, nada.

Forma válida e conteúdo fiel são duas medidas. No estudo de maio de 2025 [8], um modelo Mistral-7B ajustado com descodificação restringida atinge uma exatidão de esquema de 99,5 % e uma semelhança de conteúdo de 94,0 % [8].

A confiança excessiva agrava o erro. A OWASP [5] define o recurso excessivo à IA como uma confiança exagerada no conteúdo gerado, sem verificar a sua exatidão, e observa que os utilizadores podem então integrar dados incorretos em decisões ou processos críticos [5].

Uma saída bem formada pode continuar a ser perigosa. A OWASP [4] dá o cenário de um utilizador que pede, através de uma funcionalidade de conversação (chat), uma consulta SQL que apague todas as tabelas de uma base de dados: se a consulta produzida pelo modelo não for examinada, todas as tabelas são apagadas [4].

## Fontes

1. Microsoft, «How to use structured outputs with Azure OpenAI in Microsoft Foundry Models - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs (consultado em 14 de novembro de 2026)
2. Google, «Structured output | Gemini Enterprise Agent Platform | Google Cloud Documentation». https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output (consultado em 14 de novembro de 2026)
3. NIST, «Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile». https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (consultado em 14 de novembro de 2026)
4. OWASP, «LLM05:2025 Improper Output Handling», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/ (consultado em 14 de novembro de 2026)
5. OWASP, «LLM09:2025 Misinformation», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultado em 14 de novembro de 2026)
6. Microsoft, «Structured outputs on Azure Databricks - Azure Databricks». https://learn.microsoft.com/en-us/azure/databricks/machine-learning/model-serving/structured-outputs (consultado em 14 de novembro de 2026)
7. arXiv, «Learning to Generate Structured Output with Schema Reinforcement Learning», 26 de fevereiro de 2025. https://arxiv.org/abs/2502.18878 (consultado em 14 de novembro de 2026)
8. arXiv, «SLOT: Structuring the Output of Large Language Models», 6 de maio de 2025. https://arxiv.org/abs/2505.04016 (consultado em 14 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/saidas-estruturadas-ia-esquema-json/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.
