Prompt bom não é sobre pedir certo. É sobre saber o que você queria antes de perguntar

Vejo muita gente colecionando "técnicas de prompt" como quem coleciona atalho de teclado: acha que decorar mais comando resolve um problema que na verdade é de clareza, não de sintaxe.

Um prompt ruim quase nunca é ruim por falta de técnica. É ruim porque a pessoa não sabia, com precisão, o que estava pedindo. E isso não é um problema que fórmula resolve, porque fórmula assume que você já sabe o objetivo — ela só ajuda a expressar um objetivo que já está claro.

As três perguntas que resolvem 80% do problema

Antes de escrever qualquer prompt, responda:

• Pra quem é esse resultado? Um relatório pra você mesmo revisar depois é diferente de um texto que vai direto pro cliente. O nível de polimento, o tom, até o vocabulário mudam completamente dependendo de quem vai ler.
• Que decisão isso vai destravar? Se a resposta não muda nenhuma ação sua, você não precisa da resposta — precisa de outra pergunta. Muita gente pede informação que não vai usar pra nada, só porque "seria bom saber".
• O que "bom" parece, concretamente? Não "um texto melhor". Melhor em quê: mais curto, mais direto, com mais dado, com menos jargão? Se você não consegue descrever o resultado bom em uma frase concreta, a IA também não vai conseguir gerar ele — vai chutar, e o chute raramente acerta de primeira.

Por que isso importa mais que técnica

Técnica de prompt otimiza a resposta pra uma pergunta que já está bem feita. Se a pergunta está mal feita, a melhor técnica do mundo só entrega uma resposta mal feita mais rápido. É otimização aplicada no lugar errado do processo.

Isso é literalmente a mesma lógica de briefing que já existia antes de qualquer IA: briefing ruim, entrega ruim, não importa quão bom é quem executa. Sempre foi assim com equipe humana. Continua sendo assim com modelo de linguagem — a ferramenta mudou, o problema de sempre continua o mesmo.

As cinco camadas de contexto que ninguém inclui

Depois de resolver as três perguntas acima, o prompt em si fica muito mais fácil — mas ainda existe um segundo gargalo: contexto insuficiente. Um prompt completo geralmente precisa de cinco camadas, e a maioria das pessoas só usa uma ou duas:

1. Papel. Quem a IA deveria "ser" pra essa tarefa — não como teatro, mas como forma de ativar o vocabulário e a perspectiva certa. "Responda como um analista financeiro cético" gera resultado diferente de "responda como um redator publicitário".
2. Situação. O que está acontecendo ao redor da tarefa. Um e-mail de cobrança pro terceiro atraso de um cliente importante é diferente de um e-mail de cobrança padrão — e a IA só sabe disso se você contar.
3. Restrição. O que não pode acontecer. Tamanho máximo, palavras proibidas, tom que precisa ser evitado. Restrição negativa é tão útil quanto instrução positiva, e quase ninguém inclui.
4. Exemplo. Um modelo do que "bom" parece na prática. Um exemplo concreto vale mais que três parágrafos de descrição abstrata do estilo que você quer — pedir uma criação do zero sem dar esse exemplo faz a IA chutar seu padrão em vez de replicar o que já foi validado na prática.
5. Formato de saída. Lista, parágrafo corrido, tabela, com ou sem título. Parece óbvio, mas é a camada mais esquecida — e a que mais gera retrabalho quando sai errada.

Você não precisa das cinco em todo prompt. Mas quando um resultado sai genérico ou fora do alvo, quase sempre é porque uma dessas camadas ficou de fora, não porque a IA "não entendeu".

O erro de tratar prompt como pergunta única

Outro hábito que atrapalha: tratar cada prompt como uma pergunta isolada, quando na verdade a maioria das tarefas boas é uma conversa. A primeira resposta raramente é a final — é um rascunho pra você refinar.

Em vez de tentar escrever o prompt perfeito de primeira, funciona melhor:

• Peça uma primeira versão simples.
• Aponte especificamente o que está errado ("está genérico demais", "faltou considerar X", "o tom está formal demais pro público").
• Deixe a IA ajustar em cima do que já existe, em vez de recomeçar do zero a cada tentativa.

Isso economiza mais tempo do que qualquer template pronto, porque o refinamento incremental corrige exatamente o que está errado, sem chutar uma reformulação completa.

Prompt não é mágica, é delegação

Pensa em prompt como você pensaria em delegar uma tarefa pra uma pessoa nova no time, alguém competente mas que não tem contexto nenhum sobre seu negócio. Você não diria só "escreve um post sobre marketing". Você diria pra quem é, por que está escrevendo, o que não pode faltar, e como espera que fique o resultado final.

Ninguém delega assim pra pessoa e espera que funcione bem. O mesmo raciocínio vale pra IA — só que como é rápido e sem custo aparente de "incomodar alguém", as pessoas pulam a parte de dar contexto, e depois reclamam que o resultado saiu genérico.

Um exemplo lado a lado

Compare dois prompts pedindo a mesma coisa, em teoria: escrever uma resposta pra um cliente insatisfeito.

Prompt fraco: "Escreva uma resposta educada pra esse cliente reclamando do atraso na entrega."

Prompt completo: "Você é o responsável pelo atendimento de uma loja online de médio porte. Um cliente fiel, que já comprou quatro vezes antes, está reclamando porque o pedido atrasou três dias além do prometido — o segundo atraso dele em seis meses. A resposta precisa reconhecer a frustração sem soar como desculpa genérica, oferecer uma compensação concreta (frete grátis na próxima compra), e não pode ultrapassar oito linhas. Aqui está um exemplo de tom que já funcionou bem antes: [exemplo]. Formato: e-mail direto, sem saudação formal excessiva."

O segundo prompt inclui papel (responsável pelo atendimento), situação (cliente fiel, segundo atraso), restrição (oito linhas, sem desculpa genérica), exemplo (tom que já funcionou), e formato (e-mail direto). O resultado sai praticamente pronto pra usar. O primeiro prompt vai gerar uma resposta genérica, tecnicamente educada, mas que poderia ter sido escrita pra qualquer cliente, em qualquer situação — e provavelmente vai precisar de reescrita quase completa.

A diferença não está na "qualidade" da IA usada. Está inteiramente na quantidade de contexto real fornecido antes de pedir o resultado.

Quando um prompt curto é o certo

Nem toda tarefa precisa das cinco camadas. Pra tarefas de baixo risco e alta repetição — resumir um texto, extrair uma lista, reformatar dados — um prompt direto e curto costuma bastar, porque o espaço de "resultado errado" é pequeno e fácil de corrigir olhando rápido.

As cinco camadas importam mais quanto maior o custo de um resultado genérico: comunicação que vai direto pro cliente, texto que representa sua marca publicamente, decisão que outras pessoas vão ler e agir em cima. Calibrar o esforço de contexto pelo risco da tarefa evita o exagero de escrever prompt longo pra coisa simples, e evita o erro oposto de usar prompt curto pra coisa que exigia cuidado.

Criando templates reutilizáveis pra tarefas recorrentes

Se você percebe que está escrevendo prompts parecidos pra mesma tarefa repetidamente — resumir reunião, responder um tipo comum de e-mail, gerar primeira versão de post pra uma categoria específica — vale investir tempo uma única vez pra transformar isso num template com as cinco camadas já preenchidas, deixando só os detalhes específicos de cada situação pra completar.

Um template bem construído tem os espaços variáveis claramente marcados: "Você é [papel]. A situação é [contexto que muda a cada vez]. Não pode [restrição fixa]. Aqui está um exemplo do padrão esperado: [exemplo fixo]. Formato: [formato fixo]." Toda vez que a tarefa se repete, você só precisa preencher a parte que realmente muda, em vez de reconstruir o raciocínio do zero.

Isso resolve um problema comum: a sensação de que "cada vez preciso pensar tudo de novo" com IA. Na real, o raciocínio sobre papel, restrição e formato quase nunca muda pra uma tarefa recorrente — só o conteúdo específico muda. Templatizar isso separa o que é reutilizável do que é variável, e reduz o prompt de cada uso a poucas linhas.

O papel da revisão humana

Nada disso substitui revisar o resultado antes de usar, principalmente em comunicação que representa você ou sua marca publicamente. Prompt bem construído reduz drasticamente a taxa de resultado genérico ou fora do alvo, mas não elimina completamente a necessidade de revisão — assim como um funcionário bem treinado ainda se beneficia de um segundo olhar em tarefa importante, especialmente no início.

A diferença prática é que, com prompt bem construído, a revisão vira ajuste fino em vez de reescrita completa. Isso é o verdadeiro ganho: não eliminar a etapa de revisão, mas reduzir drasticamente o esforço que ela exige.

Prompt não substitui conhecimento do assunto

Um limite importante: prompt bem construído melhora muito a qualidade do resultado, mas não compensa a falta de conhecimento sobre o assunto de quem está pedindo. Se você não sabe avaliar se uma resposta jurídica, financeira ou técnica está correta, nenhuma estrutura de prompt resolve isso — ela só garante que o formato e o direcionamento estejam melhores, não que o conteúdo substantivo esteja certo.

Isso significa que, em áreas onde o erro é caro — decisão financeira, comunicação legal, orientação de saúde — o prompt bem feito continua exigindo revisão de alguém que entende do assunto o suficiente pra identificar um erro plausível mas incorreto. A IA fica melhor em produzir algo que parece certo; a responsabilidade de confirmar que está certo continua sendo sua.

O hábito que mais compensa a longo prazo

De todas as práticas mencionadas aqui, a que mais compensa com o tempo é simplesmente guardar os prompts que funcionaram bem. A maioria das pessoas resolve um problema com um bom prompt, usa uma vez, e esquece completamente — recriando o mesmo raciocínio do zero semanas depois, quando o problema parecido aparece de novo. Um repositório simples, mesmo que seja só um documento de texto organizado por tipo de tarefa, transforma cada prompt bom em um ativo reutilizável em vez de um esforço descartado.

Com o tempo, esse repositório vira também um espelho do seu próprio raciocínio: revisitar prompts antigos frequentemente revela padrões de como você pensa sobre determinado tipo de problema, o que ajuda a refinar não só o prompt em si, mas a clareza do seu próprio processo de decisão por trás dele.

Um exercício prático

Da próxima vez que um resultado de IA sair ruim, antes de tentar de novo com outra fórmula de prompt, pare e responda: eu disse pra quem era? Eu disse que decisão isso ia destravar? Eu descrevi o que "bom" parece? Eu dei pelo menos uma das cinco camadas de contexto?

Na grande maioria das vezes, a resposta vai revelar que o problema nunca foi a ferramenta. Foi a pergunta.