[Editor’s Note: This is the third in a series by Oren Etzioni about AI usage and best practices. See also “AI Coach or AI Ghostwriter? The Choice Is Yours,” and “How to read with AI.”]
Um amigo pediu a opinião do ChatGPT sobre um assunto profissional e recebeu uma resposta banal e sem brilho. Sugeri que ela tentasse uma abordagem diferente: pedisse 15 ideias diferentes, examinasse-as, escolhesse as duas que pareciam mais promissoras e depois pedisse ao ChatGPT para refinar. Ela voltou muito feliz. ChatGPT não ficou mais inteligente, mas ficou melhor em dicas.
Esta é minha jogada favorita: peça muitas opções à IA, aprofunde-se nas opções promissoras e, o mais importante, se você não tiver sucesso na primeira vez, avise, avise novamente!
O que se segue são conselhos práticos sobre como usar a IA como uma ferramenta poderosa em vez de uma máquina caça-níqueis. Para uma solicitação simples, é um exagero, mas se você leva a sério a solicitação, proceed lendo.
A orientação da própria Anthropic para estimular Claude contém uma dica útil: trate o modelo como um novo funcionário brilhante, mas de mente literal, em seu primeiro dia. Eles são capazes. Eles também são novos. Eles farão exatamente o que você pedir, então você terá que perguntar exatamente o que deseja.
A regra de ouro da equipe Anthropic é mostrar sua sugestão a um colega sem contexto e perguntar se ele poderia segui-la. Se a resposta for não, o modelo também não pode. Esse princípio gera vários hábitos que aumentam a qualidade da produção imediatamente, antes que qualquer uma das técnicas mais avançadas entre em ação.
Porém, uma advertência minha: não pense no modelo como uma pessoa. Não é. O enquadramento do “novo funcionário brilhante” é um ponto de partida útil, mas é uma metáfora, não uma realidade. Um novo contratado faz perguntas de acompanhamento, lembra o que você disse ontem e percebe quando uma instrução é idiota. Claude não faz nada disso por padrão. Apoie-se na metáfora para lembrar de ser específico e fornecer contexto, mas abandone-a no momento em que começar a esperar um julgamento humano que simplesmente não existe.
Aqui está o guide, organizado como uma lista para fácil referência e revisão periódica.
Seja específico sobre formato, duração, público e restrições.
Prompts vagos produzem resultados vagos. A solução é dizer o que você realmente deseja.
- Antes: Escreva sobre tendências de advertising.
- Depois: Analise as três tendências de advertising SaaS B2B mais significativas dos últimos seis meses. Para cada um, dê o exemplo de uma empresa e uma avaliação de uma frase sobre se a tendência irá acelerar ou estabilizar. Escreva-o como um resumo de 400 palavras para um quadro não técnico.
Melhorar a qualidade da prontidão muitas vezes significa simplesmente estabelecer restrições. Prompts vagos produzem respostas seguras, protegidas e enciclopédicas porque o modelo não tem sinal sobre o que otimizar e o padrão é a cobertura. Solicitações específicas produzem respostas opinativas e úteis porque as restrições eliminam as opções seguras, mas inúteis. Pedir “três” em vez de “algumas” forças de classificação. Pedir “acelerar ou estagnar” força uma chamada. Pedir “um resumo do conselho” determina o que será cortado. Cada restrição adicionada é uma decisão da qual o modelo não consegue mais se esquivar.
Forneça alguns exemplos.
Este é o movimento de maior alavancagem nas solicitações diárias. Os modelos captam padrões de exemplos mais rapidamente do que de descrições.
- Antes: Transforme essas notas de reunião em itens de ação.
- Depois: Transforme essas notas de reunião em itens de ação. Mix este formato: Exemplo 1: Observação: “Sarah analisará a questão de preços e entrará em contato conosco na próxima semana”. Merchandise de ação: Sarah → pesquisar opções de preços → vencimento na próxima sexta-feira. Exemplo 2: Nota: “Concordamos em impulsionar o lançamento.” Merchandise de ação: Equipe → revisar o cronograma de lançamento → previsto para antes da reunião de segunda-feira. Agora faça o mesmo para estas notas: [paste]
Diga ao modelo o que fazer, não o que não fazer.
As instruções negativas são mais fáceis de violar do que as positivas. Reenquadrar na afirmativa proporciona resultados mais limpos.
- Antes: Não seja muito formal. Não use jargões. Não torne isso chato.
- Depois: Escreva em um tom caloroso e coloquial, da mesma forma que um colega inteligente explicaria isso durante o café. Use inglês simples e frases curtas.
Mix o estilo do seu immediate com o estilo da saída desejada.
Este surpreende algumas pessoas. Se o seu immediate estiver cheio de marcadores e texto em negrito, o modelo retornará marcadores e texto em negrito. Se você quiser uma prosa fluida, escreva em prosa fluida.
Esses hábitos parecem modestos. Mas, aplicados em conjunto, eles recebem instruções desde o nível em que meu amigo estava operando, onde o ChatGPT parecia inútil, até um nível em que a IA rende dividendos a torto e a direito. As técnicas avançadas no restante desta peça se baseiam nessa base, mas não resgatarão um immediate que falhe no básico.
Além do básico, aqui está um conjunto de hábitos eficazes que aparecem nas orientações da OpenAI, do Google, dos desenvolvedores em atividade e das pessoas que constroem sistemas de produção de IA para ganhar a vida. Estas não são técnicas, mas sim disciplinas de fluxo de trabalho.
Iterar; trate os prompts como orientados a testes.
Seu primeiro immediate é um rascunho. Os profissionais mais experientes constroem pequenos conjuntos de casos de teste (as entradas que lhes interessam), executam seus prompts neles e refinam até que a saída seja consistentemente boa. Existem vários kits de ferramentas de código aberto para formalizar esse ciclo.
- Antes: Escreva o immediate. Experimente com um exemplo. Parece bom. Envie-o.
- Depois: Escreva o immediate. Escolha cinco entradas, incluindo os casos extremos estranhos. Execute o immediate em todos os cinco. Onde falhar, altere algo no immediate e teste novamente. Mantenha a versão que funciona na maioria dos casos.
Especifique uma definição de concluído.
A própria orientação da OpenAI para GPT-5 enfatiza dizer ao modelo o que conta como uma resposta finalizada. Sem isso, o modelo determine por si mesmo, muitas vezes parando na primeira resposta que pareça plausível.
- Antes: Ajude-me a depurar este erro do Python.
- Depois: Ajude-me a depurar este erro do Python. Você estará pronto quando: (1) tiver identificado a causa raiz, (2) tiver proposto uma correção específica com o código corrigido e (3) tiver explicado por que o authentic falhou. Se você não está confiante em nenhum desses três, diga-o explicitamente, em vez de adivinhar.
Calibre o esforço para a tarefa.
Os modelos de raciocínio modernos possuem mostradores de esforço ou pensamento. Baixo esforço para extração e triagem; alto para síntese e estratégia. A maioria dos usuários os deixa como padrão e paga por isso em problemas difíceis.
- Antes: Resuma este relatório de 80 páginas.
- Depois: Defina o esforço de pensamento para alto. Leia o relatório completo. Identifique as três descobertas mais importantes, as duas afirmações mais fracas e a única pergunta que devo fazer aos autores. Cite os números das páginas.
Injete o contexto atual ou proprietário diretamente.
Tenha cuidado para evitar jargões e abreviações desconhecidas do modelo (em vez da sigla PMO, diga “Undertaking Administration Workplace”). Os modelos não têm acesso aos seus documentos internos. Cole o materials relevante.
- Antes: Como devo estruturar uma seção de trabalho relacionada comparando minha estrutura com propostas anteriores de governança de agentes?
- Depois: Abaixo está minha seção de trabalho relacionada ao rascunho atual, além dos PDFs dos três artigos que estou posicionando (colados). Com base apenas nestas fontes, identifique pontos de sobreposição que ainda não reconheci e quaisquer afirmações no meu rascunho que os documentos citados não apoiariam de facto.
Crie uma biblioteca pessoal de prompts.
Este é um movimento poderoso para um profissional. Os padrões que funcionaram ontem provavelmente funcionarão amanhã. Pare de reescrevê-los do zero. Salve os prompts que produzem bons resultados de forma consistente, organizados por tipo de tarefa. Trate-os como documentos vivos e não como tentativas pontuais.
- Antes: Abra um novo bate-papo. Digite o enquadramento, as restrições, os exemplos e a pergunta de memória. Observe-se esquecer dois deles.
- Depois: Abra sua biblioteca de prompts. Copie o modelo “esboçar um memorando para meu gerente”. Cole o tópico específico de hoje e o materials de origem. Correr.
Aqui estão algumas coisas importantes que não devemos fazer:
Não diga aos modelos de raciocínio para “pensarem passo a passo”.
Modelos como o-series da OpenAI e o pensamento GPT-5 já fazem isso internamente. Adicionar a instrução pode prejudicar em vez de ajudar. Guarde-o para os modelos do dia a dia.
Não se apoie em instruções do tipo “não faça” ou “nunca” para tudo.
Os modelos, especialmente o Gemini, podem indexar excessivamente as amplas restrições negativas e degradar o raciocínio básico. Prefira enquadramentos positivos: diga ao modelo o que fazer.
Não confie na prosa polida como evidência de correção.
As alucinações são mais perigosas quando são bem escritas. Como indiquei em Como ler com IA, você deve verificar cuidadosamente os resultados da IA.
Não use linguagem agressiva (“CRÍTICO: VOCÊ DEVE…”).
Os modelos modernos respondem altamente às instruções comuns. Frases agressivas podem produzir resultados excessivamente cautelosos e desencadear recusas. Use uma linguagem regular.
Não inclua siglas indefinidas em seu immediate.
Eles degradam a produção de forma mensurável. Para pesquisas sobre o impacto de mudanças imediatas, consulte este artigo recente sobre Bancada frágil.
Não mude três coisas ao mesmo tempo durante a iteração.
Quando um immediate não estiver funcionando, altere uma variável, teste e altere a próxima. Caso contrário, você não sabe o que ajudou.
Não presuma que o mesmo immediate funciona em todos os modelos.
Famílias de modelos diferentes precisam de estímulos diferentes. A mesma instrução pode ajudar um e prejudicar outro. As configurações de temperatura e esforço que funcionam para GPT não são as que funcionam para Claude ou Gemini.
Não trate a primeira resposta como a ultimate.
Falhar na iteração é um modo de falha comum no uso diário da IA. Aqui está um truque para tornar a IA melhor em tarefas de várias etapas: após cada tentativa, faça com que a IA escreva uma breve crítica sobre o que deu errado e guarde essa nota em sua memória para a próxima tentativa. Nenhuma mecânica sofisticada, apenas o modelo “falando sozinho” em inglês simples. Na próxima tentativa, ele lê suas próprias reflexões passadas e se ajusta. Este loop pode produzir ganhos significativos em relação aos prompts únicos.
As pessoas que aproveitam ao máximo a IA não são aquelas que possuem os melhores modelos de immediate. São eles que tratam o modelo como uma ferramenta poderosa para o avanço do seu trabalho. Você não precisa aparecer com perfeita clareza sobre o que deseja. Um bom diálogo pode levar você até lá, trazendo à tona opções e perguntas que você não teria percebido por conta própria. O que não consegue é reconhecer a resposta certa quando ela aparece. Essa parte ainda depende de você.
Para leitura adicional …
Documentação do provedor:
Recursos para praticantes:
Nota do editor: GeekWire publica opiniões de convidados para promover discussões informadas e destacar uma diversidade de perspectivas sobre questões que moldam a comunidade de tecnologia e startups. Se você estiver interessado em enviar uma coluna de convidado, envie um e mail para [email protected]. As submissões são revisadas por nossa equipe editorial quanto à relevância e aos padrões editoriais.
