Prompts ajudam, sistemas escalam

A maioria das empresas conheceu a IA por meio de uma caixa vazia e um cursor piscando. O que saía dependia do que entrava, então as pessoas aprenderam a escrever prompts. Algumas ficaram muito boas nisso. Os colegas pediam as palavras mágicas, as palavras eram coladas em documentos e chats, e nasceu um novo tipo de folclore.

Escrever bons prompts importa, e vale a pena fazer isso bem. Mas uma empresa não pode funcionar à base de folclore. Veja o que torna um prompt bom, o que os próprios laboratórios recomendam e por que as empresas que mais aproveitam a IA deixam de depender de prompts engenhosos.

Um prompt ruim e um bom

Pense em um pedido que toda equipe de marketing faz. A versão ruim diz: escreva um post no LinkedIn sobre o nosso novo serviço.

O modelo não tem com o que trabalhar, então escreve o post médio do LinkedIn sobre o serviço médio, com uma pergunta na abertura, uma fileira de emojis e uma chamada para ação. Não está errado. Só não é de ninguém.

A versão boa diz quem escreve e para quem, o que é o serviço e quanto custa, o que o leitor deve fazer em seguida, qual o tamanho máximo do post e quais palavras a empresa nunca usa. Inclui dois posts anteriores que funcionaram, marcados como exemplos. E diz o porquê: o post vai para líderes de finanças céticos em relação à IA, então deve abrir com um fato, não com uma promessa.

O segundo prompt é muito mais longo, e tem muito mais chance de gerar um rascunho que alguém possa usar. A diferença não é engenhosidade. É contexto.

O que os laboratórios recomendam

Os guias oficiais dos três grandes laboratórios dizem praticamente a mesma coisa.

O guia da Anthropic para o Claude pede que você “pense no Claude como um funcionário brilhante, mas novo, que não tem contexto sobre as suas normas e os seus fluxos de trabalho”. Sua regra de ouro: “Mostre o seu prompt a um colega com o mínimo de contexto sobre a tarefa e peça que ele o siga. Se ele ficar confuso, o Claude também ficará.” O guia também mostra por que motivos funcionam melhor do que ordens. Em vez de escrever em maiúsculas que nunca se deve usar reticências, explique que a resposta será lida em voz alta por um sistema de conversão de texto em fala que não consegue pronunciá-las. O modelo generaliza a partir do motivo.

O guia da OpenAI recomenda dar ao modelo o contexto de que ele precisa e exemplos de entradas possíveis com as saídas desejadas, cobrindo uma gama variada de casos. Ele chama a escrita de prompts de “uma mistura de arte e ciência”.

O guia do Google para o Gemini recomenda incluir sempre alguns exemplos e avisa que prompts sem eles tendem a ser menos eficazes. Para tarefas complexas, sugere transformar cada etapa em um prompt próprio e encadear um ao outro. E é honesto sobre o processo: “A engenharia de prompts é iterativa.”

Por que prompts não escalam

Leia esses guias de novo e repare no que eles pressupõem: alguém que conhece as normas da empresa, tem os exemplos certos à mão e tem tempo para iterar. Na maioria das equipes, isso descreve poucas pessoas, num dia bom.

Todos os outros copiam um prompt de um chat, mudam uma palavra e recebem um resultado diferente. O prompt que funcionava na primavera se comporta de outro jeito depois de uma atualização do modelo. Duas equipes mantêm duas versões, com regras que se contradizem. Um dos próprios guias de prompts da OpenAI avisa que instruções contraditórias ou vagas podem prejudicar ainda mais um modelo de raciocínio, porque ele gasta esforço tentando conciliá-las. O exemplo é um assistente de saúde instruído a nunca agendar uma consulta sem o consentimento registrado do paciente e, ao mesmo tempo, a marcar o primeiro horário disponível sem falar antes com o paciente.

É por isso que a OpenAI trata prompts como software. Seu guia orienta os desenvolvedores a manter os prompts de produção no código da aplicação, a fixar as aplicações em snapshots específicos do modelo e a criar testes e conjuntos de avaliação que meçam como os prompts se comportam. É o oposto de uma biblioteca de prompts em um documento compartilhado.

O custo aparece nos resultados. A iniciativa NANDA, do MIT, relatou no ano passado que apenas cerca de 5 por cento dos pilotos de IA que estudou alcançaram uma aceleração rápida da receita. A Fortune resumiu a causa como uma lacuna de aprendizado: as ferramentas genéricas emperram nas empresas porque não aprendem com a forma como o trabalho é feito nem se adaptam a ela.

Dos prompts aos sistemas

Os próprios laboratórios já tiraram essa conclusão. A Anthropic hoje fala em engenharia de contexto, e não mais em engenharia de prompts: fazer a curadoria de tudo o que o modelo vê, não só da instrução, e encontrar o menor conjunto possível de tokens de alto sinal que torne provável o resultado certo. Seus engenheiros alertam para dois modos de falha: de um lado, uma lógica frágil fixada no próprio prompt; do outro, orientações vagas que não dão ao modelo nada de concreto.

A resposta prática são as habilidades (skills). A Anthropic as descreve como “pastas organizadas de instruções, scripts e recursos” que um agente carrega quando precisa delas, e compara escrever uma a “montar um guia de integração para um novo contratado”. Em um post sobre design, a mesma empresa escreveu que as habilidades tornam prompts eficazes reutilizáveis e contextuais, para que ninguém precise repetir as mesmas orientações a cada pedido. Desde dezembro de 2025, o formato é um padrão aberto.

Uma habilidade é um bom prompt escrito uma única vez, com seus motivos, seus exemplos e suas verificações, testado e colocado onde todos os assistentes da empresa conseguem encontrá-lo. Some a isso o conhecimento da empresa, suas regras e suas conexões com sistemas reais, e você tem um cérebro da empresa. A partir daí, a qualidade deixa de depender de quem digitou.

Como ajudamos

Esse é o trabalho por trás do Twin. Descobrimos como uma empresa realmente funciona, melhoramos o processo onde for preciso e então construímos o cérebro dela: conhecimento com a fonte em cada resposta, habilidades para cada função escritas nas convenções da empresa, integrações com os seus sistemas, e regras e permissões por função. Ele roda no assistente que a equipe já usa, seja o Claude, o ChatGPT ou o Codex, e a empresa recebe o código-fonte.

Sem o Twin, cada prompt começa do zero e a qualidade depende de quem pergunta. Com o Twin, cada resposta parte da empresa, com um único padrão em cada mesa.

Rodamos a crue da mesma forma: mais de 80 habilidades e um cérebro para cada um dos nossos produtos, no Claude e no ChatGPT e no nosso próprio hardware, com o nosso próprio modelo. Quando os dados são sensíveis demais para sair de casa, existe o Eigna, desenvolvido pelo nosso parceiro Eigna Labs: um modelo privado treinado com os arquivos, as regras e a linguagem da própria empresa, rodando na nuvem dela ou em seus próprios servidores, e retreinado em etapas que só entram no ar quando se saem melhor nos testes.

O que uma empresa pode fazer

Continue escrevendo bons prompts e aprenda o básico nos guias acima. Depois reúna os dez prompts que as suas melhores pessoas realmente usam e pergunte o que cada um deles sabe que o modelo não sabe. Escreva isso uma única vez: o contexto, os motivos, os exemplos, as regras e a verificação no final. Dê a cada um deles um responsável e um teste, e coloque-o onde todos os assistentes possam alcançá-lo. Isso é uma habilidade.

Queremos que a máquina assuma a rotina, os primeiros rascunhos e as consultas, e que faça tudo isso mais rápido e com mais consistência do que qualquer um de nós. O julgamento, o contato pessoal com os clientes e a responsabilidade pelo que é enviado ficam com as pessoas, e um bom sistema dá a elas mais tempo exatamente para isso.

Um prompt engenhoso torna uma pessoa mais rápida. Um sistema torna a empresa inteira melhor, e continua funcionando depois que a pessoa engenhosa já foi para casa.