Quase toda reclamação de que "a IA é genérica" é reclamação sobre um prompt de uma linha. Quando a IA generativa virou mainstream, em 2023, o mercado correu para o ChatGPT e voltou dizendo que a ferramenta entregava textão sem alma. Eu voltei dizendo a mesma coisa, e estava errado junto com todo mundo.
Meus primeiros prompts eram ruins de um jeito específico: eu pedia "analisa meus concorrentes" e recebia exatamente o que aquele pedido merecia. A máquina não sabia quem eu era, para que servia a análise, nem em que formato eu conseguiria usá-la no dia seguinte com o cliente.
O que mudou o resultado não foi escrever mais. Foi estruturar. Eu testei essas estruturas no período em que estava atendendo Friboi e M. Dias Branco, com problema real de share e prazo real de cliente em cima. O que funcionou virou material de treinamento do time inteiro, e é o que está aqui.
Neste guia estão as três estruturas que uso, mais a combinação delas para quando o problema é criativo:
- PTF (Papel, Tarefa e Formato), para tarefa recorrente
- PMT (Problema, Meta e Tarefa), para problema de negócio
- PET (Papel, Entrada e Tarefa), para quando existe referência de qualidade
- a estrutura turbinada, para quando o pedido é criativo
Aviso sobre os exemplos: todos os números dentro dos prompts de exemplo deste artigo são ilustrativos, criados para demonstrar o formato do comando. Eles não representam dados de mercado nem indicadores reais das marcas mencionadas.
O que é engenharia de prompt?
Engenharia de prompt é a prática de estruturar a instrução dada a um modelo de linguagem de modo que a resposta chegue com o nível de especialidade, o recorte e o formato que a tarefa exige. Ela não é sobre escrever textos longos para a máquina: é sobre eliminar ambiguidade.
A razão pela qual isso funciona está no mecanismo do modelo. Uma LLM calcula a continuação mais provável do que você escreveu, e não existe continuação provável genérica: existe a continuação provável de um pedido genérico, que é uma resposta genérica. Escrevi em detalhe sobre por que a máquina se comporta assim no artigo sobre como a inteligência artificial funciona.
Há evidência de que a posição da instrução dentro do prompt também importa. Nelson Liu e coautores mediram, em paper publicado na TACL em 2024, que modelos recuperam informação com muito mais precisão quando ela está no início ou no fim do contexto, e perdem performance quando o dado relevante fica no meio. Regra prática que decorre disso: a instrução principal abre o prompt, e volta a aparecer no fim quando você colou muito material de apoio no meio.
Qual estrutura de prompt usar em cada situação?
A escolha da estrutura depende do que você tem em mãos antes de escrever o prompt: uma tarefa repetitiva, um problema de negócio ou uma referência de qualidade.
| Estrutura | Use quando | O que ela resolve | Componentes |
|---|---|---|---|
| PTF | A tarefa é recorrente e você sabe descrever o entregável | Resposta sem nível de especialidade definido | Papel, Tarefa, Formato |
| PMT | Existe um problema de negócio com número e prazo | IA propondo solução sem entender a dor | Problema, Meta, Tarefa |
| PET | Você tem exemplos do padrão de qualidade desejado | Output tecnicamente correto e criativamente medíocre | Papel, Entrada, Tarefa e Expectativa |
| Turbinada | O pedido é criativo e a régua é subjetiva | Ideia genérica em briefing aberto | Contexto, Tarefa, Meta e Exemplo âncora |
PTF: Papel, Tarefa e Formato
A estrutura PTF define quem a IA deve ser, o que exatamente deve fazer e em que formato deve entregar. Foi a primeira que entrou no meu dia a dia e continua sendo a mais usada, porque ela reproduz o que você já faz ao delegar dentro de uma equipe: você escolhe a pessoa certa, descreve a tarefa e combina o entregável.
Papel. Define a persona de quem executa. O melhor caminho é engenharia reversa: pense no resultado desejado e pergunte qual profissional entregaria aquilo. "Você é um Diretor de Estratégia Digital com 10 anos de mercado" produz resposta diferente de "me ajuda com estratégia".
Tarefa. Descreve o que fazer, de forma cirúrgica. Escopo vago devolve resposta vaga, sempre.
Formato. Determina como o resultado chega. Tabela, matriz, tópicos, roteiro, número de linhas. A IA entrega no formato pedido, e formato errado significa retrabalho manual.
Exemplo real de uso, num levantamento de contexto competitivo que eu repetia com frequência:
"Como um pesquisador de mercado sênior, analise as estratégias de posicionamento dos concorrentes ABC no segmento XYZ, com foco em atributos de comunicação e preço. Entregue em matriz com coluna de marca, posicionamento verbal, público-alvo e estratégia de preço. Inclua uma coluna final com gaps de mercado que nenhum concorrente está explorando."
A diferença em relação a "analisa meus concorrentes" não é de tamanho. É que essa versão devolve um documento que entra na reunião do dia seguinte sem passar por reformatação.
PMT: Problema, Meta e Tarefa
A estrutura PMT expõe o problema de negócio com número, define a meta com prazo e só então pede a solução. Ela existe para o caso em que o pedido "me dá ideias de comunicação" é feito sem contexto, deixando o modelo escolher sozinho entre crescer participação, viralizar, criar categoria ou consolidar liderança. São estratégias incompatíveis entre si, e sem o problema declarado a IA opta pela mais genérica.
Problema. A dificuldade real, com número. Não "nossa marca está mal", mas a queda específica, no segmento específico, no período específico.
Meta. Onde chegar e em quanto tempo, também com número.
Tarefa. O que exatamente você está pedindo para resolver aquilo.
Usei essa estrutura no momento em que ela era mais necessária: planejamento anual com a Friboi, depois de uma pesquisa quantitativa grande com consumidor. O problema não era falta de informação, era excesso. Havia tanto caminho possível que o time travava na hora de escolher. O PMT funcionou como filtro.
"Problema: nossa marca caiu de 18% para 16% de preferência no segmento de churrasco em um ano, enquanto o consumidor mudou a percepção sobre praticidade e sustentabilidade. Meta: recuperar para 22% de preferência em 12 meses. Tarefa: crie cinco cenários de estratégia de comunicação que enderecem essas mudanças de comportamento, priorizando os canais com maior retorno para a categoria."
O retorno não foram ideias soltas: foram cenários acionáveis, cada um atacando um ângulo diferente do mesmo problema. Isso permitiu levar ao cliente uma discussão sobre qual cenário fazia mais sentido para o negócio, em vez das três alternativas óbvias que sempre aparecem em brainstorm.
PET: Papel, Entrada e Tarefa
A estrutura PET entrega ao modelo um material de referência antes de pedir a execução, para que ele infira o padrão de qualidade em vez de adivinhá-lo. É a estrutura mais subutilizada das três e a que produz o salto mais visível em tarefa criativa.
Papel. A persona de quem executa, como no PTF.
Entrada. O material que o modelo vai estudar antes de agir. Campanhas premiadas da categoria, documento de boas práticas, cases que você quer usar como régua, exemplos de tom de voz aprovados. Quanto mais rico o insumo, menos o modelo precisa inventar o critério.
Tarefa e Expectativa. O que fazer e o que caracterizaria uma entrega boa. A expectativa explícita é o que impede o modelo de acertar a tarefa e errar o alvo.
Quando treinei meu time em IA, o gargalo não era conhecimento de ferramenta: era alfabetização. As pessoas recebiam resposta genérica porque não davam insumo nenhum. Um redator precisava de copy para um anúncio de produto, pediu "cria um copy interessante" e recebeu o que aquele pedido produz. Depois aplicou PET:
"Como redator de publicidade com experiência em produtos premium, analise estes cinco exemplos de copy que consideramos excelentes [exemplos colados]. Agora crie três variações de copy para o meu produto seguindo o mesmo padrão de estrutura, tom desafiador e abordagem de benefício emocional."
A diferença foi grande o suficiente para que as opções passassem a ser aproveitáveis em trabalho de cliente. Exemplo vale mais que instrução: mostrar o padrão é mais eficiente do que descrevê-lo.
A estrutura turbinada: quando o pedido é criativo
A estrutura turbinada combina contexto, tarefa, meta e um exemplo âncora de sucesso, e serve para briefing criativo, em que a régua de qualidade é subjetiva e difícil de descrever em palavras.
O elemento decisivo é o exemplo âncora. Sem ele, o modelo precisa deduzir o nível de ousadia aceitável, e a dedução mais segura é a mais convencional.
"Vamos lançar uma nova linha de biscoitos saudáveis para o público feminino adulto. Preciso de insights que gerem curiosidade e experimentação. Um exemplo bem-sucedido é a campanha Real Beauty, da Dove, que reposicionou o padrão de beleza da marca. Quero algo com esse nível de provocação e relevância para o meu produto."
Citar uma campanha real como referência de ambição é diferente de pedir imitação de estilo. A primeira comunica régua, a segunda cria risco de semelhança indevida com trabalho de terceiro. A referência entra como parâmetro de nível, não como molde.
O que mudou na equipe quando as estruturas passaram a ser obrigatórias
Três mudanças apareceram quando parei de sugerir as estruturas e passei a exigi-las como padrão de trabalho.
A qualidade das respostas subiu porque o pedido passou a carregar contexto. O tempo de iteração caiu porque acertar em duas ou três rodadas substituiu o vai e volta de dez ajustes. E a confiança do time em IA aumentou justamente quando as pessoas pararam de esperar mágica: a máquina passou a ser tratada como um profissional que precisa de briefing, com a diferença de que ela absorve o briefing na hora.
Vale registrar o efeito colateral mais útil: escrever o prompt obrigou cada pessoa a explicitar o que ela queria. Boa parte do ganho não veio do modelo. Veio de alguém precisar escrever, pela primeira vez, o que considera um bom entregável.
Perguntas frequentes
O que é engenharia de prompt?
Engenharia de prompt é a prática de estruturar a instrução dada a um modelo de linguagem para que a resposta chegue com o nível de especialidade, o recorte e o formato exigidos pela tarefa. Ela não depende de escrever prompts longos, e sim de eliminar ambiguidade: definir quem executa, o que exatamente deve ser feito e como o resultado precisa chegar.
Qual é a melhor estrutura de prompt?
Não existe estrutura única. PTF (Papel, Tarefa e Formato) serve para tarefa recorrente com entregável conhecido. PMT (Problema, Meta e Tarefa) serve quando existe um problema de negócio com número e prazo. PET (Papel, Entrada e Tarefa) serve quando você tem exemplos do padrão de qualidade desejado. A escolha depende do que você tem em mãos antes de escrever.
Como fazer a IA parar de dar respostas genéricas?
Resposta genérica é consequência de pedido genérico. Três correções resolvem a maior parte dos casos: atribuir um papel específico ao modelo, declarar o problema com número em vez de adjetivo, e fornecer exemplos do padrão de qualidade desejado. Liu e coautores mostraram, em paper na TACL de 2024, que também importa onde a instrução está: começo e fim do prompt são as posições em que o modelo presta mais atenção.
Preciso escrever prompts longos para a IA funcionar bem?
Comprimento não é o que determina qualidade. Um prompt de quatro linhas com papel, tarefa e formato definidos supera um prompt de duas páginas sem recorte. O que importa é a densidade de informação útil: papel, contexto, restrição e formato. Material de apoio colado no meio do prompt pede repetição da instrução principal no final.
Por que dar exemplos melhora tanto a resposta da IA?
Exemplo comunica o padrão de qualidade sem precisar descrevê-lo. Descrever "tom desafiador" em palavras deixa margem de interpretação; mostrar cinco textos com esse tom elimina a margem. Por isso a estrutura PET, que inclui material de referência antes da tarefa, produz o salto mais visível em pedidos criativos.
Como treinar uma equipe para usar IA no dia a dia?
O caminho que funcionou no meu time foi tornar as estruturas obrigatórias em vez de opcionais, começando pela mais simples (PTF) nas tarefas que a pessoa já executa toda semana. O ganho inicial não vem do modelo: vem de a pessoa precisar escrever o que considera um bom entregável, o que quase nunca está registrado em nenhum lugar.
Conclusão
Engenharia de prompt não é escrever um livro para a máquina, é arquitetar o comando com a mesma precisão com que um diretor de arte distribui os elementos de um anúncio: cada parte tem função. As três estruturas deste artigo cobrem a maior parte do trabalho de uma operação de marketing, e a sequência de adoção importa: PTF nas tarefas de toda semana, PMT quando aparecer um problema de negócio com número, PET e turbinada quando o pedido for criativo.
O aprendizado só acontece executando. Abra a ferramenta que você usa, pegue a tarefa mais repetitiva da sua semana e reescreva o pedido com papel, tarefa e formato. Me conte nos comentários qual estrutura resolveu mais rápido o seu caso: costumo usar essas respostas para pautar os próximos textos.