Um prompt avançado tem cinco partes escritas de propósito: o papel que o modelo assume, o contexto com os dados da empresa, a tarefa com o motivo dela, de três a cinco exemplos do resultado esperado e o formato de saída. Quem preenche as cinco recebe um texto pronto para revisar; quem pula alguma recebe a média do que o modelo já viu.
Na ordem em que entram no prompt, as cinco partes viram cinco passos:
- Defina o papel que o modelo assume, numa frase no início, como “Você é analista de mídia sênior de uma rede varejista brasileira”.
- Dê o contexto com os dados da empresa e explique por que cada regra existe.
- Descreva a tarefa e o motivo dela.
- Inclua de três a cinco exemplos variados do resultado esperado, separados das instruções por marcas como <exemplo>.
- Diga o formato de saída, como tabela, JSON ou Markdown, e o que fazer em vez do que evitar.
“Prompt avançado não é truque de digitação, é compreender que o modelo pensa em vetores de probabilidade, não em frases. Quem domina essa lógica conversa com a máquina; quem não domina apenas torce para ser entendido.”
— Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA, cofundador da AI Brasil e ex-CMO da Semantix (Nasdaq)
O papel é a parte mais barata e a mais esquecida. O guia de boas práticas de prompt da Anthropic (consulta em 10/10/2026) diz que definir um papel no prompt de sistema concentra o comportamento e o tom do modelo, e que uma única frase já faz diferença. Pedir que o modelo responda como analista de mídia sênior de uma rede varejista brasileira muda o vocabulário, o nível de detalhe e as ressalvas que ele inclui. O papel não substitui os dados: sem contexto, o analista sênior inventado continua respondendo de memória.
Quais técnicas de prompt usar e quando?
Resumo comparativo: o texto compara o prompt vago com o prompt avançado e bem estruturado.
| Dimensão | Prompt vago | Prompt avançado |
|---|---|---|
| Definição de papel | Ausente | Especialista claramente delimitado |
| Resultado | Saída genérica por neutralidade estatística | Resposta alinhada ao nicho |
| Estrutura do comando | Pedido único e direto | Raciocínio em cadeia por etapas |
| Uso de exemplos | Nenhum | Few-shot para padronizar o formato |
| Risco de alucinação | Maior | Reduzido |
Cada técnica resolve um defeito específico da resposta, e usar todas em todo pedido só deixa o comando longo. A tabela liga a técnica ao sintoma que ela corrige, com base no guia de boas práticas de prompt da Anthropic e no guia de engenharia de prompt da OpenAI, ambos consultados em 10/10/2026.
| Técnica | Quando usar | Sintoma que corrige | Como escrever |
|---|---|---|---|
| Papel | Sempre que o tom ou o nível técnico importam | Texto neutro demais, sem vocabulário do setor | Uma frase no início: “Você é analista de mídia sênior de uma rede varejista brasileira.” |
| Contexto com motivo | Quando a resposta depende de dado da empresa ou de uma restrição | Resposta que ignora o público, a verba ou a regra interna | Explique por que a regra existe: “o texto vai para o cliente final, por isso sem jargão” |
| Exemplos (few-shot) | Quando o formato precisa sair igual toda vez | Cada resposta com estrutura diferente | De três a cinco exemplos variados, cada um entre marcas como <exemplo> |
| Etapas (raciocínio em cadeia) | Análise com várias decisões encadeadas | Conclusão sem justificativa ou com salto lógico | Peça as etapas em ordem: ler os dados, apontar padrões, só então recomendar |
| Delimitadores | Quando o prompt mistura instrução e material de apoio | Modelo trata o documento colado como se fosse instrução | Separe com marcas XML (<dados>…</dados>) ou títulos em Markdown |
| Formato de saída | Quando o resultado vai para outra ferramenta ou planilha | Texto corrido onde se queria tabela ou JSON | Diga o formato e o que fazer, em vez do que evitar: “responda em tabela de três colunas” |
Uma ressalva vale para os modelos de raciocínio, aqueles que pensam em etapas internas antes de responder. O guia da OpenAI diz que eles produzem uma cadeia de raciocínio própria e rendem mais com orientação de alto nível, enquanto os modelos GPT comuns se beneficiam de instruções precisas. Para esses modelos, pedir etapas detalhadas costuma ser redundante; vale mais descrever o objetivo e o critério de qualidade.
O marketing é justamente onde a IA mais trabalha nos pequenos negócios brasileiros. Segundo levantamento do Sebrae com o FGV IBRE e o Google, feito em setembro de 2025, marketing e divulgação são a principal finalidade do uso de IA para 74% dos MEIs e 59% das micro e pequenas empresas (Agência Sebrae). Com tanta gente pedindo o mesmo tipo de texto às mesmas ferramentas, o comando genérico produz peças parecidas, e a técnica de prompt passa a ser o que diferencia o resultado.
Como aplicar o Chain-of-Thought em prompts?
A aplicação do raciocínio em cadeia (Chain-of-Thought) permite que o modelo decomponha tarefas complexas em etapas lógicas menores. Em vez de solicitar um relatório final, o prompt profissional instrui a IA a primeiro analisar os dados, depois identificar tendências de mercado e, finalmente, propor uma estratégia de alocação de orçamento. Esta abordagem garante que a conclusão seja fundamentada em uma sequência lógica verificável, essencial para auditorias internas de processos.
O que é Few-Shot Prompting e por que usar?
O uso de exemplos práticos dentro do comando, técnica conhecida como Few-Shot Prompting, é a maneira mais eficiente de ditar o formato e o rigor da resposta. O guia da Anthropic recomenda de três a cinco exemplos, variados entre si e separados das instruções por marcas como <exemplo>, para que o modelo replique a estrutura e a densidade de informação desejadas. No contexto de GEO (otimização para motores generativos, a disciplina de fazer a marca aparecer nas respostas das IAs), os exemplos ajudam a garantir que o conteúdo gerado contenha Fact-Density (densidade de fatos) e Information Gain (ganho de informação), os pilares que os algoritmos de busca generativa utilizam para citar marcas como fontes de autoridade.
Parâmetros de Restrição e Formatação Multimodal
A definição de restrições é tão importante quanto a atribuição de tarefas. O comando deve especificar o que não deve ser incluído, os limites de caracteres para cada seção e a estrutura de saída, seja ela em Markdown para blogs ou JSON para integração com sistemas de automação de marketing. Em 2026, a habilidade de integrar prompts multimodais, que combinam texto, planilhas de performance e referências visuais, permite que a IA atue como um verdadeiro braço direito estratégico na tomada de decisão baseada em dados reais.
O repertório de quem usa essas ferramentas também mudou. De acordo com o working paper How People Use ChatGPT, publicado pelo NBER em setembro de 2025, o ChatGPT havia sido adotado por cerca de 10% da população adulta mundial em julho de 2025, e as mensagens sem relação com trabalho passaram de 53% para mais de 70% do uso (estudo do NBER). Quem usa o modelo para trabalho divide a ferramenta com uma maioria de conversas pessoais, e o comando profissional precisa declarar contexto, formato e critério que a conversa casual dispensa.
Modelos de prompt prontos para copiar
Os três modelos abaixo cobrem os pedidos mais comuns de um time de marketing: briefing, revisão e análise de dados. Cada um traz as cinco partes, os campos entre colchetes para trocar e um exemplo curto de entrada e saída, para mostrar o formato que o modelo deve devolver.
Modelo 1: briefing de campanha
Você é planejador de campanhas de uma [empresa e setor].
Contexto: o produto é [produto], o público é [público], a verba é [valor] e o prazo é [prazo].
O briefing vai para a agência de criação, por isso precisa caber em uma página.
Tarefa: escreva o briefing com objetivo, mensagem principal, três provas, canais e métrica de sucesso.
Formato: títulos curtos e listas; no fim, liste as informações que faltaram.
<dados>[cole aqui o resumo do produto e da última campanha]</dados>Entrada de exemplo: clínica odontológica em Campinas, público de 30 a 50 anos, verba de R$ 5 mil, prazo de 30 dias. Saída esperada: uma página com objetivo (agendamentos de avaliação), mensagem principal, três provas tiradas dos dados colados, canais escolhidos e a métrica, seguida da lista do que faltou, como a taxa de comparecimento das últimas consultas.
Modelo 2: revisão de texto
Você é editor de uma revista de negócios.
Revise o texto entre as marcas <texto> sem mudar os fatos nem os números.
Critérios, em ordem: 1) a resposta vem no primeiro parágrafo; 2) todo número tem fonte;
3) frases com mais de 35 palavras são divididas; 4) jargão ganha explicação curta.
Formato: devolva o texto revisado e, depois, uma tabela com trecho original, trecho novo e critério aplicado.
<texto>[cole o texto]</texto>Entrada de exemplo: um post de 600 palavras que só responde à pergunta do título no quarto parágrafo. Saída esperada: o post com a resposta movida para o início e uma tabela em que cada linha mostra a mudança e o critério que a justificou, o que deixa a revisão auditável por quem aprova.
Modelo 3: análise de dados de mídia
Você é analista de mídia paga.
Os dados entre <dados> são a exportação semanal das campanhas, com gasto, cliques e conversões.
Etapas: 1) calcule custo por clique e custo por conversão de cada campanha;
2) aponte as duas melhores e as duas piores pelo custo por conversão;
3) só então recomende para onde mover a verba, com o motivo.
Não invente número que não esteja nos dados; se faltar coluna, diga qual.
Formato: tabela com as métricas e, abaixo, no máximo cinco linhas de recomendação.
<dados>[cole o CSV]</dados>Entrada de exemplo: um CSV com quatro campanhas e uma semana de dados. Saída esperada: a tabela com as duas métricas calculadas e uma recomendação curta, ligada às linhas da tabela. A ordem das etapas impede o defeito mais comum desse pedido, que é a recomendação escrita antes da conta.
O mesmo modelo rende resultados diferentes em cada assistente, e vale testar o prompt nos três antes de padronizar no time. A comparação de qual ferramenta, entre ChatGPT, Gemini e Claude, serve melhor a cada tarefa ajuda a escolher onde rodar cada um.
Para onde caminha o prompting com a autonomia agêntica?
A evolução do prompting caminha para a automação agêntica, onde os comandos deixam de ser interações únicas e passam a ser fluxos de trabalho contínuos. Veremos o surgimento de sistemas que refinam seus próprios prompts com base no feedback de performance de mercado, criando um ciclo de otimização em tempo real. O papel do redator e do profissional de marketing se transforma no de um arquiteto de sistemas: alguém que desenha as diretrizes, estabelece os limites éticos e técnicos, e orquestra a inteligência artificial para que ela entregue resultados que, até pouco tempo atrás, exigiriam semanas de trabalho humano. A precisão na escrita desses comandos será a fronteira final entre empresas que apenas usam tecnologia e aquelas que dominam a nova economia da atenção.
Os engenheiros da Anthropic que escreveram o guia de agentes da empresa recomendam cautela diante desse entusiasmo: começar pela solução mais simples e só aumentar a complexidade quando for necessário. Para quem escreve prompts profissionais, isso significa esgotar um bom comando único, com contexto e exemplos, antes de montar um fluxo agêntico que refina a si mesmo.
“Ao construir aplicações com LLMs, recomendamos buscar a solução mais simples possível e só aumentar a complexidade quando for necessário. Isso pode significar não construir sistemas agênticos.”
Erik S. e Barry Zhang, engenheiros da Anthropic, em Building effective agents (2024). Tradução livre.
O próximo passo prático é escolher o pedido que o time mais repete, escrever a versão dele com as cinco partes e guardar o prompt aprovado num documento compartilhado. Para entender como o hábito de perguntar à IA mudou a pesquisa do cliente, leia como o ChatGPT está mudando a forma como buscamos informação.
Nos acompanhe em nossas Redes Sociais!
Gostou? Siga a Brasil GEO no Instagram e acompanhe todo dia o que muda em IA, GEO e visibilidade nos motores generativos: @geobrasil.ai
