Prompt engineering pra empresários: os 5 padrões que funcionam no trabalho real

Prompt engineering virou modinha de LinkedIn com 47 dicas inúteis. A realidade é mais simples: existem 5 padrões que cobrem 90% dos casos de uso de um empresário. Aprende os 5, pratica uma semana, e vc para de perder tempo com respostas genéricas que não servem pra nada.

Por que prompt engineering importa pra empresário?

A maioria dos empresários usa IA como se fosse buscador. Digita algo vago, recebe algo genérico, acha que a ferramenta é limitada. Não é a ferramenta — é o input.

Um modelo de linguagem é um sistema que completa texto. Quanto melhor o contexto que vc fornece, mais precisa a continuação. Isso não é mágica, é mecânica. E mecânica tem padrões.

Estudo da Anthropic de 2024 mostrou que prompts com contexto estruturado reduzem em até 60% o número de iterações necessárias pra chegar no output útil. Na prática: menos tempo de vc catando lixo de resposta e mais tempo usando o resultado.

Os 5 padrões abaixo não são teoria. São o que uso todo dia em trabalho real — proposta comercial, análise de negócio, copy, decisão com tradeoff, revisão de texto. Cada um tem um caso de uso claro e um exemplo copiável.

Padrão 1: Persona + Tarefa

Quando usar: qualquer tarefa que exige um ponto de vista específico — análise técnica, copy por nicho, consultoria simulada, revisão com critério definido.

A estrutura é: “Vc é [papel com contexto]. Faça [tarefa] considerando [contexto específico].”

O papel define o filtro que o modelo aplica. Sem persona, o modelo responde como enciclopédia genérica. Com persona bem definida, ele responde como especialista com viés intencional.

Exemplo copiável:

Vc é um consultor de vendas B2B com 15 anos de experiência vendendo software pra médias empresas no Brasil. Analise essa proposta comercial e aponte os 3 pontos onde o cliente provavelmente vai travar e como contornar cada um.

[cola a proposta]

Quando NÃO usar: tarefas factuais simples (data, cálculo, conversão). Adicionar persona em prompt de lookup não melhora nada.

Padrão 2: Chain of Thought

Quando usar: decisões com múltiplas variáveis, análises que exigem raciocínio sequencial, qualquer coisa onde vc quer entender o processo, não só a conclusão.

A instrução é simples: “Pense passo a passo antes de dar a resposta final.”

Isso não é truque psicológico — força o modelo a expandir o processo de raciocínio antes de comprometer com uma conclusão. Resultados são mais consistentes e rastreáveis.

Pesquisa do Google Brain (2022) demonstrou que adicionar “vamos pensar passo a passo” aumenta acurácia em problemas de raciocínio em até 40% comparado a perguntas diretas. O efeito é real, não é placebo.

Exemplo copiável:

Preciso decidir entre contratar um SDR interno agora ou terceirizar prospecção por 6 meses. Meu contexto: empresa de SaaS B2B, ticket médio R$ 3.800, time de vendas atual = 1 closer, volume de leads qualificados mês = 40.

Pense passo a passo antes de dar sua recomendação final. Considere: custo, velocidade de ramp, risco de dependência, e aprendizado organizacional.

Quando NÃO usar: tarefas criativas abertas onde vc quer espontaneidade, não raciocínio analítico. E em prompts curtos e diretos — o overhead não justifica.

Padrão 3: Few-Shot

Quando usar: qualquer tarefa de formato. Vc quer que o output siga uma estrutura específica — tom, extensão, estrutura, estilo — e descrever isso em texto é trabalhoso e impreciso.

A lógica: mostra 2-3 exemplos do output que vc quer antes de pedir o novo. O modelo induz o padrão dos exemplos.

Exemplo copiável:

Preciso que vc escreva follow-ups de e-mail pós-demo no mesmo estilo dos exemplos abaixo.

Exemplo 1:
"João, obrigado pelo tempo hoje. A parte que mais me chamou atenção foi quando vc falou sobre o problema com relatórios manuais — é exatamente o que a gente resolve primeiro. Posso te mandar um caso parecido com o seu?"

Exemplo 2:
"Ana, gostei muito da conversa. Vc mencionou que a decisão depende do RH — faz sentido marcar uma call rápida com eles incluídos? Posso adaptar a demo pro contexto deles."

Agora escreva um follow-up pra este cenário:
[descreve a situação da demo]

Quando NÃO usar: quando vc não tem exemplos bons. Few-shot com exemplos ruins ensina o modelo a replicar o problema. Se seus exemplos são mediocres, o output vai ser mediocre também.

Padrão 4: Critique and Revise

Quando usar: quando vc precisa de qualidade, não só velocidade. Texto importante, análise que vai pra frente do cliente, decisão com impacto real.

A estrutura: “Faça X. Depois, critique sua própria resposta identificando [critério específico]. Então reescreva incorporando as melhorias.”

O modelo tem viés de confirmação implícito — tende a defender o que acabou de escrever. Forçar o ciclo de crítica quebra esse ciclo e entrega output significativamente mais refinado.

Exemplo copiável:

Escreva um parágrafo de abertura pra uma proposta comercial pra um escritório de advocacia que está considerando implementar IA na gestão de contratos.

Depois, critique esse parágrafo nos seguintes critérios:
- Específico o suficiente pro contexto de advocacia?
- Tom adequado (profissional sem ser distante)?
- Tem dado ou fato concreto que ancora a proposta?

Então reescreva incorporando as melhorias identificadas.

Quando NÃO usar: tarefas rápidas e de baixo impacto. O ciclo adiciona tokens e tempo — não faz sentido pra rascunho de resposta de e-mail informal.

Padrão 5: Constraint Injection

Quando usar: quando vc quer evitar respostas genéricas, “depende”, ou recomendações vagas demais pra usar. É o padrão que mais impacta qualidade pra empresários que reclamam que “a IA responde tudo muito genérico”.

A estrutura: “Faça X. Restrições: [lista de constraints específicos].”

Constraints forçam o modelo a tomar partido. Sem eles, o modelo otimiza pra não estar errado — e isso significa vagueza. Com constraints, ele é obrigado a trabalhar dentro de parâmetros concretos.

Exemplo copiável:

Sugira uma estratégia de conteúdo pra LinkedIn pra um empresário de consultoria B2B.

Restrições:
- Máximo 3 horas por semana de produção total
- Sem equipe de criação — só o próprio empresário
- Objetivo único: gerar leads qualificados (não vaidade de seguidores)
- Prazo pra ver resultado: 90 dias
- Empresa tem 5 a 50 clientes como casos reais pra usar

Quando NÃO usar: brainstorming livre onde vc ainda não sabe o que quer. Constraints demais no início de uma exploração fecham possibilidades antes de vc entender o espaço do problema.

Como combinar os 5 padrões

Os padrões não são excludentes. O prompt mais poderoso que uso no dia a dia combina 3 ou 4:

Vc é um especialista em copy B2B pra SaaS no mercado brasileiro (Persona + Tarefa).

Preciso de um e-mail de reativação pra leads que ficaram frios há 90 dias. O tom precisa ser direto e específico pro problema deles — sem hype.

Aqui estão dois exemplos do estilo que funciona pra minha audiência:
[exemplo 1]
[exemplo 2]
(Few-Shot)

Restrições: máximo 120 palavras, sem CTA de "agende uma demo" — prefiro perguntar se o problema ainda existe. (Constraint Injection)

Depois de escrever, critique se o e-mail soa genérico ou específico e reescreva se necessário. (Critique and Revise)

Esse prompt combina Persona + Tarefa, Few-Shot, Constraint Injection e Critique and Revise. O resultado é um e-mail usável na primeira tentativa, não na quinta.

A regra de combinação: começa simples. Padrão 1 (Persona + Tarefa) resolve a maioria dos casos. Adiciona Chain of Thought quando precisa de raciocínio. Adiciona Few-Shot quando tem formato específico. Adiciona Constraints quando quer evitar vagueza. Adiciona Critique and Revise quando o output vai pra fora da empresa.

Bora testar?

---

Perguntas frequentes

Esses padrões funcionam igual no ChatGPT e no Claude?

Sim, com pequenas diferenças de comportamento. Claude tende a seguir constraints mais rigorosamente e a crítica do padrão 4 costuma ser mais detalhada. ChatGPT com GPT-4o responde bem a todos os padrões também. O Few-Shot funciona muito bem nos dois. A escolha do modelo não muda os padrões — muda a profundidade da execução.

Precisa decorar os 5 padrões antes de começar a usar?

Não. Começa com Persona + Tarefa essa semana. É o que mais impacta no cotidiano e é o mais fácil de incorporar. Depois de 3-4 dias usando, o padrão vira reflexo. Aí adiciona Constraint Injection. Os outros 3 vc incorpora naturalmente conforme encontra os casos de uso.

Qual padrão funciona melhor pra copy e comunicação?

Few-Shot sozinho já resolve a maioria dos casos de copy. Vc tem e-mails, posts ou textos que funcionaram? Cola como exemplos. O modelo capta tom, extensão e estrutura melhor do que qualquer descrição em palavras. Combina com Constraint Injection pra controlar extensão e objetivo, e o resultado vira usável na primeira rodada.

Como saber se meu prompt está bom ou ruim?

Critério simples: se vc leu o output e precisou iterar mais de 2 vezes pra chegar em algo usável, o prompt estava incompleto. Prompt bom entrega algo usável na primeira ou segunda tentativa. Os problemas mais comuns: falta de contexto (quem é o leitor, qual é o objetivo real), falta de constraints (o modelo não sabe o que evitar), e persona genérica demais (“especialista em marketing” vs “especialista em marketing pra SaaS B2B com ticket acima de R$ 5k”).

Chain of Thought deixa o prompt muito longo — vale a pena?

Depende da decisão. Pra análise de fornecedor, contratação, decisão de pricing, mudança de processo — sim, vale. O output mais longo é mais rastreável: vc consegue identificar onde o raciocínio diverge do seu. Pra tarefas criativas ou operacionais simples, não precisa. Regra prática: se a decisão tem consequência financeira ou de tempo relevante, usa Chain of Thought.