"Não precisa de dev, precisa de prompt bem escrito": quando isso é verdade e quando é cilada

A frase “não precisa de dev, precisa de prompt bem escrito” é verdadeira em bastante coisa. E é armadilha em outras. O problema é que a maioria das pessoas aprende isso na marra, depois de gastar 3 semanas tentando resolver no ChatGPT algo que precisava de 2 horas de código. Este post é o mapa antes do erro.

O que prompt resolve bem?

Prompt resolve qualquer coisa onde a entrada é texto, o processo é raciocínio, e o resultado é texto.

Exemplos que funcionam de verdade:

• Rascunho de e-mail, proposta, contrato, FAQ — vc descreve o contexto, o modelo escreve. Uma rodada, edita, envia.
• Resumo de reunião, transcrição, documento longo — cola o texto, pede o resumo em bullet points, pronto.
• Análise de resposta aberta de NPS — 200 respostas de cliente em texto, pede pra categorizar em temas, identificar reclamações recorrentes. Funciona.
• Decisão estruturada com critérios claros — “dado esses 5 fornecedores com esses critérios, qual vc escolheria e por quê?” O modelo raciocina bem quando os critérios estão explícitos.
• Extração de dado de texto não estruturado — invoice em PDF, e-mail de pedido, relatório em formato livre. Se a informação está em texto, dá pra extrair com prompt.
• Tradução de formato — transformar uma tabela em prose, um roteiro em script de vídeo, um briefing em perguntas de entrevista.

Regra de ouro: se vc consegue descrever o processo em linguagem natural e o resultado que vc quer é texto, começa com prompt. A maioria dos fluxos de escritório entra aqui.

O que prompt não resolve?

Prompt não resolve quando o resultado precisa “acontecer” em outro sistema.

Integração com sistemas externos. Vc quer que toda vez que um lead preencher um formulário, ele entre automaticamente no CRM com a deal criada, o vendedor notificado no Slack e uma atividade agendada pro dia seguinte. Isso não é prompt — é MCP, webhook ou workflow. Prompt é uma conversa. Integração é plomagem.

Automação contínua sem intervenção humana. Vc quer que todo domingo de manhã o sistema puxe os dados de vendas da semana, compare com a meta, e envie um resumo pro WhatsApp da equipe. Isso é agente ou workflow com trigger de tempo. Prompt só dispara quando alguém digita.

Processamento de dado estruturado em volume. 50 mil linhas de CSV com histórico de vendas para cruzar com estoque atual e gerar previsão de demanda por SKU. Isso é código Python ou SQL. Modelo de linguagem vai alucinar na aritmética e não consegue segurar 50 mil linhas no contexto de forma confiável.

Interface de usuário real. Vc quer que seu cliente acesse um portal, veja os próprios dados, faça pedidos. Isso é produto — precisa de dev ou no-code (Bubble, Webflow, Glide). Prompt não cria interface que o usuário final acessa de forma independente.

Dado em tempo real. O modelo não sabe o que aconteceu hoje na sua empresa a menos que vc forneça. Sem integração com a fonte de dado, é opinião sem dado.

Qual é a regra do “resultado em texto”?

A regra prática que uso com alunos do G4:

Se o resultado da tarefa é um arquivo de texto, um e-mail, uma análise, um documento — começa com prompt. Se o resultado precisa “acontecer” em algum lugar (CRM atualizado, banco de dados alterado, mensagem enviada automaticamente, interface exibida) — precisa de infraestrutura.

A confusão acontece porque o modelo parece que “entende tudo”. E entende mesmo — linguagem. Mas entender não é o mesmo que executar. O modelo lê sua descrição do processo com precisão cirúrgica. Fazer o processo acontecer em sistema externo é outra camada.

Um exemplo concreto: “quero que o Claude analise os e-mails de suporte e classifique por urgência”. Isso é prompt — vc cola os e-mails, recebe a classificação. Mas “quero que o Claude monitore a caixa de entrada, classifique automaticamente, mova os urgentes para uma pasta e notifique o time no WhatsApp” já é agente com integração de e-mail + sistema de mensagem. São dois problemas completamente diferentes com complexidade completamente diferente.

Quando contratar dev versus usar IA?

Essa pergunta errada leva a decisões erradas. A pergunta certa é: o que precisa ser construído?

Se precisa ser construído: integração, automação, produto, interface — vc vai precisar de execução técnica. Pode ser dev contratado, pode ser vc mesmo com vibe-coding, pode ser no-code. A IA entra como acelerador, não como substituto da infraestrutura.

Se não precisa ser construído, só precisa ser processado: análise, redação, extração, decisão — prompt resolve. Sem dev, sem custo extra.

Onde as pessoas erram: tentam “construir” usando prompt porque parece mais fácil. Ficam 3 semanas pedindo pro ChatGPT “automatize meu processo de onboarding”. O modelo gera descrições de como fazer, templates úteis, até código isolado. Mas nada se conecta, nada roda automaticamente, nada persiste. O resultado é um documento muito bem escrito descrevendo o que vc deveria ter mandado um dev fazer.

Dev não é custo a evitar — é o recurso certo pro problema certo. Prompt é o recurso certo pro problema certo diferente.

Os 3 casos onde apostei no prompt e perdi

Vou ser direto com os meus próprios erros, porque teoria sem caso é papo de consultor.

Caso 1 — Relatório semanal automático. Achei que conseguia resolver com prompt: toda segunda, pedir pro modelo gerar o relatório de métricas da semana. O problema é que “pedir” exige alguém para pedir. Ficou manual durante 3 meses porque ninguém lembrava. Resolvi quando montei um agente com trigger de calendário que puxa os dados e gera o relatório sem intervenção. Prompt era 10% da solução. Os outros 90% eram orquestração.

Caso 2 — Qualificação de lead em escala. Tentei qualificar 400 leads por mês colando texto no ChatGPT. Funcionou por 2 semanas — enquanto eu mesmo fazia. Quando precisei escalar e delegar, não tinha como a equipe replicar o fluxo com consistência. Resolvi com um formulário de intake + automação que passa pelas perguntas de qualificação estruturadas antes de chegar em mim. Prompt era o critério de decisão. A automação era o que tornava escalável.

Caso 3 — Monitoramento de concorrente. Pedi pra IA “monitorar os concorrentes”. Ela não monitora nada — ela responde quando vc pergunta, com base no que sabe até o cutoff de treino. Pra monitoramento real, precisei de ferramenta de crawling + alerta. Agora tenho um agente que busca toda semana. Mas não é só prompt.

O padrão nos três casos: confundi “o modelo entende o que eu quero” com “o modelo vai executar quando eu precisar”. São coisas completamente diferentes.

Perguntas frequentes

Prompt pode substituir um analista de dados? Para análise exploratória de texto, resumos, identificação de padrões em dados qualitativos — sim, parcialmente. Para análise quantitativa confiável em volume, não. O modelo comete erros em aritmética complexa, não sustenta grandes volumes de dado estruturado no contexto e não tem acesso ao seu banco de dados sem integração. Um analista com SQL + Python resolve em 2 horas o que prompt vai errar em 3 tentativas. Use IA pra acelerar a interpretação e comunicação dos dados, não pra substituir a infraestrutura analítica.

Quanto tempo leva pra aprender a escrever prompt bem? Pra resolver 80% das tarefas de texto do dia a dia — 2 a 4 semanas de uso consistente. O aprendizado é prático: vc escreve, vê onde o modelo falha, refina o contexto e o critério. Não tem curso que substitua isso. O que acelera: aprender a dar contexto antes de dar a tarefa, explicitar o formato do output que vc quer, e separar a instrução do exemplo.

No-code substitui dev quando prompt não resolve? Às vezes sim. Ferramentas como Make, Zapier, n8n e Bubble cobrem grande parte das automações e interfaces que pequenas e médias empresas precisam, sem escrever código. O critério de escolha: se o fluxo é linear e os conectores existem, no-code resolve. Se o fluxo tem lógica condicional complexa, volume alto de dado ou precisa de performance, código ainda ganha. No-code é uma camada válida entre prompt e dev — não é um dos dois extremos.

Por que eu fico satisfeito com o resultado do prompt mas o processo não escala? Porque vc é o contexto ambulante que está faltando. Quando vc mesmo usa, vc sabe o que omitir no prompt, vc sabe quando o resultado precisa de ajuste, vc tem o histórico na cabeça. Quando delega pra alguém ou precisa que rode sem vc, essa camada de julgamento some. Escala exige que o processo funcione sem a inteligência implícita do operador. Isso é documentação + automação + critério explícito — não é só prompt melhor.

Qual o erro mais caro de quem aposta demais no prompt? Gastar 1 a 3 meses tentando resolver com conversa o que precisava de plomagem. O custo não é só tempo — é o custo de oportunidade de não ter construído o sistema certo, mais o desgaste de ter convencido a equipe de que “IA resolve” e não entregar. A credibilidade interna do projeto de IA na empresa sofre quando a expectativa foi “prompt faz tudo” e a realidade é que as tarefas operacionais continuaram manuais.

Preciso saber programar pra ir além do prompt? Não necessariamente. Vibe-coding — usar IA pra escrever o código — baixou muito a barreira. Vc descreve o que quer, o modelo escreve, vc testa. Mas vc precisa entender o suficiente pra saber o que pedir, identificar quando o código está errado e fazer perguntas certas. É diferente de “saber programar” no sentido clássico. É mais letramento técnico do que habilidade de desenvolvimento — e isso dá pra aprender.

Bora testar? Pega uma tarefa que vc está tentando resolver “no prompt” há mais de uma semana sem resultado consistente e aplica o filtro: o resultado precisa acontecer em outro sistema, ou só precisa ser texto? Essa pergunta sozinha vai economizar meses.