📝 Prompt como especificação
Na automação, o prompt não é uma conversa — é código em linguagem natural. Ele vai rodar sozinho mil vezes, sem ninguém para corrigir a IA em tempo real. Por isso precisa ser uma especificação: instruções precisas, sem ambiguidade, que definem exatamente o comportamento esperado.
✓ Prompt de especificação
- ✓Define papel, tarefa e formato exato de saída.
- ✓Cobre os casos de borda ("se não houver dados, retorne X").
- ✓Comporta-se igual a cada execução.
✗ Prompt de conversa
- ✗"Me ajuda a analisar isso aqui" — vago, depende de contexto.
- ✗Não diz o que fazer quando algo foge do esperado.
- ✗Dá respostas diferentes a cada rodada.
💡 Dica prática
Antes de escrever o prompt, pergunte: se eu desse essa instrução a um funcionário novo, ele conseguiria executar sem me perguntar nada? Se a resposta é não, o prompt ainda tem buracos.
Roda sozinho mil vezes.
Precisa estar certo antes.
Cobre o inesperado.
Mesmo input, mesmo output.
🏗️ Estrutura de um prompt confiável
Um esqueleto fixo torna o comportamento previsível: papel (quem a IA é), contexto (o que ela precisa saber), tarefa (o que fazer), formato de saída (como responder) e regras (o que respeitar). Abaixo, o mesmo padrão aplicado a um classificador de pedidos.
🧾 Exemplo de prompt estruturado
📐 Por que seções nomeadas funcionam
- •A IA separa instrução (regras) de dado (a mensagem do cliente) sem confundir.
- •Você revisa e versiona cada seção isoladamente.
- •Vira template: o mesmo esqueleto serve para qualquer classificador.
Quem a IA é.
O que precisa saber.
Como responder.
O que respeitar.
🧾 Saída estruturada (JSON) e validação
Texto livre quebra a automação: o passo seguinte não sabe onde está cada informação. Forçar JSON com campos fixos e validar a resposta antes de usá-la é o que torna a saída da IA confiável o suficiente para alimentar uma ação automática.
📤 Saída JSON esperada
✅ Validação antes de usar (pseudocódigo)
⚠️ Atenção
Nunca confie cegamente na saída da IA. Se o JSON vier malformado ou com uma categoria inventada, a validação deve rejeitar e repetir (ou escalar) — jamais deixar um valor inválido seguir para uma ação automática.
Campos fixos e nomeados.
Antes de usar a saída.
Valores dentro do permitido.
Inválido → repete ou escala.
🚧 Guardrails e fallback
A IA erra e alucina. Guardrails são os limites — o que ela não pode fazer, o que a validação rejeita. Fallback é o que acontece quando ela não tem certeza: pedir confirmação, escalar para um humano ou usar um valor padrão seguro. Juntos, impedem que um erro vire uma ação irreversível.
Guardrail no prompt
Instruções explícitas do que nunca fazer: não inventar categorias, não tomar decisões fora do escopo, marcar confiança baixa quando incerto.
Guardrail na validação
Checagem programática que rejeita saídas fora do formato ou da lista de valores — a IA propõe, o código verifica.
Fallback por confiança
Quando a confiança vem abaixo de um limite (ex.: 0.6), o fluxo desvia para revisão humana em vez de agir sozinho.
💡 Dica prática
Peça à IA um campo confianca em toda saída e use-o como gatilho de fallback. É o jeito mais simples de transformar "a IA não tem certeza" em uma decisão concreta do fluxo: agir sozinho só acima do limite, escalar abaixo.
O que a IA não pode fazer.
Campo que dispara fallback.
Humano quando incerto.
Erro não vira ação irreversível.
🔀 Lógica de ramificação a partir da IA
É aqui que a IA deixa de ser enfeite e vira o cérebro: um campo categórico da saída JSON (ex.: categoria ou prioridade) vira a chave de um IF/switch no fluxo, roteando cada caso para uma ação diferente. A IA classifica, o fluxo executa.
📐 Regras de uma ramificação saudável
- •Use um campo categórico (lista fechada) como chave — nunca texto livre.
- •Tenha sempre um ramo padrão para o caso que não casa com nenhuma opção.
- •Combine com confiança: categoria certa + confiança baixa ainda pode escalar.
Fluxo executa.
Campo categórico fechado.
Ramo para o resto.
Categoria + confiança.
🔁 Testar e iterar o prompt
Um prompt que acerta em um exemplo pode falhar em dez. Monte um conjunto de casos de teste — incluindo os difíceis e adversariais — rode o prompt contra todos, meça a taxa de acerto e ajuste até estabilizar. Só esse ciclo te dá confiança para colocar a IA decidindo sozinha em produção.
Reúna casos reais
Pegue mensagens verdadeiras do processo (da auditoria da T2), incluindo as ambíguas e as que costumam confundir.
Defina o gabarito
Para cada caso, anote qual seria a saída correta. Esse gabarito é a régua contra a qual você mede o prompt.
Rode, meça, ajuste
Rode o prompt em todos os casos, compare com o gabarito, calcule a taxa de acerto e ajuste o prompt onde errou. Repita até estabilizar.
✓ Iteração saudável
- ✓Inclui casos difíceis e adversariais desde o início.
- ✓Mede taxa de acerto antes e depois de cada ajuste.
- ✓Para de iterar quando a taxa estabiliza, não na primeira tentativa.
✗ Iteração ingênua
- ✗Testa só com um exemplo fácil e dá por pronto.
- ✗Ajusta no "achismo", sem medir se melhorou.
- ✗Conserta um caso e quebra três sem perceber.
Vários casos, não um.
Casos adversariais primeiro.
Taxa de acerto, não achismo.
Iterar até parar de melhorar.
🎯 Resumo do Módulo
Próxima Trilha:
Trilha 4 · Construção — sair do blueprint e montar a automação ponta a ponta.