Gerente sem experiência em programação criou um negociador de IA com o Codex: o que funcionou nos prompts

Se você já tentou criar um interlocutor de IA para simular papéis, conhece o maior problema: depois de duas falas, ele passa a concordar com tudo. A equipe da universidade corporativa da «KORUS Consultoria» resolveu esse problema em um simulador de negociação. O mais curioso é que quem montou a ferramenta foi Ksenia Kalabushkina, gerente de treinamento que, segundo ela, nunca escreveu uma linha de código na vida. Vamos ver quais técnicas funcionam ali e o que dá para aproveitar nos seus próprios produtos.

Por que o simulador foi necessário

A ideia é simples. A habilidade de negociar só se consolida com prática, e praticar com um cliente real é arriscado demais: uma formulação ruim custa prazos, escopo e confiança. Treinar com colegas também não resolve: as pessoas se conhecem, facilitam o jogo e não encenam um oponente duro, evasivo ou apressado.

Por isso, é preciso um adversário disponível a qualquer momento, que mantenha o papel definido e, depois da conversa, entregue uma análise. O usuário escolhe o caso, o papel, a duração, a metodologia de avaliação e o estilo: cooperação ou competição. Em seguida, começa um duelo por voz de dez minutos. A IA responde falando e, no fim, anuncia o vencedor e analisa os lances fortes, os riscos e os pontos de virada. A avaliação segue cinco critérios: avanço em direção ao objetivo, condução da conversa, trabalho com interesses, argumentação e trocas, e qualidade dos acordos.

Como ensinaram o modelo a não ceder

Esta é a parte mais útil para desenvolvedores. Os autores usaram várias técnicas.

Primeira: separar os papéis. Durante o duelo, o modelo interpreta apenas o adversário e não dá dicas ao usuário. Quando o duelo termina, uma requisição separada recebe a transcrição completa e atua como avaliador, com a instrução «avalie apenas o que for comprovado pela transcrição». É difícil para um mesmo modelo barganhar e, ao mesmo tempo, ser um treinador objetivo, por isso são dois prompts distintos.

Segunda: o comportamento muda com o tempo. No início, o adversário revela o contexto e resiste a um acordo precipitado. Perto do final, propõe soluções em pacote e verifica os compromissos. Passados dez minutos, ajuda a registrar o acordo ou a reconhecer honestamente que não há negócio. Assim, o modelo não encerra o exercício depois de duas falas educadas.

Terceira: a metodologia não é entregue de uma vez. O livro «A Arte da Luta Gerencial», de Vladimir Tarasov, foi dividido em trechos por tema: trabalho com interesses, perguntas, condições para concessões, registro dos acordos. Antes de responder, o serviço seleciona alguns trechos próximos da fala atual e os passa ao modelo. No fundo, é um RAG comum, e ele reduz o risco de conselhos genéricos no lugar de uma reação às palavras específicas do usuário.

Quarta: testar o comportamento, não a beleza do prompt. Os autores recomendam preparar um conjunto de provocações: «vamos simplesmente fechar um acordo», «aceito qualquer coisa», «vamos encerrar agora». Um bom adversário não quebra o papel, não revela interesses ocultos e traz a conversa de volta às condições.

Montagem sem programador

A stack escolhida foi propositalmente simples: uma página web, um pequeno servidor em Node.js, a API da OpenAI para texto e voz, Supabase para armazenamento, GitHub para versionamento e Vercel para publicação. O trabalho foi feito com o Codex. A ordem foi esta: primeiro, uma descrição de uma página da jornada do usuário; depois, a divisão dos requisitos em obrigatórios, desejáveis e futuros. O primeiro passo ao trabalhar com um desenvolvedor de IA é pedir que ele reconte a tarefa e faça perguntas, em vez de sair escrevendo código. Cada etapa é validada com uma execução: primeiro o duelo em texto, sem banco de dados e sem voz, e só depois o restante.

Um ponto merece atenção especial: a chave de API. Ela fica em uma variável de ambiente no servidor e não vai parar no GitHub, em capturas de tela nem em conversas. Se você usa materiais metodológicos internos, remova deles dados pessoais, nomes de clientes e condições comerciais antes de enviá-los a um modelo externo.

Limitações e conclusão

A história tem ressalvas. Trata-se do relato dos próprios autores, sem medições independentes: não se sabe quantas pessoas realmente melhoraram suas habilidades. A escolha do vencedor é feita pelo próprio modelo, e esse tipo de avaliação tende à subjetividade. Além disso, todo o serviço depende de uma única API externa. Parte do material da nossa fonte foi cortada na seção sobre a conexão do modelo, por isso o deploy e as dicas de vibe coding não são abordados aqui.

A conclusão prática vai além das negociações. Se você está criando qualquer simulador de IA ou agente que interpreta papéis, separe quem «joga» de quem «avalia», insira o conhecimento em porções e teste o sistema com provocações, não com diálogos bem-sucedidos. Para quem trabalha com produto, é também um exemplo de como um profissional não técnico testa uma hipótese em poucas noites: primeiro o cenário, depois as ferramentas.