Anthropic Claude Não o Salva de Requisitos Ruins: Por Que a IA Entrega Resultados Convincentes mas Fracos

Prompts grandes, papéis e encantamentos como "pense cuidadosamente" não garantem uma boa resposta da IA. Usando Claude como exemplo, o autor analisa por que o modelo frequentemente acelera a produção de texto plausível, mas falha em entregar resultados úteis se a própria tarefa não estiver bem definida.

Por Que Isso Não Funciona

A principal reclamação é simples: a IA raramente questiona especificações de tarefas pobres. Enquanto um designer, analista ou desenvolvedor normalmente retornaria com perguntas esclarecedoras, um modelo geralmente preenche o contexto faltante por conta própria e entrega uma resposta confiante. Isso faz parecer ao usuário que o trabalho está progredindo rapidamente, quando na verdade o que está acelerando não é a produção de um resultado de qualidade, mas a produção de texto que parece convincente. Isso explica o cansaço após longas iterações: você passa uma hora reescrevendo o que deveria ter conseguido na primeira ou segunda tentativa.

"Um prompt não é uma oração."

O autor vincula isso a uma inversão no custo das ações. Costumava ser caro executar, enquanto pensar e discutir eram relativamente baratos. Agora a IA cria cinco variantes de análise, e-mails ou estratégias em segundos, mas a discussão da tarefa em equipe se torna a parte mais cara do processo. Isso cria uma ilusão de que você pode pular o estágio de especificação adequada e ir direto para a geração. Mas um prompt longo não substitui um objetivo claro, e fórmulas mágicas não curam a ausência de estrutura.

Quatro Perguntas Antes do Chat

Em vez de procurar a formulação perfeita, o autor propõe retornar à disciplina básica de análise de negócios e montar um mapa de tarefas antes de começar o trabalho. Sua lógica é construída em torno da abordagem As-Is, To-Be, Gap: o que temos agora, qual deve ser o resultado e o que separa um do outro. Este framework é útil não apenas para pesquisas complexas, mas também para tarefas cotidianas como análise de concorrentes, preparação da estrutura de um artigo ou análise de entrevistas com usuários. O ponto é descrever não uma esperança geral por uma boa resposta, mas um caminho específico para ela.

• Entrada: quais dados, links, documentos, hipóteses e observações você já tem no início.
• Etapas: quais ações o modelo deve executar em ordem, sem um vago "analise".
• Saída de cada etapa: o que exatamente deve resultar após cada passo—tabela, lista, matriz, rascunho.
• Resultado final: como o trabalho concluído se parece e por qual critério você o aceitará sem a sensação de "parece ok".

Na prática, isso muda o próprio formato de interação com o modelo. Em vez de um prompt gigantesco, é melhor construir um pipeline de vários passos com revisão intermediária: primeiro coleta de fatos, depois comparação, depois identificação de lacunas e apenas depois conclusões. Em um exemplo de análise competitiva, essa abordagem transforma uma solicitação abstrata em uma sequência de pequenas tarefas, onde é mais fácil detectar um erro antes do texto final.

Como É Montado no Claude

Para si mesmo, o autor empacolou essa abordagem em uma skill Claude separada. Primeiro, ele verifica o que é realmente necessário: uma resposta única ou um prompt para reutilização. Depois vem o mapa As-Is, To-Be, Gap, após o qual o sistema avalia a completude da solicitação por vários elementos obrigatórios—objetivo, audiência, formato, restrições e contexto.

Se os dados estão faltando, o modelo não gera imediatamente texto bonito, mas faz perguntas esclarecedoras. Um passo-chave aqui é o Confirmation Gate: antes de começar o trabalho, a IA mostra como entendeu a tarefa e espera confirmação explícita. Então o prompt final é montado em um template estruturado seguindo o esquema Context, Role, Instructions, Style, Parameters.

O autor enfatiza particularmente a importância de restrições negativas, exemplos few-shot e iteração direcionada em erros específicos em vez de "melhorou". Se o resultado ficou muito genérico, o que precisa ser corrigido não é o humor do prompt, mas a regra em si: adicione métricas, proíba clichês, exija um formato claro de resposta. Este modo torna o prompting menos como adivinhação criativa e mais como ajuste de processo de engenharia.

O Que Isso Significa

A conclusão principal é dura mas útil: a IA amplifica não apenas boas soluções mas também especificações pobres. Para equipes, isso sinaliza parar de medir eficiência pelo número de variantes geradas e começar a exigir mapas de tarefas, revisão intermediária e critérios de prontidão. Quanto mais barata fica a geração, mais cara fica o pensamento claro—e é o pensamento claro que agora oferece a maior vantagem.