Claude não salva um briefing ruim: por que a IA entrega resultados convincentes, mas fracos

Prompts grandes, papéis e encantamentos como think carefully não garantem uma boa resposta da IA. Com base no trabalho com o Claude, o autor analisa por que o modelo muitas vezes acelera a produção de texto plausível, mas não chega a um resultado útil quando a própria tarefa não está definida.

Por que isso não funciona

A principal crítica é simples: a IA raramente questiona uma definição ruim. Um designer, analista ou desenvolvedor normalmente voltaria com perguntas de esclarecimento, mas o modelo costuma completar sozinho o contexto que falta e entregar uma resposta confiante. Por isso, o usuário tem a impressão de que o trabalho anda rápido, quando na verdade o que se acelera não é a produção de um resultado de qualidade, e sim a de um texto que parece convincente. Daí vem o cansaço depois de longas iterações: você gasta uma hora reescrevendo algo que deveria ter saído na primeira ou na segunda tentativa.

"Prompt não é oração."

O autor relaciona isso a uma inversão no custo das ações. Antes, fazer era caro, enquanto pensar e discutir era relativamente barato. Agora a IA gera em segundos cinco versões de uma análise, de um texto ou de uma estratégia, e discutir a tarefa com uma equipe de várias pessoas passa a ser a parte mais cara do processo. Isso cria a ilusão de que dá para pular a definição adequada da tarefa e ir direto para a geração. Mas um prompt longo não substitui um objetivo claro, e fórmulas mágicas não curam a falta de estrutura.

Quatro perguntas antes do chat

Em vez de procurar a formulação perfeita, o autor propõe retomar a disciplina básica da análise de negócios e montar um mapa da tarefa antes de começar. A lógica se baseia na abordagem As-Is, To-Be, Gap: o que temos agora, qual deve ser o resultado e o que separa um do outro. Esse esqueleto é útil não só para pesquisas complexas, mas também para tarefas do dia a dia, como análise de concorrentes, preparação da estrutura de um artigo ou revisão de entrevistas com usuários. O ponto é descrever não uma esperança vaga de uma boa resposta, mas um caminho concreto até 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 "analise" vago.
• Saída de cada etapa: o que exatamente deve resultar de cada passo — tabela, lista, matriz, rascunho.
• Resultado final: como é o trabalho pronto e por qual critério você o aceitará sem a sensação de "parece ok".

Na prática, isso muda também o formato da interação com o modelo. Em vez de um único prompt gigante, é melhor montar um pipeline de vários passos com aceite intermediário: primeiro a coleta de fatos, depois a comparação, em seguida a busca por segmentos vazios e só então as conclusões. No exemplo da análise de concorrentes, essa abordagem transforma um pedido abstrato em uma sequência de tarefas pequenas, em que é mais fácil pegar um erro antes do que no texto final.

Como isso é montado no Claude

Para uso próprio, o autor empacotou essa abordagem em uma skill dedicada do Claude. Primeiro ela verifica o que realmente se precisa: uma resposta pontual ou um prompt para reutilização. Em seguida vem o mapa As-Is, To-Be, Gap, e depois o sistema avalia a completude do pedido por alguns elementos obrigatórios — objetivo, público, formato, restrições e contexto. Se faltam dados, o modelo não gera de imediato um texto bonito, mas faz perguntas de esclarecimento.

O passo-chave é o Confirmation Gate: antes de trabalhar, a IA mostra como entendeu a tarefa e aguarda confirmação explícita. Depois, o prompt final é montado em um template estruturado no esquema Context, Role, Instructions, Style, Parameters. O autor destaca separadamente a importância de restrições negativas, exemplos few-shot e iteração pontual sobre um erro específico, em vez de se guiar pela sensação de que "melhorou". Se o resultado ficou genérico demais, o que se deve corrigir não é o clima do pedido, mas a regra: adicionar métricas, proibir frases banais, exigir um formato de resposta claro. Esse modo aproxima o prompting não de um palpite criativo, mas de um ajuste de engenharia do processo.

O que isso significa

A conclusão principal é dura, mas útil: a IA amplifica não só boas decisões, mas também uma definição ruim da tarefa. Para as equipes, é um sinal para parar de medir eficiência pelo número de versões geradas e começar a exigir um mapa da tarefa, aceite intermediário e critérios de conclusão. Quanto mais barata fica a geração, mais cara fica a clareza de raciocínio — e é ela que agora traz o maior ganho.