Prompt engineering para marketing

Os cinco princípios de uma boa instrução

Boas instruções para inteligência artificial generativa não dependem de talento poético — dependem de cinco elementos consistentes. A maioria dos resultados ruins vem de instrução vaga em pelo menos um deles.

1. Contexto. O que o modelo precisa saber sobre a situação para responder bem. Quem é o público, qual é o produto, qual o objetivo do conteúdo, qual o tom da marca, quais restrições legais ou regulatórias. Sem contexto, a saída é genérica. Bom contexto: "Estamos lançando um curso de gestão financeira para microempreendedores brasileiros, idade entre 25 e 45 anos, faturamento até R$ 30.000,00 por mês, baixa familiaridade com termos contábeis." Mau contexto: "Crie texto sobre curso de finanças."

2. Papel. Atribuir ao modelo um papel específico orienta o tom e a profundidade. "Você é redator publicitário sênior especializado em pequenas empresas brasileiras" gera saída diferente de "Você é professor universitário de marketing". O papel define vocabulário, profundidade técnica, postura.

3. Exemplos (few-shot). Mostrar ao modelo 1 a 3 exemplos do tipo de saída desejada. "Aqui estão dois exemplos de chamadas para ação que funcionaram bem com nosso público: [exemplo 1] e [exemplo 2]. Agora gere cinco variações no mesmo estilo." Modelos aprendem padrão por exemplo muito mais rápido do que por descrição abstrata.

4. Restrições. O que NÃO fazer, limites de tamanho, palavras proibidas, formato a evitar. "Não use exclamações. Máximo 60 caracteres. Não prometa retorno garantido. Não mencione concorrentes." Restrições explícitas são o que separa saída usável de saída que precisa de reescrita.

5. Formato de saída. Como o resultado deve vir. "Devolva como lista numerada com 5 opções, cada uma com 1 linha de chamada e 1 linha de subchamada." Sem formato definido, o modelo escolhe e a saída precisa de reformatação manual.

Técnicas avançadas que aumentam qualidade

Acima dos cinco princípios, três técnicas elevam a qualidade do resultado em tarefas complexas.

Encadeamento de raciocínio (chain-of-thought). Pedir ao modelo que pense passo a passo antes de responder. "Antes de escrever a chamada para ação, identifique: 1) o gatilho emocional dominante do público, 2) o benefício mais relevante, 3) a objeção mais comum. Depois escreva 5 variações." Resultado: respostas mais profundas, com argumento explícito.

Decomposição. Dividir tarefa complexa em subtarefas. Em vez de "Crie campanha completa para lançamento", separar em "Etapa 1: identifique 3 ângulos de comunicação. Etapa 2: para cada ângulo, escreva 3 manchetes. Etapa 3: para a melhor manchete de cada ângulo, escreva 2 textos completos". O modelo entrega melhor quando a tarefa cabe em uma cabeça por vez.

Interpretação de personagem (role-play). Para análises e validações, instruir o modelo a assumir o papel do público. "Aja como diretor financeiro de empresa média brasileira lendo este e-mail. Quais objeções viriam à sua cabeça? Qual frase soaria forçada?" Saída útil para validar texto antes de publicar.

Diferenças entre modelos: Claude, GPT, Gemini

Os principais modelos de inteligência artificial generativa têm preferências distintas de instrução. Conhecer isso melhora a saída.

Claude (Anthropic) responde bem a estruturas claras de marcação com etiquetas como XML para separar contexto, exemplos e instruções. Tende a ser mais cauteloso em afirmações sem fonte. Lida bem com textos longos e instruções detalhadas. Encaixe natural: redação publicitária, análise crítica, sumarização longa, raciocínio em etapas.

GPT (OpenAI) usa fortemente a separação entre papel do sistema (system role) e papel do usuário. A definição de papel logo no início costuma ser mais impactante. Tem ecossistema mais amplo de integrações e ferramentas. Encaixe natural: brainstorm criativo, geração de variações, integração com ferramentas externas via API.

Gemini (Google) integra bem com o ecossistema Google (Docs, Sheets) e tem capacidade multimodal (texto, imagem) nativa. Performance varia mais entre as versões. Encaixe natural: tarefas que precisam de contexto vivo do navegador, integração com produtos Google, geração de conteúdo a partir de imagens.

A regra prática: a mesma instrução pode dar saídas bem diferentes em modelos distintos. Quando há tarefa crítica, vale testar a mesma instrução em pelo menos dois modelos antes de adotar.

Modelos prontos para tarefas frequentes em marketing

A seguir, esqueleto de instruções por tarefa. Adapte contexto e exemplos à sua marca.

Briefing criativo. "Você é planejador de marca experiente. Vou te passar informações soltas sobre um novo produto. Sua tarefa: transformar em briefing criativo seguindo a estrutura — público-alvo, problema central, promessa única, prova, tom, restrições, formato de saída desejado, marcos do projeto. Faça perguntas se faltar informação crítica antes de escrever. Use tom prático, sem jargão. [Cole as informações soltas aqui.]"

Texto para redes sociais. "Você é redator publicitário especialista em redes sociais brasileiras. Tom da marca: [colar diretrizes de voz]. Público: [descrever]. Objetivo deste post: [reconhecimento, engajamento, conversão]. Não use exclamações nem emojis. Máximo 280 caracteres. Devolva 5 variações distintas, cada uma com gancho diferente."

Análise de concorrente. "Você é analista de marketing. Vou colar o texto do site/material de um concorrente. Sua tarefa: identificar 1) promessa central, 2) público implícito, 3) tom dominante, 4) provas usadas, 5) lacunas óbvias, 6) o que minha marca pode fazer diferente. Use linguagem direta, sem julgamento de valor. [Cole o material aqui.]"

Sumarização de reunião. "Vou colar a transcrição de uma reunião. Devolva: 1) resumo de 5 linhas, 2) decisões tomadas (lista), 3) próximos passos com responsável e prazo (tabela), 4) pontos em aberto que precisam de decisão. Não invente informações que não estão na transcrição. [Cole a transcrição aqui.]"

Naming. "Você é especialista em naming de produtos para mercado brasileiro. Vou descrever o produto e o público. Restrições: nome curto (máximo 3 sílabas), pronunciável em português, sem semelhança com marcas conhecidas no mesmo segmento, sem palavras em inglês. Devolva 15 opções, agrupadas por categoria criativa (descritivo, evocativo, abstrato). [Descrição do produto.]"

Manchete e chamada para ação. "Você é redator publicitário. Vou descrever o produto e o objetivo. Devolva 5 manchetes com no máximo 60 caracteres, e para cada manchete, 1 chamada para ação de 3 a 5 palavras. Não use clichês (não escreva 'transforme', 'revolucione', 'unlock'). [Descrição.]"

Voz de marca em instruções: como capturar e aplicar

Inteligência artificial generativa tende ao genérico. Voz de marca é o antídoto. Para que o modelo escreva em voz consistente, três elementos precisam estar dentro da instrução:

Descrição de tom em adjetivos pareados. Não "tom amigável" (vago), mas "amigável mas não infantil; próximo mas não íntimo; confiante mas não arrogante". O contraste entre o que a marca é e o que NÃO é gera saída mais precisa.

Lista de palavras preferidas e proibidas. "Use: 'parceiro', 'descoberta', 'caminho'. Evite: 'solução' (genérica demais), 'inovador' (clichê), 'plataforma' (descaracteriza)." Listas curtas e específicas funcionam melhor que diretrizes longas.

Dois a três exemplos do tom certo. Cole trechos reais de textos da marca que representam a voz desejada. O modelo aprende padrão por exemplo concreto muito mais rápido que por descrição abstrata. Mantenha esses exemplos em um documento mestre e cole dentro de toda instrução que produz conteúdo externo.

Iteração: refinar a partir da saída

Boa instrução raramente sai pronta na primeira tentativa. Iteração estruturada é o que separa quem usa inteligência artificial generativa com método de quem se frustra com saídas inconsistentes.

Primeiro ciclo: escreva a instrução com os cinco princípios, peça a saída. Avalie em três critérios — relevância (responde o pedido?), tom (combina com a voz?), qualidade técnica (gramática, formato, tamanho). Anote o que falhou.

Segundo ciclo: ajuste a instrução para corrigir o ponto fraco. Se a saída foi vaga, adicione contexto. Se errou o tom, adicione exemplos. Se ficou longa demais, adicione restrição de tamanho. Rode novamente, compare com a versão anterior. Se melhorou, salve a nova versão; se piorou, volte para a anterior.

Terceiro ciclo: teste a instrução refinada em três ou quatro entradas diferentes para verificar consistência. Se varia muito entre entradas, a instrução ainda precisa de calibragem.

Documente o aprendizado: o que foi mudado e por quê. Sem documentação, a iteração se perde quando outra pessoa do time pega a mesma tarefa.

Avaliação: como medir qualidade de uma instrução

Em times maduros, qualidade de instrução é medida, não percebida. Três indicadores básicos:

Taxa de aproveitamento. Em quantas execuções a saída é usável sem reescrita significativa. Instruções com aproveitamento abaixo de 60% geralmente precisam de mais exemplos ou restrições.

Variabilidade entre execuções. Rode a mesma instrução 5 vezes com a mesma entrada. Se as saídas variam pouco em tom e estrutura, a instrução é robusta. Se variam muito, falta calibragem.

Tempo até saída usável. Quantas iterações são necessárias para chegar em saída pronta para uso. Instruções maduras devem entregar em 1 ou 2 ciclos.

Em grandes operações, testes A/B entre versões da mesma instrução são automatizados em plataformas dedicadas (PromptHub, PromptLayer, Vellum). Em operações menores, avaliação qualitativa pelo embaixador de IA basta.