Testei o conselho281 vezes"Aja como especialista"

O papel de especialista leva a IA a um resultado conhecido

Um dos conselhos mais conhecidos sobre como trabalhar com IAs soa mais ou menos assim:

Você é um profissional de marketing experiente, com dez anos de atuação. Analise o público e escreva o texto de uma landing page.

No lugar de profissional de marketing, pode entrar um designer, editor, advogado ou qualquer outro especialista. Esse é o sentido do ritual: parece que a frase ativa na IA tudo o que ela sabe sobre a experiência de um ótimo profissional de marketing.

É o que recomendam, por exemplo, os guias 1, 2, 3, 4 e 5, entre muitos outros. Há tempos o papel no prompt é apresentado como a primeira linha básica de uma “boa solicitação”.

Ao mesmo tempo, muitas vezes é fácil reconhecer o resultado de IA. A landing page abre com uma grande promessa, distribui benefícios em três cards e termina com o convite “Comece sua jornada hoje mesmo”. Está tudo bem organizado, tudo parece estar no lugar, e mesmo assim dá a sensação de já ter aparecido em algum lugar.

As publicações de origem nesta captura de tela estão em russo; ambas mostram que formulações e recursos recorrentes tornam o texto gerado por IA fácil de reconhecer.

Inspirado pela pesquisa da Anthropic sobre o funcionamento interno de modelos de linguagem, virei o conselho na outra direção. O que acontece se, em vez de “aja como um designer experiente”, você escreve “não pense em padrões de design com mais de 5 anos” ou “evite-os”? A hipótese era esta: pode ser mais útil dizer ao modelo com quem ele não deve se parecer do que com quem deve se parecer. Daqui em diante, vou chamar esses padrões de “anti-imagem” — uma referência negativa explícita para o resultado.

Para não tirar uma conclusão de três imagens que deram certo, reuni 281 resultados: 221 landing pages e 60 textos. Em uma parte, os modelos trabalharam como de costume: criaram arquivos, olharam a página no navegador e a corrigiram. Na outra, Luna recebeu as mesmas condições dezenas de vezes, enquanto eu mudava uma frase curta antes da tarefa. O teste mais rigoroso tinha apenas três prompts: “crie uma landing page”, “aja como designer” e “evite padrões de design com mais de cinco anos”.

Em nenhuma verificação independente o papel melhorou o resultado. Em tarefas detalhadas, os modelos com um papel voltavam mais vezes a composições conhecidas. No prompt curto, “Evite” superou tanto o papel quanto o prompt puro em originalidade, atualidade e qualidade visual. Com os textos aconteceu algo semelhante: uma anti-imagem concreta aumentou a originalidade e eliminou os clichês listados. Explico tudo a seguir.^[1]

Sumário

1. O papel de especialista leva a IA a um resultado conhecido
2. Método de avaliação do resultado
3. O papel leva a IA a se repetir
4. Nos textos, o papel também não trouxe vantagem
5. Por que “não pense” e “evite” se destacaram mais
6. Como escrever prompts para que a IA não repita padrões
7. Experimente no seu prompt

Leia primeiro a conclusão da pesquisa

Você pode riscar a frase “aja como um especialista” da maioria dos prompts. Testei a frase em 281 resultados. O papel não melhorou nem os textos nem as avaliações de landing pages feitas por avaliadores independentes. Na tarefa detalhada de design, Luna com papel repetiu a mesma composição ainda mais vezes.

Uma frase curta já bastou para obter um design mais forte. No teste mais duro, deixei somente a tarefa “criar uma landing page para um serviço de entrega de produtos de fazenda”. Depois acrescentei vinte vezes o papel ou a frase “Evite padrões de design com mais de cinco anos”. Sol e Terra avaliaram “Evite” acima em originalidade, atualidade e qualidade visual, tanto em relação ao papel quanto ao prompt puro.^[2]

Uma anti-imagem detalhada mudou o resultado de modo ainda mais visível. Nas landing pages com agentes, “Evite” ampliou a dispersão visual em 1,80–2,74 vezes. Nos textos, “Não pense” e “Evite” elevaram a originalidade e reduziram a padronização, mantendo clareza e utilidade aproximadamente no mesmo nível.^[3]

Então, como escrever prompts: descreva a tarefa em linguagem humana e com detalhes: o que está acontecendo, o que precisa receber e por quais sinais você aceitará o resultado. Nomeie também o que não deve aparecer nele: composições familiares, palavras gastas, aberturas publicitárias de sempre. No teste mínimo, uma única frase — “evite padrões de design com mais de cinco anos” — bastou para um resultado mais original, atual e visualmente forte do que atribuir ao modelo o papel de especialista experiente.

Primeiro vou mostrar brevemente como calculei isso. Depois, você poderá olhar as landing pages com calma e comparar os textos por conta própria.

Método de avaliação do resultado

Reuni 281 respostas. As landing pages tinham três níveis de contexto: briefing detalhado, briefing neutro e uma frase curta. Em cada comparação, tarefa, modelo e ferramentas continuavam iguais. Mudava apenas o enquadramento antes da geração.

Os modelos montaram 41 páginas no Codex: criaram arquivos, viram o resultado no navegador, corrigiram a página e escolheram as próprias ferramentas. Luna fez outras 180 landing pages com o mesmo cenário: primeiro montou a página, depois a corrigiu uma vez após visualizá-la. Cada variante de prompt foi repetida de dez a vinte vezes.

Em separado, Luna escreveu 60 textos: três tarefas de trabalho, quatro formulações e cinco respostas para cada uma. Calculei os resultados de design e texto separadamente; misturá-los em um único número bonito não faria sentido.

Estas são as formulações que comparei. A última série foi reduzida de propósito a uma única frase curta:

Na série detalhada, acrescentei mais três variantes de controle: juntei o papel à mesma lista de restrições, reescrevi a lista sem o verbo “evite” e, em separado, listei as soluções desejadas. Assim, testei o papel, a formulação e o nível de detalhe do prompt.

Publiquei todos os prompts, páginas de origem, textos, avaliações e o código dos cálculos no GitHub. Lá também estão os arquivos completos dos 281 resultados e as somas de verificação dos arquivos.

221 landing pages: do briefing detalhado a uma frase

Em 41 execuções, os modelos trabalharam como agentes. A primeira amostra contou com GPT-5.5, Gemini 3.5 Flash, Claude Sonnet 4.6, Sol, Terra e duas versões de Luna. Cada um dos sete modelos executou uma vez as formulações “Papel”, “Não pense” e “Evite”. Depois, Luna High executou todas as quatro condições cinco vezes. Essa parte mostra o resultado do trabalho usual, no qual o modelo escolhe como implementar.

Em seguida, reuni mais três séries de 60 páginas. Na primeira, Luna executou dez vezes o briefing detalhado com seis formulações. Na segunda, acrescentei quatro enquadramentos curtos a um briefing neutro, 15 vezes cada. Na terceira, deixei uma única frase sobre o serviço de entrega e três variantes de prompt, 20 vezes cada.

Em cada série, salvei as primeiras telas em um só tamanho e comparei todos os pares dentro de uma condição. Na série com agentes, a distância RGB mostrava diferenças de paleta e de grandes campos de cor. A distância dHash comparava a geometria geral das telas. Nas três grandes séries, a métrica principal foi a DINOv2. Ela compara páginas como imagens inteiras. Conferi o resultado por cor, hash perceptivo e mapas de contorno.

Sol e Terra receberam páginas prontas com números aleatórios e deram, de modo independente, notas de 1 a 5. Dependendo da série, avaliaram originalidade, atualidade, qualidade visual, clareza da proposta, cumprimento da tarefa e integridade técnica. Não misturei essas notas à dispersão visual: páginas podem diferir muito umas das outras e ainda serem ruins.

Não tratei 45 pares como 45 observações independentes. Em cada novo cálculo, o algoritmo montava os grupos outra vez a partir das páginas de origem. Verifiquei a diferença entre prompts permutando suas etiquetas, e a correção de Holm filtrava coincidências aleatórias em comparações múltiplas.

60 textos: três tarefas, quatro formulações, cinco repetições

Para os textos, mantive a mesma Luna High e três tarefas comuns de trabalho:

1. texto para a landing page de um serviço de lazer urbano;
2. artigo explicativo sobre mudar o foco depois de trabalho mental;
3. e-mail de uma biblioteca de bairro sobre uma troca de plantas domésticas.

Cada tarefa recebeu quatro condições e cinco respostas independentes: 3 gêneros × 4 condições × 5 execuções = 60 textos. Para cada grupo de cinco, calculei os dez pares. O vocabulário das respostas completas foi comparado por similaridade TF-IDF, títulos e CTAs por coeficiente de Jaccard por token. O índice estrutural comparava o esqueleto, e um detector automático buscava categorias de clichês anotadas antes da geração.

Depois, todos os 60 textos receberam números aleatórios e seguiram para dois avaliadores de IA, Sol e Terra. Eles não sabiam qual prompt vinha antes do texto. Cada um avaliou, separadamente, cumprimento da tarefa, clareza, especificidade, utilidade prática, originalidade e quantidade de fórmulas padronizadas. Não juntei esses critérios em uma nota geral: um texto original pode cumprir mal a tarefa, e o inverso também acontece.

Em toda a pesquisa, separei três verificações:

• o quanto as respostas de uma mesma condição diferem entre si;
• o quanto se afastam de padrões de gênero conhecidos;
• o quanto o resultado cumpre a própria tarefa.

Vou começar pelas landing pages: a diferença entre o papel e a anti-imagem fica visível antes dos gráficos.

O papel leva a IA a se repetir

Nas páginas “Sem instrução extra” e “Papel”, uma semelhança de família aparece rapidamente. Fundo claro, título grande à esquerda, caixa de legumes à direita, acentos em coral e verde. Mudam a fonte, as quebras e os detalhes da ilustração, enquanto a direção geral permanece familiar.

Em “Evite”, o conjunto começa a se comportar de outro modo. Aparecem lado a lado um cartaz branco e vermelho, uma tela amarelo-vivo, uma composição clara com uma caixa escultural e duas versões escuras em berinjela. Essas páginas continuam respondendo à mesma tarefa detalhada. É mais difícil tomá-las como variações de um mesmo modelo.

Com o papel, Luna repetiu mais vezes a mesma composição

Reuni vinte landing pages de Luna em uma matriz: quatro condições por cinco execuções independentes. Na linha do papel, as cinco chegaram a uma primeira tela clara, promessa grande à esquerda e uma caixa ilustrada à direita.

Sem enquadramento adicional, Luna se dispersou 11–28% mais. O papel apenas fazia com que ela voltasse mais vezes a uma solução: fundo claro, título grande à esquerda, caixa à direita.

O cálculo confirmou o que se vê. A distância mediana em “Sem instrução extra” foi 0,159 contra 0,124 em “Papel” pela distância RGB e 0,313 contra 0,281 pela distância dHash. Quanto maior o número, menos as páginas se parecem entre si.

“Evite” trouxe 1,8–2,74 vezes mais soluções diferentes

Com “Evite”, as diferenças aparecem em quase todos os pares. Mudaram as paletas, a tipografia, as formas dos cards e as próprias metáforas do produto. As cinco páginas ainda vendiam a assinatura de legumes, embora já não parecessem parentes.

Um único ponto fora da curva não explica isso: a diferença se manteve tanto na média quanto na mediana. Em cores e grandes planos, “Evite” trouxe uma dispersão 2,52–2,74 vezes maior do que a tarefa sem enquadramento adicional. Na geometria geral da tela, 1,80–1,95 vezes maior. A mediana passou de 0,159 a 0,435 na primeira métrica e de 0,313 a 0,609 na segunda.

A lista era concreta: modelos antigos de lojas de produtores, a “naturalidade” verde-bege, blocos de benefícios idênticos. Foi com ela que as cinco tentativas mais se afastaram.

Uma landing page escura inflou a média de “Não pense”

Na primeira etapa, em que sete modelos diferentes fizeram uma landing page cada, “Não pense” parecia a condição mais forte. Ao apenas percorrer as páginas, ela oferecia a maior variedade de direções e liderava na distância média de pixels. Surgia uma conclusão cômoda: uma instrução negativa amplia a busca imediatamente.

Cinco repetições de uma mesma Luna mostraram outro quadro. Quatro páginas de “Não pense” ficaram claras e parecidas. A quinta mudou bruscamente para uma tela verde-escura e elevou a média de todo o grupo. A distância mediana de pixels ficou até um pouco abaixo da do papel: 0,115 contra 0,124.

Essa tela foi um dos resultados mais úteis da pesquisa. Com uma geração isolada, eu poderia atribuir uma propriedade estável à instrução. Cinco repetições revelaram um ramo raro: nas outras quatro tentativas, nada parecido aconteceu.

Um briefing produziu composições, paletas e metáforas diferentes

Até as páginas mais diferentes preservavam o esqueleto do brief: primeira tela, conteúdo da caixa, três etapas, tamanhos da assinatura, explicação da sazonalidade e convite final. A anti-imagem mudou a apresentação desse esqueleto. Cards viraram listas, planos viraram configurador, calendário virou diagrama; cor, fonte, ritmo e metáfora visual foram reorganizados.

Frescor visual não garantiu que a página estivesse pronta para lançamento. A nota média de prontidão técnica na série de modelos diferentes permaneceu em uma faixa estreita, de 3,00 a 3,29 em 5. Algumas versões expressivas dificultavam o caminho até o pedido de contato ou quebravam em telas estreitas. O cenário, o texto e a responsividade ainda exigiam verificação própria.

No briefing detalhado, o papel voltou a reunir páginas parecidas

Aqui, Luna recebia sempre a mesma tarefa detalhada, as mesmas ferramentas e exatamente duas tentativas para corrigir a página. Repeti cada variante de prompt dez vezes.

Com papel, as páginas ficaram cerca de 9% mais próximas umas das outras do que sem ele. A anti-imagem detalhada trouxe uma dispersão 7–15% maior. A diferença foi menor do que no trabalho livre com agentes.^[4]

O conjunto mais amplo apareceu quando o papel vinha junto com a mesma anti-imagem. A frase comum “para esta página não servem…” com a mesma lista literal funcionou de modo próximo a “evite”. Aqui, foi a própria lista de soluções indesejadas que agiu. A escolha do verbo quase não mudou nada.

Uma linha “evite padrões antigos” bastou para superar o papel

Aqui surge uma pergunta justa: o papel tinha uma frase curta e a anti-imagem, uma lista longa de detalhes. Talvez a lista vencesse apenas por informar mais ao modelo. Por isso, montei uma série separada de três prompts quase vazios:

Luna executou cada prompt vinte vezes. Depois, Sol e Terra receberam as páginas com números aleatórios. Eles não sabiam onde havia papel e onde havia anti-imagem.

“Evite” venceu o papel nas três avaliações principais: +0,45 ponto em originalidade, +0,33 em atualidade e +0,30 em qualidade visual. Em relação ao prompt puro, os resultados foram +0,55, +0,38 e +0,33. Cálculos adicionais não mudaram os números.^[2:1]

No prompt mínimo, o curto “Evite” recebeu as maiores notas de Sol e Terra nos três critérios principais.

As próprias páginas dentro dos três grupos eram aproximadamente tão variadas quanto umas às outras. A fronteira curta deslocou todo o grupo para um design mais fresco e não tornou as vinte tentativas mais caóticas. No briefing neutro detalhado, a mesma frase produziu um resultado muito mais fraco: quanto mais direção já está escrita na tarefa, menos uma frase adicional altera.^[5]

As landing pages mostraram dois efeitos. Na tarefa detalhada com agentes, a anti-imagem abriu mais direções visuais. No prompt mínimo, uma linha curta já bastou para que as páginas parecessem mais originais, atuais e fortes, embora a dispersão geral quase não mudasse. Depois tirei cor, imagens e layout da equação e testei as mesmas formulações em 60 textos.

Nos textos, o papel também não trouxe vantagem

Mudar de tarefa ainda não é se recuperar

O mesmo subtítulo em todos os cinco artigos com papel.

Outro título se repetiu em quatro das cinco respostas. O papel claramente empurrou o modelo para um enquadramento editorial conhecido. Só os títulos não bastavam para concluir, então verifiquei o vocabulário, a estrutura e os CTAs nos 60 textos.

Com e sem papel, os textos foram igualmente variados

Primeiro, observei o quanto o vocabulário das cinco respostas dentro de cada condição se parecia. Para isso, usei a similaridade lexical TF-IDF: quanto maior o valor, mais vezes o modelo volta às mesmas palavras.

Recalculei a similaridade de seis formas. O resultado não mudou: textos completos com e sem papel eram igualmente variados.^[3:1]

Os textos completos diferiam, títulos e botões isolados se repetiam

Palavras diferentes ainda não significam que os textos sejam realmente diferentes. O modelo pode repetir um subtítulo, organizar os argumentos do mesmo jeito ou levar ao mesmo botão. Por isso, comparei esses elementos separadamente.

Nas respostas com papel, apareceram quatro repetições notáveis:

• nos artigos, um subtítulo se repetiu nas cinco respostas;
• nos e-mails, os textos com papel tiveram a estrutura mais parecida entre as quatro condições;
• um conjunto de palavras de CTA se repetiu nos cinco e-mails com papel;
• o botão “Inscreva-se na troca” apareceu em quatro dos cinco e-mails com papel.

O papel, porém, não reuniu os três gêneros em um único modelo. O mesmo botão surgiu em quatro dos cinco e-mails “Evite”, e nos textos das landing pages de produto os títulos se repetiam mais sem enquadramento adicional: 0,733 contra 0,547 em “Papel”. Portanto, o papel concentrava elementos isolados, sem padronizar qualquer texto inteiro.

Em 30 textos com anti-imagem, não apareceu nenhum clichê listado

Antes da geração, anotei algumas fórmulas reconhecíveis para cada gênero:

• para a landing page: pergunta retórica na primeira linha, promessa de mudar a vida, “chega de”, trio de benefícios abstratos e o convite “comece sua jornada”;
• para o artigo: “isso é familiar para você?”, o ritmo acelerado da vida moderna, segredos simples, uma lista universal de conselhos e a conclusão “o importante é começar aos poucos”;
• para o e-mail: “queridos amigos”, evento aguardado, exclamações, atmosfera inesquecível, acúmulo de adjetivos e o pedido para garantir uma vaga a tempo.

A verificação automática encontrou seis ocorrências nos textos “Sem instrução extra” e oito nos textos com papel. Nos trinta textos de “Não pense” e “Evite”, não encontrou nenhuma.

Cinco das seis ocorrências sem enquadramento adicional vieram de pontos de exclamação nos e-mails. Com papel, eles apareceram nos cinco e-mails; junto vieram “queridos amigos” e dois trios abstratos de benefícios nas landing pages. Nos artigos explicativos, nenhum dos clichês listados apareceu.

A lista funcionou literalmente: o modelo viu fórmulas concretas e as contornou.^[3:2]

A anti-imagem tornou os textos mais originais e tirou fórmulas padronizadas

Os 60 textos foram lidos de forma independente por dois avaliadores de IA. Eles viam a tarefa, o texto e os critérios, mas não sabiam qual prompt Luna recebeu.

O papel quase não mudou nada: −0,03 ponto em originalidade e a mesma variação em padronização.

A anti-imagem deslocou as avaliações de forma mais nítida. “Não pense” acrescentou 0,57 ponto de originalidade e retirou 0,73 ponto de padronização. Com “Evite”, os valores foram +0,40 e −0,53.

Cumprimento da tarefa, clareza, especificidade e utilidade prática quase não mudaram. A anti-imagem afetou precisamente a originalidade e os recursos padronizados.^[3:3]

Sol e Terra verificaram os 60 textos de modo independente. A anti-imagem elevou a originalidade e reduziu a padronização; as outras qualidades quase não mudaram.

Não encontrei diferença entre “Não pense” e “Evite”

“Não pense” recebeu notas um pouco mais fortes, mas a diferença variava de tarefa para tarefa e era pequena demais para escolher um vencedor.

As duas formulações continham a mesma anti-imagem detalhada: abertura indesejada, promessas familiares, estrutura, tom e convite. Essa lista explica melhor o resultado geral.

Nenhum dos 20 e-mails alcançou as 300 palavras exigidas

Todos os vinte artigos explicativos ficaram na faixa de 450–650 palavras. O requisito de extensão da landing page foi cumprido por 14 respostas de 20. Os e-mails deveriam ter pelo menos 300 palavras. Nenhum chegou lá: a extensão média nas quatro condições foi de 262 a 278 palavras.

Uma nota alta de originalidade não corrigiu essa falta. A anti-imagem ajudou a controlar recursos reconhecíveis, enquanto o cumprimento do brief precisou de verificação separada.

Com os textos aconteceu quase o mesmo que com o design: o papel pouco acrescentou à tarefa detalhada, e a anti-imagem deslocou visivelmente originalidade e padronização. Falta entender o motivo.

Por que “não pense” e “evite” se destacaram mais

Quando Luna lia “aja como designer”, ela já entendia a tarefa. O brief trazia produto, público, estrutura da página, primeira tela, cenário de assinatura e exigências para a linguagem visual. A própria palavra “landing page” carregava milhares de exemplos conhecidos.

O papel levava ao centro do gênero: faça como faria um especialista experiente. Primeira tela clara, grande promessa, caixa à direita e CTA compreensível se tornavam uma resposta plenamente lógica. A tarefa detalhada chegava Luna aproximadamente ao mesmo lugar mesmo sem papel.

A anti-imagem fechava algumas rotas conhecidas: a “naturalidade” verde-bege, modelos antigos de produtores, cards de benefícios idênticos e aberturas publicitárias familiares. Ainda sobravam muitos outros caminhos.

No trabalho livre sobre o briefing detalhado, a anti-imagem separou as páginas em composições e paletas distintas. No prompt mínimo, deslocou todo o grupo para um design mais fresco: as avaliações de Sol e Terra subiram, enquanto a distância entre as vinte páginas quase não mudou. O modelo pode, portanto, afastar todo o grupo de uma solução conhecida sem se tornar caótico.

Parece que a liberdade de ação também influenciou o resultado. No Codex, o modelo podia criar imagens, reorganizar a página e escolher ferramentas. Na série de 60 execuções iguais, ele tinha HTML, CSS, JavaScript e SVG locais, além de exatamente duas tentativas de corrigir a página. A anti-imagem voltou a afastar um pouco os resultados, mas a diferença foi menor. Provavelmente, ela se beneficia especialmente da possibilidade de realizar outra rota visual.^[4:1]

Esse esquema descreve respostas prontas. A pesquisa da Anthropic sugeriu o que poderia ocorrer entre o prompt e o resultado.

A anti-imagem pode ter enfraquecido o traço de padrões conhecidos

Na pesquisa da Anthropic, Claude Opus 4.1 recebeu a tarefa de reescrever uma frase neutra e, ao mesmo tempo, pensar ou não pensar em aquários. Depois de “não pense”, o traço de aquários na resposta ficava mais fraco do que após o pedido para pensar neles. Na última camada do modelo, voltava ao nível de fundo.

No meu experimento, os aquários foram substituídos pela “naturalidade” verde-bege, modelos antigos de produtores, cards idênticos e aberturas textuais conhecidas. O modelo recebeu uma lista precisa de rotas a contornar.

Daí vem a explicação de trabalho para meus resultados: a anti-imagem fechava atalhos para uma resposta familiar, deixando ao modelo mais maneiras de cumprir a tarefa. Não medi as ativações internas de Luna, portanto essa parte permanece uma hipótese.^[6]

Em outras pesquisas, o papel também não trouxe melhoria estável

Meu resultado faz parte de um quadro mais amplo. Os autores de When “A Helpful Assistant” Is Not Really Helpful testaram 162 personas e 2.410 perguntas: em média, o papel não elevou a precisão. Em Principled Personas, papéis de especialista às vezes ajudavam, mas o efeito muitas vezes não se confirmava, e detalhes extras podiam piorar bastante a resposta. Outra pesquisa, When Does Persona Prompting Actually Help?, testou 38 papéis em 1.140 perguntas. A diferença média voltou a ser pequena: o papel acrescentava especialização e, ao mesmo tempo, reduzia a clareza.

Esses trabalhos mediram coisas diferentes: precisão, profundidade e clareza das respostas. Eu observei dispersão visual, qualidade, vocabulário e clichês. Os resultados convergem em um ponto: a frase “aja como um especialista” não funciona como intensificador universal. Às vezes, o papel define um ângulo útil, às vezes não muda nada, às vezes carrega expectativas extras.

Então, escrever “evite” ou “não pense em”?

Pelos resultados da série de textos, tanto faz. “Não pense” e “Evite” ficaram separados por apenas 0,04 ponto, e as medianas coincidiram.

Vou escrever “evite”, porque é uma maneira mais natural de falar. A um designer eu diria: “Evite estes padrões”. A frase “Não pense nestes padrões” soaria estranha. O importante é listar soluções concretas que não devem aparecer no resultado.

Como escrever prompts para que a IA não repita padrões

Há muito tempo parei de considerar o papel como primeira linha obrigatória de um prompt, e a pesquisa confirmou isso com números. Quando preciso montar um prompt, explico a tarefa como explicaria a um colega inteligente: o que está acontecendo, qual resultado é necessário, quem o usará, o que já se sabe e quais restrições importam.

Não há um formato universal para essa conversa. Um prompt cabe em um parágrafo; outro precisa de exemplos, arquivos e contexto longo. Um bom prompt dá à IA informação suficiente para entender a situação e o resultado esperado.

Você pode acrescentar uma anti-imagem a esse relato com uma frase natural. Às vezes, basta escrever:

Evite padrões de design com mais de cinco anos.

No teste mínimo, essa linha bastou: Sol e Terra deram notas mais altas para originalidade, atualidade e qualidade visual. Uma lista detalhada é necessária quando você já sabe quais clichês e soluções quer excluir.

Se sei de antemão qual modelo me incomoda, eu o nomeio com mais precisão. No texto, podem ser perguntas retóricas, “queridos amigos”, antíteses, trios de benefícios abstratos e o convite “comece sua jornada”. No design, uma tela roxa e cards idênticos. Esses detalhes são fáceis de conferir no resultado pronto.

O prompt em si continua sendo uma história humana comum:

Estamos criando uma landing page para uma assinatura urbana de caixas sazonais de legumes. As pessoas escolhem o tamanho da caixa e a recebem uma vez por semana. A página precisa explicar o conteúdo, as três etapas da assinatura, as opções de tamanho e a sazonalidade. Queremos um produto local contemporâneo, com um pedido fácil de entender. Evite padrões de design com mais de cinco anos e a estética rural verde-bege de sempre.

Aqui há uma situação, um resultado desejado e uma fronteira que impede o modelo de cair no primeiro padrão familiar. Uma ordem especial de blocos e o papel de alguém com dez anos de experiência não acrescentarão nada a isso.

O papel ainda pode ser útil quando realmente define uma perspectiva. Por exemplo, pedir que alguém revise a interface do ponto de vista da acessibilidade muda o ângulo de análise. Em geral, explico de imediato o que precisa ser verificado: rótulos, mensagens de erro, obrigatoriedade dos campos ou dependência de sentido em relação à cor. Essa explicação é mais útil que o nome da profissão.

Para uma tarefa importante, também faço várias tentativas independentes. Uma resposta pode ser um ponto fora da curva, como a landing page escura de “Não pense” neste experimento. Repetições ajudam a ver o intervalo e a escolher uma solução que cumpre a tarefa sem voltar à anti-imagem nomeada.

Em resumo, conte à IA com detalhes o que você quer e o que está acontecendo. Se um padrão reconhecível já começa a aparecer, nomeie-o e peça outro caminho.

Experimente no seu prompt

Cole um prompt com “aja como”. A IA preservará a tarefa e transformará o sentido do papel em requisitos concretos para o resultado.