Escrever um prompt melhor deixou de ser o gargalo. Os modelos de fronteira de 2026 raciocinam por conta própria, recusam instruções que funcionavam em 2024 e cobram por tokens que ninguém vê. O que separa uma iniciativa de IA que entrega de uma que consome orçamento é a decisão sobre o que entra no contexto, quanto aquilo custa por tarefa, como se mede se funcionou e qual risco a empresa aceita correr. Este curso trata prompt e contexto como matéria de decisão executiva: cada número traz fonte, data e link, e cada parte termina num artefato que você leva para a reunião.
Ao final, você consegue reprovar uma proposta de fornecedor apontando o que falta nela, dimensionar o custo de uma iniciativa a partir de tabela pública, distinguir métrica defensável de métrica de vaidade num relatório ao conselho, classificar o risco de um fluxo antes de aprová-lo e nomear a obrigação regulatória que já vale hoje.
As duas trilhas compartilham a mesma taxonomia e o mesmo registro de progresso. Você pode migrar de trilha sem recomeçar.
Conselho, CEO, CFO e diretoria sem pré-requisito técnico
Sete módulos, 1 h 35 min. Você sai sabendo o que reprovar numa proposta de fornecedor, quanto a iniciativa custa, qual métrica defender no board e qual risco não aprovar.
Quem responde pela execução: produto, dados, TI, jurídico e compliance
Os 24 módulos na ordem, 5 h 32 min. Acrescenta as técnicas de gestão de contexto longo, a escolha entre recuperação e janela cheia, a montagem da suíte de avaliação e o detalhe regulatório.
Ao final você consegue separar, no material de prompt que circula na sua empresa, o que ainda vale do que virou erro operacional.
Quais capítulos do manual de prompt da sua empresa saem de circulação nesta semana, e quais ficam. A pergunta parece administrativa e não é: parte do material que a sua equipe estuda produz erro 400 na chamada, e outra parte, correta, está prestes a ser apagada por parecer velha.
O custo de ignorar tem duas faces. De um lado, quatrocentas pessoas treinadas em três instruções que hoje derrubam a chamada e numa quarta que dispara recusa. De outro, um capítulo tecnicamente correto removido por engano, com a queda de qualidade sendo atribuída ao modelo novo que chegou na mesma semana.
Diante do material de prompt que circula hoje na sua organização, avaliar cada prática recomendada como erro operacional, prática superada ou orientação ainda válida, justificando o enquadramento com a data e a fonte primária da mudança. Você sai daqui com doze práticas classificadas em três colunas e uma errata de uma página pronta para circular, com dono e data.
O curso tem 24 módulos, e o bloco abaixo resume os dois caminhos de entrada. O vídeo percorre as seis partes em dez minutos, na sequência em que elas resolvem o problema; o podcast cobre o mesmo arco em dezessete minutos de conversa, para ouvir dirigindo ou caminhando. Os dois saíram do texto integral destes 24 módulos, então nenhum traz número que não esteja aqui embaixo com fonte e data. Pular ambos não prejudica nada do que vem adiante.
Parte do que o manual da sua empresa ensina já não entrega resultado pior. Devolve erro. Essa diferença decide a urgência, e é a primeira coisa a estabelecer numa reunião de revisão de material, antes de discutir mérito de qualquer técnica.
Resultado pior aparece na avaliação de qualidade semanas depois, quando alguém repara num relatório e levanta a mão. Erro 400 derruba o fluxo em produção no primeiro dia e chega à sua mesa como incidente, com a área de negócio junto. Uma recusa do modelo é um terceiro estado, mais traiçoeiro que os dois: a chamada é aceita, responde, e o que volta é a explicação de por que o pedido não será atendido.
O manual da sua empresa provavelmente foi escrito entre 2023 e 2024, quando as recomendações eram estáveis o bastante para virar apostila. Doze delas mudaram de estado desde então.
Três devolvem erro na chamada. Oito viraram prática superada, com substituto documentado, e uma dessas oito dispara recusa nos modelos mais novos quando o pedido é literal. A décima segunda continua correta — e é justamente a que as equipes mais tentam apagar quando decidem modernizar o manual por conta própria.
A tabela a seguir enfileira as doze com o estado de cada uma em julho de 2026 e o substituto documentado. Leia a segunda coluna primeiro. Ela separa o que quebra a chamada do que apenas gasta mais e entrega menos, e essa separação define a fila de trabalho: as três linhas com erro 400 e a que dispara recusa saem nesta semana, porque cada uma é um incidente esperando o momento. As outras oito cabem na revisão trimestral, junto com a revisão de custo.
| Prática de 2024 | Status em julho de 2026 | O que fazer no lugar |
|---|---|---|
| A. Escrever "pense passo a passo" e desenhar a cadeia de raciocínio à mão | Superada. A orientação da Anthropic prefere instruções gerais a passos prescritos, e registra que o raciocínio do modelo frequentemente excede o que um humano prescreveria. No Fable 5 há agravante: mandar o modelo reproduzir o próprio raciocínio pode disparar a recusa reasoning_extraction | Descrever a tarefa, as restrições e o formato desejado, e regular o nível de esforço em vez de escrever o plano |
| B. Prefill da resposta do assistente, começando a fala do modelo por "Aqui está o JSON:" | Erro 400 a partir do Claude 4.6. Deixou de ser suportado | Saída estruturada, uso de ferramenta com enum, ou instrução direta de formato |
| C. Ajustar temperature, top_p e top_k para calibrar criatividade ou determinismo | Erro 400 com valores não padrão em Opus 4.7, Opus 4.8 e Sonnet 5 | Regular o nível de esforço e escrever a instrução de estilo e de formato no próprio prompt |
| D. Definir budget_tokens ou orçamento numérico de raciocínio | Erro 400 no Claude 4.7 em diante. O Google substituiu o orçamento numérico pelo thinking_level categórico | Escolher um nível na escada de esforço e mantê-lo estável dentro de conversas cacheadas |
| E. Pedir JSON no texto do prompt e torcer para vir bem formado | Superada como garantia. A documentação da Anthropic lista os efeitos: erro de parsing, campo obrigatório ausente, tipo inconsistente e violação de esquema exigindo nova tentativa | Saída estruturada por decodificação restrita (Anthropic), modo estrito (OpenAI) ou esquema de resposta (Google). O modo JSON da OpenAI garante JSON válido, e não aderência ao esquema |
| F. Repetir a instrução, usar caixa-alta e escrever "CRITICAL: You MUST" | Superada e contraproducente. A linguagem agressiva passou a causar acionamento indevido de ferramentas, e a documentação manda reduzir o tom | Enunciar cada instrução uma vez, em tom neutro, e expor apenas as ferramentas relevantes para a tarefa |
| G. Colar "seja conciso" em todo prompt | Depende do modelo. O GPT-5.6 já é mais conciso por padrão que o 5.5, e instrução ampla de brevidade pode encurtar demais; o controle é o parâmetro de verbosidade. No Opus 5 a resposta é mais longa por padrão e a concisão precisa ser pedida | Calibrar por modelo, medindo o tamanho da saída antes e depois, em vez de aplicar a mesma regra a todos |
| H. Incluir instruções de autoverificação em todo prompt | Superada no Opus 5. A orientação de migração manda remover as instruções herdadas, porque o modelo verifica o próprio trabalho sem ser mandado, e a instrução redundante custa tokens e latência | Remover a instrução e medir; devolvê-la apenas se a suíte de avaliação mostrar perda |
| I. Encadear prompts como técnica padrão para decompor tarefa | Superada como padrão. Com raciocínio adaptativo, boa parte do trabalho multipasso acontece dentro do modelo | Encadear apenas quando for preciso inspecionar a saída intermediária ou impor um pipeline específico por exigência de auditoria |
| J. "Few-shot longo morreu; corte os exemplos" | Mito. A documentação da Anthropic recomenda de 3 a 5 exemplos e ensina a usar marcação de raciocínio dentro deles; o Google recomenda sempre incluir exemplos e afirma que prompts sem eles tendem a ser menos eficazes | Manter de 3 a 5 exemplos rotulados e cortar a repetição de instrução, que é o que a orientação da OpenAI ataca |
| K. Projetar custo com a contagem de tokens anterior a 2026 | Desatualizada. Os modelos Claude 4.7 em diante produzem cerca de 30% mais tokens para o mesmo texto | Refazer a projeção medindo a contagem real de uma chamada representativa no modelo que está em produção |
| L. "Cache de prompt é grátis para escrever" | Falso nas três plataformas. Em GPT-5.6 a escrita passou a custar 1,25 vezes a entrada não cacheada; na Anthropic sempre houve multiplicador de 1,25 vezes para 5 minutos e 2 vezes para 1 hora; no Gemini há cobrança de armazenamento por hora | Calcular o ponto de equilíbrio antes de arquitetar: 1 leitura no TTL de 5 minutos e 2 leituras no de 1 hora, na tabela da Anthropic |
Quatro linhas produzem erro na chamada: B, C, D e, no Fable 5, o agravante descrito em A. As demais degradam custo ou qualidade sem derrubar o fluxo.
Fonte: Anthropic (boas práticas de prompting, guia de esforço, prompt caching, saídas estruturadas e guia do Fable 5), OpenAI (guia de raciocínio e guia de prompt caching) e Google (documentação de thinking), consultados em 24/07/2026.
Exemplos continuam valiosos. O que ficou caro foi a redundância e a prescrição de passos. Circula em material de 2026 a afirmação oposta, de que few-shot morreu e os exemplos devem sair dos prompts, e a documentação vigente a contradiz em duas das três famílias de fronteira. A Anthropic recomenda de 3 a 5 exemplos, envolvidos em tags, e ensina a usar marcação de raciocínio dentro deles. O Google é mais categórico: manda sempre incluir exemplos e afirma que prompts sem eles tendem a ser menos eficazes. A orientação da OpenAI que deu origem ao mal-entendido ataca outra coisa, a instrução repetida e o exemplo duplicado; os ganhos que ela cita para esse enxugamento, de 10% a 15% em avaliação cortando de 41% a 66% dos tokens, vêm de rodadas internas sem metodologia publicada, e servem de direção, não de meta. Quem apagar os exemplos achando que moderniza o manual vai piorar a saída e atribuir a piora ao modelo novo, que chegou na mesma semana.
A errata precisa nomear o modelo em que cada erro ocorre, e essa exigência tem motivo prático: os mesmos comandos continuam funcionando em modelos anteriores, e a sua equipe vai encontrar contraexemplos em uma tarde. Sem o nome do modelo ao lado, a errata vira opinião contestável.
O prefill do assistente, aquele truque de começar a fala do modelo por Aqui está o JSON: para forçar o formato, retorna erro 400 a partir do Claude 4.6. Valores não padrão de temperature, top_p e top_k retornam erro 400 no Opus 4.7, no Opus 4.8 e no Sonnet 5. O budget_tokens, herdado do extended thinking, retorna erro 400 no Claude 4.7 em diante, porque o orçamento numérico deu lugar ao parâmetro de esforço — o Google fez movimento equivalente ao trocar o orçamento pelo thinking_level categórico. A quarta entrada da errata não devolve erro: pedir ao Fable 5 que reproduza o próprio raciocínio dispara a recusa reasoning_extraction, e o registro dela pede uma linha separada, porque quem procurar por código de erro no log não vai achar nada.
O pedido de JSON no meio do texto merece atenção maior do que os quatro anteriores, apesar de não figurar entre eles. Ele é aceito. Às vezes funciona. A falha aparece de forma intermitente, em produção, na forma de campo obrigatório ausente ou tipo inconsistente, e o time gasta uma semana procurando o padrão antes de descobrir que não existe padrão. O substituto documentado é a saída estruturada por decodificação restrita — e convém lembrar que o modo JSON da OpenAI garante JSON válido, sem garantir aderência ao esquema.
Quando a equipe for enxugar, o critério é este: sai a redundância e a prescrição de passos, fica o exemplo rotulado e a restrição explícita. A confusão entre as duas colunas é o que produz o corte errado.
| Corte | Mantenha |
|---|---|
| A mesma instrução repetida em três lugares do prompt de sistema, porque alguém achou que reforço aumenta obediência | A restrição dita uma vez, em tom neutro, com o formato de saída declarado |
| O plano de raciocínio escrito à mão, passo a passo, para uma tarefa que o modelo já decompõe internamente | De 3 a 5 exemplos que mostram o padrão de entrada e de saída, com a marcação estrutural que a família de modelos recomenda |
| "CRITICAL: You MUST use this tool when...", que passou a provocar acionamento indevido de ferramenta | "Use esta ferramenta quando...", que descreve a condição de uso sem elevar o tom |
| A instrução de autoverificação herdada de modelo anterior, que no Opus 5 gera verificação em excesso e alonga a resposta | O critério de aceite do resultado, que substitui a instrução genérica de verificar |
| O catálogo inteiro de ferramentas exposto por padrão, quando a tarefa usa três delas | As ferramentas relevantes para a tarefa, com descrição escrita como se fosse contrato de API pública |
A linha da autoverificação tem uma disciplina embutida. A orientação de migração manda remover as instruções herdadas ao entrar no Opus 5, porque o modelo verifica o próprio trabalho sem ser mandado e a redundância custa tokens e latência. Remova, meça antes e depois, e devolva a instrução só se a suíte de avaliação mostrar perda. Medir é o que transforma a recomendação do fornecedor em decisão verificável na sua casa.
Brevidade deixou de ser uma regra única. O GPT-5.6 já é mais conciso por padrão que o 5.5, e uma instrução ampla de brevidade pode encurtar demais a resposta; o controle apropriado ali é o parâmetro de verbosidade. No Opus 5 o comportamento se inverte, com respostas mais longas por padrão, e a concisão precisa ser pedida. A mesma frase colada nos dois prompts produz efeitos opostos.
O segundo número muda a conta do ano. Os modelos Claude 4.7 em diante produzem cerca de 30% mais tokens para o mesmo texto, o que deixa desatualizada qualquer planilha montada antes da troca de tokenizador. Some a isso o cache: em GPT-5.6 a escrita passou a custar 1,25 vezes a entrada não cacheada; na Anthropic sempre houve multiplicador de 1,25 vezes para o TTL de 5 minutos e de 2 vezes para o de 1 hora; no Gemini há cobrança de armazenamento por hora. O ponto de equilíbrio na tabela da Anthropic é baixo — 1 leitura no TTL de 5 minutos, 2 leituras no de 1 hora —, mas baixo não é zero, e arquitetura desenhada sobre a premissa do gratuito erra na direção do gasto.
O caso abaixo põe essa fila sob pressão de calendário e de orçamento, que é como a decisão costuma chegar à mesa de um diretor.
A empresa tem um manual interno de 60 páginas sobre uso de IA, escrito em 2024 por um consultor, e uma turma de 400 pessoas com treinamento agendado para daqui a três semanas. Ao revisar o material, a sua equipe encontra três instruções que hoje devolvem erro na chamada, uma quarta que dispara recusa e um capítulo inteiro defendendo o uso de exemplos nos prompts, que dois analistas querem remover porque leram em um blog que few-shot ficou obsoleto. O orçamento do treinamento já foi comprometido e a obrigação de letramento em IA do Artigo 4 do AI Act europeu vale desde 02/02/2025 para a subsidiária da empresa na Europa.
Antes de seguir, teste se você consegue conduzir a próxima revisão de material: (1) Você nomeia as três instruções que hoje devolvem erro na chamada, a quarta que dispara recusa, e o modelo a partir do qual cada uma passou a falhar? (2) Explica por que exemplos continuam recomendados enquanto a repetição de instrução ficou cara? (3) Diz o que muda no custo por causa do tokenizador novo e do multiplicador de escrita do cache, sem consultar a tabela? (4) Sabe qual capítulo do material da sua empresa você protegeria hoje de uma remoção equivocada, e quem assina a errata?
Ao final você consegue diagnosticar uma falha de IA como problema de contexto — o dossiê que entra na chamada — e apontar qual técnica de gestão resolve.
Ao final você consegue ler um prompt de sistema, uma descrição de ferramenta e um contrato de saída, dizer o que reprova — e aplicar tudo isso na oficina de prompts de marketing, com dezesseis modelos prontos para copiar.
Ao final você consegue dimensionar o custo de uma iniciativa a partir de tabela pública e defender no conselho a métrica que a mede.
Ao final você consegue classificar o risco de um fluxo antes de aprová-lo, reconhecer a injeção de prompt e nomear a obrigação regulatória que já vale hoje.
Ao final você consegue conduzir uma revisão executiva, montar um plano de 90 dias e escrever o memorando de uma página.
Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA e cofundador da AI Brasil. Foi CMO da Semantix, empresa brasileira de dados e IA listada na Nasdaq. É pioneiro em Generative Engine Optimization e no conceito de Business-to-Agent no mercado brasileiro.
Opera modelos de fronteira em produção e paga a fatura no fim do mês, o que muda o que se considera relevante ensinar. Escreveu este curso com a régua que aplica em auditoria de cliente: número sem fonte primária não entra, e previsão de consultoria não senta na mesma mesa que dado observado.
Plataforma de visibilidade algorítmica com análises contínuas em ChatGPT, Gemini, Claude e Perplexity. R$ 99/mês nos primeiros 3 meses com cupom ALE99. Ideal para aplicar o que você aprendeu em Prompt Engineering para Executivos.
Sem cartão para começar · cancele quando quiser · cupom ativo por 3 meses consecutivos
Em julho de 2026, qual é a forma correta de pedir mais raciocínio a um modelo de fronteira da Anthropic?
Cursos do portal que aprofundam ou complementam o que você estudou aqui.
Seleção automática baseada nos tópicos, audiência e jornada desta página.