A engenharia de PROMPT (Prompt Engineering) é o processo de otimizar textos de entrada (prompts) para interagir com modelos de Inteligência Artificial Generativa (como LLMs). Enquanto evolui exponencialmente, práticas vão trocando uma visão poética simplista por guardrails que garantam sua governança e efetividade.
Ao contrário de um CHAT entre humanos, com a IA fica longe de ser um simples CHAT. Na ausência de um cérebro humano, ela exige uma camada de contextualização entre a intenção humana e a lógica probabilística do modelo. Isso é fundamental para potencializar os resultados e racionalizar o empenho necessário.
Antes, é preciso esclarecer técnicas básicas de prompt enquanto CHAT. Restringir a engenharia de prompt a frases em um CHAT (conversação) é tido como Zero-Shot Prompting – é pedir que o modelo realize tarefas sem uma estrutura de informações e conhecimento prévia … funciona bem para tarefas simples.
- Persona Prompting (Papel): Define uma perspectiva humana, como tom ou humor, nível de conhecimento, prisma ou postura. Ex: “Atue como um Agilista experiente em métodos ágeis hibridos, com um viés pragmático, seguro, com baixo apetite ao risco, mitigando resistência a mudanças, focando no que é mais importante”;
- AI Guardrails (Restrições): Define explicitamente o que o modelo não deve fazer para evitar desvios ou respostas indevidas. Ex: “<…> responda apenas com base no texto fornecido e dados históricos disponíveis. Se a resposta não estiver nos textos, diga ‘Não encontrado’ e sugira quais dados adicionais são uteis para evoluir na resposta.”;
- Output Formatting (Formatação): Determina a estrutura requerida para o resultado através do prompt, oferecendo um padrão, com estrutura ou formato a ser seguido. Ex: “<…> e entregue o resultado estritamente no formato <…>.”
O mercado criou técnicas melhores, tornando a engenharia de prompt mais efetiva, além do simples CHAT:
- Few-Shot Prompting: É quando fornecemos exemplos, dados e informações antes de fazer a pergunta real. É a melhor técnica para ensinar o tom de voz da sua marca ou um padrão complexo de entrada ou saída;
- Chain-of-Thought (CoT) ou Cadeia de Pensamento: Orienta a desmembrar o problema e detalhar o raciocínio lógico passo a passo, reduzindo as chances de alucinações. Ex: “<…> explique passo a passo <…>”;
- Generated Knowledge ou Conhecimento Gerado: Divide a tarefa em duas etapas, solicitando primeiroque a IA liste os conceitos e conhecimentos envolvidos. A seguir, usa essa lista revisada como contexto para a decisão;
- Least-to-Most Prompting: É orientar o modelo a quebrar um problema grande em pedaços menores, resolver o primeiro, e progressivamente resolver o próximo.
Estas técnicas, direta ou indiretamente, contribuem para o ROI (retorno sobre investimento) da Engenharia de Prompt. Elas estruturam, padronizam, reduzem custos, mitigam alucinações e potencializam o resultado gerado. Mas, também exigem maior domínio ou instrumentalização da pessoa que está do nosso lado do CHAT.
O universo do desenvolvimento de software pode ser usado como exemplo prático da evolução da engenharia de prompt, não só pela complexidade, que envolve arquitetura, camadas, frameworks, patterns e diferentes stacks, mas também qualidade, segurança e manutenabilidade, corretiva e evolutiva.
VIBE CODING
Em Fev/2025, Andrej Karpathy, ex-diretor de IA da Tesla e cofundador da OpenAI, fez um post onde descrevia a criação de web apps através de LLMs, sem digitar linhas de código – “Existe um novo tipo de programação, o vibe coding, seguindo a vibe, abraçando melhorias exponenciais, esquecendo o código”.
Vibe coding propõe eliminar a distância entre uma ideia e um software pronto, eliminando a barreira da escrita manual de código. Pessoas “leigas” podem construir e lançar pequenas aplicações ou acelerar MVPs (Mínimo Produtos Viáveis) a partir de uma direção criativa, pela experiência do usuário e descrição do problema.
Ao habilitar qualquer pessoa a construir pequenas soluções de software, também reduz o trabalho repetitivo (boilerplates) para engenheiros de software, delegando todo trabalho braçal para a IA, fazendo com que o computador entenda a intenção humana em linguagem natural e se encarregue, sozinho, da implementação técnica.
A prática é alvo de duras críticas por engenheiros de software, cibersegurança e líderes de tecnologia. Nomes como Linus Torvalds, criador do Linux, alertam que a prática não deve ser confundida com engenharia de software real, sendo aceitável apenas para atividades experimentais ou amadoras (não sérias).
PONTO DE INFLEXÃO: VIBE CODING x SDD
Ponto de Inflexão (Inflection Point, Tipping Point ou Flywheel Effect) é um momento no ciclo de vida de negócio ou tecnologia onde os fundamentos consolidam-se, iniciando um crescimento exponencial. Este ponto, via de regra, é fruto do crescimento e maturidade conquistada empiricamente.
A engenharia de prompt orientada a Vibe Coding (onde qualquer um é capaz de gerar código via CHAT) influenciou o resgate do Spec-Driven Development ou SDD (Desenvolvimento Orientado por Especificações), que inspira melhores práticas em Engenharia de Prompt para interações complexa.
SSD ou Spec-Driven Development é uma metodologia realista: IA é infinitamente mais rápida que nós para escrever código, mas trabalha melhor se souber o que queremos. No SDD, o código-fonte é resultado de uma ótima especificação técnica. Se precisar mudar, é só alterar a Spec, e a IA regenera o repositório.
O SDD renasceu em 2025, uma reação a proposta do “vibe coding” (prompts simples gerados por não especialistas). Grandes empresas marcaram presença, como a GitHub no GitHub Spec Kit em 2025, Amazon no IDE Kiro e algumas publicações iconicas, como as da Birgitta Böckeler da Thoughtworks.
Equilibrio, a ThoughtWorks Technology Radar alerta para o risco de especificação excessiva upfront e big-bang releases … Specs não são documentação extensa, são contratos executáveis que garantem que o agente gere hoje sem quebrar o que gerou ontem. “Para um script rápido ou POC de fim de semana? Vá de Vibe Coding mesmo.”
De ENGENHEIRO DE SOFTWARE ao ARQUITETO DE CONTEXTO
O Engenheiro de Sotftware do futuro será um Arquiteto de Contexto? Times e profissionais que dominam o SDD vão entregar sistemas inteiros cada vez mais rápido e com menor esforço. O SDD tira o foco do desenvolvimento de linhas de código para antes e depois, na especificação de entrada e na curadoria do código gerado na saída.
Ao contrário do “Vibe Coding”, o SDD traz rigor científico para o uso de IA no desenvolvimento de software. O SDD valoriza o real protagonista do código, fazendo com que o Engenheiro de Software foque no que o sistema deve fazer e por que, só abrindo mão do trabalho braçal do como o código fará acontecer.
Um bom trabalho em SDD abre as portas para uma eventual necessidade de refatoração tão rápida quanto. Por exemplo, se precisa mudar a autenticação ou o banco de dados, ao alterar algumas linhas na especificação (spec.md), redispara-se o agente de IA e centenas de arquivos serão refatorados em massa.
Para SDD na prática com Claude Code, GitHub Spec Kit ou Cursor, precisam seguir uma especificação em quatro passos: (1) Constitution são regras imutáveis do projeto, (2) Spec é o escopo funcional, (3) Plan e tasks para proposição e confirmação prévia e (4) Implementation para geração e code review.
Importante, o Arquiteto de Contexto ainda é um Engenheiro de Software, ele vai especificar com SDD e após a geração, provavelmente será um dos responsáveis pelo Code Review, que ganha novos contornos. A responsabilidade na revisão de código também será aprender e retroalimentar esta e futuras especificações.
AGENT SKILLS (Habilidades de agentes de IA)
São pacotes modulares de instruções, scripts e recursos que podem ser acionados ou um agente de inteligência artificial carrega sob demanda para realizar tarefas específicas com padronização e repetibilidade. Elas substituem a necessidade de reescrever ou colar longos prompts de comando a cada nova interação.
É uma capacidade encapsulada, estruturada em um arquivo, que ensina o agente como executar um procedimento passo a passo. Diferente de um prompt comum que fica fixo na conversa, a skill é acionada automaticamente pelo agente quando ele identifica que a tarefa atual corresponde à descrição daquela habilidade.
Uma skill pode incluir regras de execução, formatos de saída, exemplos práticos de entrada e scripts de código ou integração com sistemas externos. É uma pasta ou arquivo modular de instruções reutilizáveis, disponível a você e a quem tiver acesso àquela skill.
Plugin de Skills – É um arquivo que empacota e distribui várias skills de uma vez, habilitando-as enquanto estiver instalado no sistema, disponibilizando uma ou várias Skills a um time, grupo ou mesmo toda a organização.
ENGENHARIA DE HARNESS
Um Harness de IA é uma camada de guias, ferramentas e regras que envolvem um modelo de linguagem (LLM). O objetivo é transformá-lo em um agente de IA funcional e confiável. Ele permite que a IA execute ações reais no mundo, como rodar códigos, ler arquivos e chamar APIs.
Enquanto a Engenharia de Prompt foca em escrever uma boa instrução e base de entrada para o modelo, a Engenharia de Harness foca em projetar todo o ecossistema, os ciclos de feedback, as travas de segurança e a orquestração ao redor do modelo, contando com:
- Ferramentas (Tools): APIs, terminal, acesso a bancos, MCPs e integração com sistemas.
- Memória e Contexto: Histórico do chat, arquivos persistentes e preferências entre sessões.
- Guias (Guides): Instruções e regras antes da ação do agente (como prompts de sistema).
- Sensores (Sensors): Mecanismo de validação automatizado após a ação para corrigir erros.
- Guardrails e Sandbox: Camada de segurança e isolamento p/evitar causar danos ao sistema.
A tempo, MCP (Model Context Protocol) é um padrão aberto lançado pela Anthropic que padroniza a conexão entre modelos de IA com bases de dados, arquivos, APIs e ferramentas externas. É um conector Universal, bidirecional e habilita a interoperabilidade entre múltiplos modelos e ecossistemas (Claude, ChatGPT, Gemini, etc).
PLAYBOOK – Conceito e prática
Um Playbook no contexto de IA é um documento estruturado que serve como o “manual de instruções e cultura” de uma LLM (Modelo de Linguagem de Grande Porte). Ele transforma uma IA genérica em um especialista sob medida para o seu cenário, delimitando quem ela é, o que ela sabe, como deve agir e o que ela é proibida de fazer.
Imagine que você contratou um novo funcionário, que NÃO sabe nada sobre a sua empresa, processos e padrões. Frente a uma tarefa, ele vai tentar adivinhar e provavelmente errar. Para resolver isso, você entrega a ele um manual contextualizado com infortmações e regramentos. Em IA, o Playbook é esse manual.
As LLMs sofrem de dois grandes problemas quando usadas “puras”: (1) Alucinam quando não sabem um fato e o playbook resolve isso com uma regra clara, como “Se a informação não estiver neste documento, diga que não sabe”. (2) Falta de Padronização quando responde de forma indesejada, então o playbook fixa o tom como padrão.
Um Playbook tem três partes essenciais: (1) A Identidade diz quem a IA simula e sua personalidade, (2) A Base de Conhecimento restrito o conhecimento ao que stá no playbook e (3) As Regras de Engajamento dizem Como a IA age, seus limites, normatização, premissas, restrições e caminhos.
AI CHAMPIONS (Campeão de IA)
É um profissional interno com bom conhecimento da sua área (marketing, RH, operações, TI) que já utiliza IA com sucesso ou pode ser treinado para missão de ajudar os colegas no uso da IA. Iniciativas de IA falham pela falta de gestão do conhecimento, conexão humana e liderança na implementação.
O papel desse profissional envolve ser referência na transformação de sua área e colegas. Ele identifica gargalos onde a IA pode gerar ganho real, privilegiando uma percepção de ROI, experimentar e documentar os aprendizados. Ele escala o que funciona e transformar erros e acertos individuais em melhorias e ganhos reais.
Seu diferencial está na capacidade de conectar pessoas e atuar como uma ponte estratégica, de forma a alinhar as diretrizes estratégicas e táticas ao uso diário na linha de frente. Ele inspira e ensina pelo exemplo, como usar as ferramentas de IA liberadas pela organização, disseminando aos colegas pelo resultado prático.
Contar com eles acelera e organiza a IA na transformação digital. Pesquisas apontam que a maioria das pessoas aprende mais e melhor a usar IA com colegas na prática, que em treinamentos. Organizações que estruturam redes internas de apoio com Chapions veem sua taxa de adoção crescer com efetividade.
ORIGEM E TENDÊNCIAS DOS AI CHAMPIONS
O modelo de AI Champions inspirou-se da fusão entre as metodologias de Gestão do Conhecimento e Gestão de Mudanças como esteio à transformação digital protagonizada pela IA Generativa, que começou como uma ferramenta individual e se tranformou em um diferencial competitivo estratégico.
Historicamente, sempre que as empresas precisavam implementar novas soluções e tecnologias, elegiam seus “super users”, “key users” ou “ambassadors”. A função deles sempre foi ser referência, facilitar o fluxo do conhecimento, abrindo caminho para a uma transformação humanizada, orgânica e sustentável.
Entre 2023 e 2025, esse conceito ganhou urgência com o fenômeno do Shadow AI, o uso invisível e descentralizado de ferramentas como ChatGPT e Claude pelos funcionários. Para evitar riscos, sem proibir ou engessar, nasceu o programa de AI Champions, formalizando e capacitando quem já usa IA com sucesso na linha de frente.
Estudos da McKinsey apontam que redes internas de funcionários de referência estão presentes em 68% das empresas bem-sucedidas com IA, como na OpenAI Academy e no Distrito AI Champions do Brasil. Profissionais com domínio em sua área, no uso de IA e bons soft skills, como liderança e resolução de problemas.
GOVERNANÇA DE IA
Tudo é muito novo, em 2020 a OpenAI lançou o GPT-3 com 175 bilhões de parâmetros e acesso via API, em 2021 surgiram o GitHub Copilot e DALL-E, em 2022 o ponto de virada e popularização com o ChatGPT, em 2023 surge o Claude da Anthropic e escala a adoção corporativa suportada por Microsoft, Google e IBM.
No início o uso foi descentralizado, caótico, com dados organizacionais sendo jogados na nuvem, com funcionários usando franquias grátis e assinaturas particulares de vários serviços de IA, sem políticas para segurança da informação, sem uma gestão estruturada de custos, menos ainda de benefícios (ROI).
A governança de IA nas empresas busca equilibrar proteção e ativação, organizando soluções que mitigam riscos sem paralizar a inovação. O foco é disponibilizar ambientes corporativos isolados e seguros, garantindo que os dados da operação não serão utilizados para treinar modelos públicos de mercado.
As organizações criam políticas inspiradas em regulações globais. Comitês multidisciplinares garantem governança e conformidade, sem comprometer a competitividade. Os AI Champions garantem conformidade e boas práticas. Em tecnologia e processo, a adoção de plataformas de gestão de modelos (LLMOps) e gateways de IA seguros.
