Por que os cursos de IA ensinam a fórmula do prompt mas nunca como consertar um prompt que falhou

Resumindo: a fórmula do prompt — papel, tarefa, contexto, formato — é de graça. Qualquer vídeo de dez minutos entrega ela pra você. O problema começa um passo depois: você escreveu o prompt seguindo o manual, apertou enviar e a resposta voltou virada num mingau. Daí em diante ninguém te ensina mais nada. Você reescreve no chute até gostar de alguma coisa. Isso não é habilidade, é loteria. Abaixo vem um método: dê nome ao sintoma, faça um diagnóstico, faça exatamente uma mudança, compare. E a ordem em que vale a pena cavar: contexto → tarefa → formato → papel. Os prompts deste artigo são reais: aperte “Executar” e veja a diferença com os próprios olhos.

O que há de errado com a fórmula

A fórmula não está mentindo pra você. Papel, tarefa, contexto e formato são mesmo os quatro botões que moldam uma resposta. O básico a gente cobre em o que é um prompt e como escrever um, e você precisa disso. Só que a fórmula responde a uma única pergunta: como escrever um prompt do zero? No trabalho de verdade você quase nunca escreve do zero. Você está diante de um prompt que já segue todas as regras e mesmo assim produziu lixo.

Aqui a fórmula se cala. Ela não diz qual dos quatro botões tem culpa. Não diz se é pra girar um ou os quatro. Não diz como saber se a resposta nova ficou melhor ou apenas diferente. A fórmula é uma planta. O que você precisa é de um manual de conserto.

É a diferença entre “aqui está o esquema do motor” e “o carro não pega — o que você olha primeiro?”. A primeira coisa se aprende numa noite. A segunda é uma profissão. E a segunda quase não existe no mercado de cursos.

Os alunos pedem exatamente isso — na letra

Em 17 de julho de 2026 puxamos dados da Udemy (pela API interna por trás das páginas de curso) e das páginas de avaliação da Coursera. Lemos de propósito a minoria: quem deu notas baixas. O bolo mais denso de reclamações apareceu em cursos que trazem prompt engineering no próprio título. As pessoas vieram atrás da habilidade anunciada no rótulo e não receberam. Na letra, com autores e estrelas:

“There is nothing teached about creating a good prompt. It is just an overview of types of prompts” — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

“No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.” — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

“i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts” — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

“Too much background on ChatGPT. Get me to how to prompt GPT” — Mark R., 16.09.2025, 1.5★ (Academind).

Pare em Bharat Ram A. Ele lista três coisas, e a terceira é “how to give feedback to AI based on its answers”. Isso é depuração, descrita com as palavras dele por alguém que foi atrás e voltou de mãos vazias. Manuel L. pede para “enhance our current prompts” — ou seja, consertar algo já escrito que funciona mal. Pessoas diferentes, cursos diferentes, um mesmo buraco.

Ao lado deles está a citação que mostra o que acontece quando nada é verificado:

“you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not” — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

E na mesma linha: “quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'” — Cory Covino, 04.05.2024, 2★ (IBM). “All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter” — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs formula melhor do que todos, sem querer. “You won't have to debug anything” descreve um produto de ensino do qual a depuração foi extirpada. O exercício roda, dá sensação de prática, e nunca houve nada em jogo.

Mais uma, de outro curso, que fecha o círculo: “Didnt meet expectations, only theory is discussed which we already know” — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). A teoria que todo mundo já sabe é a fórmula. O que ninguém sabe é o que fazer quando ela falha.

Por que o buraco existe: é arquitetura, não preguiça

É tentador culpar instrutores preguiçosos. Essa explicação é pior do que a verdade. A verdade é estrutural.

Existe exatamente um jeito de verificar um prompt: rodar ele num modelo e olhar a resposta. Não existe outro — não dá pra julgar um prompt no olho, assim como não dá pra julgar código sem executar. E uma plataforma de vídeo não tem modelo nenhum dentro da aula. Então não há com o que verificar. Sobra um corretor automático por palavras-chave, e ele carimba “100% correct” — exatamente o que deixou Shinysheep sem palavras.

Aí vem o detalhe que encerra o assunto. A Prompt Engineering Specialization da Vanderbilt exige uma assinatura paga do ChatGPT+ para fazer as tarefas. O curso manda o aluno pra fora, pra outra aba, atrás de um modelo. A conta do aluno da Coursera fica assim: Coursera Plus a 50 €/mês (ou 343 €/ano com 14 dias de arrependimento), mais a assinatura do modelo — cerca de 70 €/mês para assistir a vídeos e receber um 100% automático. Sobre o preço exato dessa assinatura, vamos ser francos: não conseguimos de fonte primária, todos os domínios da OpenAI responderam 403, então não imprimimos número nenhum. Os 50 € da Coursera Plus saíram da página deles mesmo.

No instante em que o modelo passa a morar fora do curso, o curso deixa de ver o seu trabalho. Ele não sabe qual prompt você escreveu, o que voltou nem por que voltou ruim. Não dá pra ensinar depuração no escuro. Então o curso ensina a fórmula — a única parte que cabe num slide.

E é daí que nasce uma reclamação que parece ser sobre outra coisa:

“why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02.07.2026, 1★ (Justin Barnett).

“I can do that” não é um veredito sobre um palestrante ruim. É a constatação de que num slide só cabe a fórmula. Depuração não cabe num slide, porque é feita de uma resposta viva que ninguém consegue prever de antemão.

Depurar é diagnosticar, não reescrever

O movimento do iniciante é este: a resposta está ruim → selecionar o prompt inteiro → escrever de novo, mais longo e mais bonito. Às vezes funciona. Por que funcionou é impossível saber, e da próxima vez você recomeça do zero.

A abordagem de engenharia é outra, e tem quatro passos.

1. Sintoma. Diga o que está errado com palavras que dá pra conferir. Não “ruim”, e sim: inventou um fato; ignorou o formato; genérico demais; repetiu a minha própria entrada; respondeu outra pergunta; desmontou num texto longo. Enquanto o sintoma não tem nome, não há o que tratar.
2. Diagnóstico. Todo sintoma tem uma causa típica. É uma hipótese, não uma sentença — mas ela diz onde cavar primeiro.
3. Uma mudança. Mude exatamente uma coisa. Uma.
4. Comparação. Rode de novo e compare com a resposta anterior pelo seu próprio critério. Não “gostei mais”, e sim “melhorou naquilo específico que eu estava tratando?”.

Repita até o sintoma sumir. Normalmente são duas ou três voltas, não vinte.

A regra da chave de fenda única

O passo mais subestimado é o terceiro. Mude uma coisa de cada vez.

Você muda cinco coisas, a resposta melhora, e não sabe qual mudança fez efeito. Pior: talvez quatro fossem neutras, uma fosse francamente nociva, e a quinta tenha compensado. Você leva o pacote inteiro pro próximo prompt, nociva incluída, e um mês depois tem uma parede de texto de duas páginas onde metade das linhas trabalha contra você.

A regra não é invenção nossa. É a base de qualquer depuração — a mesma coisa que mudar uma variável por vez num experimento. Só que com texto a tentação de girar todos os botões de uma vez é bem maior, porque uma mudança custa um segundo.

Uma ressalva contra nós mesmos. A regra tem preço. Uma mudança por volta é lento, e num trabalho real você vai cortar caminho. O acordo honesto: a regra da chave de fenda única é obrigatória enquanto você ainda procura a doença. Quando o diagnóstico está claro e você só está lapidando, mude em lote — o risco já é pequeno.

Segunda franqueza: modelos não são determinísticos. Uma execução só é uma amostra de tamanho um. A resposta melhorou depois da sua mudança? Talvez a mudança não tenha nada a ver e você só deu sorte. Por isso uma comparação merece pelo menos três entradas diferentes, não uma preferida.

A ordem das hipóteses: contexto → tarefa → formato → papel

Uma vez que o sintoma tem nome, fica a pergunta: qual botão tocar. Temos uma ordem, e ela não é aleatória: causa mais comum primeiro, mais rara por último; erro mais caro primeiro, mais barato por último.

1. Contexto primeiro. A esmagadora maioria das respostas ruins são respostas a uma pergunta sem fatos dentro. O modelo não conhece seu produto, seu público, suas restrições, seus números, seus nomes, suas decisões passadas. Ele preenche o vazio com enchimento médio — porque enchimento médio é a resposta certa pra uma pergunta sem contexto. Se o texto sai aguado, genérico, serve pra qualquer um, o culpado quase sempre é o contexto, e nenhuma encenação de papel cura isso.
2. Tarefa em segundo. Confira se você está pedindo uma ação e não três, e se o verbo é verificável. “Analise” não é verbo: cabe qualquer coisa embaixo. “Liste cinco riscos, uma linha cada” é verbo. Se o modelo responde outra pergunta, ou responde metade da sua, a culpa é da tarefa.
3. Formato em terceiro. Barato de consertar, e o resultado aparece na hora. Se o conteúdo está certo e a forma não, ajuste o formato e não mexa em mais nada. O que funciona: cole uma amostra da saída que você quer, duas ou três linhas. Amostra ganha de descrição sempre.
4. Papel por último. O papel mexe basicamente em tom e vocabulário. “Você é um profissional de marketing experiente” não acrescenta um fato sequer sobre o seu mercado — é a linha que todo mundo escreve primeiro e que quase não decide nada. Recorra ao papel quando todo o resto estiver no lugar e você simplesmente não gostar da voz.

Por que essa ordem? Porque ela acompanha quanta informação você está acrescentando. Contexto acrescenta fatos: o máximo. A tarefa acrescenta precisão de objetivo. O formato acrescenta forma. O papel acrescenta estilo. A maioria faz ao contrário: sofre em cima do papel e depois se sente traída pelo enchimento.

A tabela: sintoma → diagnóstico → uma mudança

• Aguado, genérico, serve pra qualquer um. Diagnóstico: falta contexto. Mudança: cole cinco fatos concretos — quem lê, qual é o produto, qual é a restrição, um número, um exemplo. Não mexa em mais nada.
• Inventou um fato, um link, uma citação. Diagnóstico: você pediu algo que o modelo não tem. Mudança: ou coloca os dados no prompt, ou permite explicitamente o “não sei”. A linha “se você não tem o dado, diga isso — não invente” custa pouco e pega muita coisa. Mais sobre isso em por que acontecem as alucinações da IA.
• Ignorou o formato. Diagnóstico: a exigência de formato afundou no meio, ou briga com o tamanho que você pediu. Mudança: tire o formato para um bloco próprio no final e mostre uma amostra de saída.
• Respondeu outra pergunta. Diagnóstico: duas ações numa tarefa só, e o modelo escolheu uma. Mudança: deixe um verbo. A segunda ação vira um segundo prompt.
• Repetiu a minha entrada. Diagnóstico: falta verbo de transformação. “Aqui está o texto, dá uma olhada” não é tarefa. Mudança: diga o que fazer com o texto — encurtar, reestruturar, achar contradições.
• Tom errado, “essa não é a minha voz”. Diagnóstico: você descreveu um estilo em vez de mostrar. Mudança: cole um parágrafo seu e peça pra acertar o alvo. “Escreva num tom amigável, mas profissional” não faz nada; uma amostra faz.
• Desmontou num texto longo. Diagnóstico: a instrução se perdeu dentro dos dados. Mudança: separe com marcadores (---TEXTO--- / ---TAREFA---) e repita a tarefa depois do texto, não só antes.
• Longo demais, introdução sem fim. Diagnóstico: você nunca proibiu. Mudança: uma linha — “Sem introdução e sem conclusão. Só a lista”.

Repare: em seis dos oito casos o conserto não é “reescrever o prompt”, e sim acrescentar ou mover uma coisa.

Veja você mesmo: um prompt ruim, uma mudança, a diferença

Agora a parte que uma plataforma de vídeo fisicamente não consegue oferecer. Cada bloco abaixo tem um botão “Executar”: aperte aqui mesmo e veja a resposta ao vivo. A ordem importa — rode em sequência e compare.

Passo 1. Rode um prompt propositalmente ruim

Este é um prompt de verdade, escrito “pela fórmula”: tem papel, tem tarefa, tem educação. Rode e veja o que volta. É bem provável que saia um texto que serviria pra qualquer empresa do planeta.

Você é um profissional de marketing experiente. Escreva um e-mail para nossos clientes sobre o lançamento do nosso novo produto. Faça o texto ficar profissional, moderno e cativante.

O que olhar. Existe uma única afirmação nessa resposta que você não conseguiria mover, sem mexer, para o e-mail de outra empresa? Normalmente não. Sintoma nomeado: enchimento. Diagnóstico, pela nossa ordem: contexto.

Passo 2. Uma mudança — só contexto

Mesma tarefa, mesmo tom, mesmo papel. Mudamos exatamente uma coisa: acrescentamos fatos. Papel intocado, formato intocado — pra ver com honestidade o que o contexto entrega sozinho.

Você é um profissional de marketing experiente. Escreva um e-mail para nossos clientes sobre o lançamento do nosso novo produto.
Faça o texto ficar profissional, moderno e cativante.

CONTEXTO:
- Produto: um organizador de escalas para cafeterias de 3-15 funcionários.
- Leitores: donos de cafeteria que usam há seis meses o nosso app de controle
  de estoque. Eles confiam na gente, mas não estavam procurando um botão novo.
- O que há de novo: as escalas agora são montadas automaticamente, levando em
  conta os pedidos de folga da equipe. Antes o dono montava a escala numa planilha.
- Limitação assumida: só uma unidade, ainda não damos suporte a redes.
- Preço: já incluso no plano atual, sem custo extra.
- O que o leitor deve fazer: ativar a seção “Escalas” na conta dele.

O que olhar. A resposta ficou concreta — e provavelmente continua longa e ainda abre com introdução. Tudo bem: tratamos só o contexto. Repare que “profissional, moderno e cativante” sobreviveu intacto, como exigência impossível de verificar, e não fez nada.

Passo 3. Mais uma mudança — tarefa e formato

Agora consertamos tamanho e forma. Tiramos o papel por completo, para testar a hipótese de que ele não entrega nada. E trocamos “cativante” por algo verificável.

Escreva um e-mail para os clientes anunciando uma função nova.

CONTEXTO:
- Produto: um organizador de escalas para cafeterias de 3-15 funcionários.
- Leitores: donos de cafeteria que usam há seis meses o nosso app de controle
  de estoque. Eles confiam na gente, mas não estavam procurando um botão novo.
- O que há de novo: as escalas são montadas automaticamente, levando em conta os
  pedidos de folga da equipe. Antes o dono montava a escala numa planilha.
- Limitação assumida: só uma unidade, ainda não damos suporte a redes.
- Preço: já incluso no plano atual, sem custo extra.
- Ação do leitor: ativar a seção “Escalas” na conta.

FORMATO:
- Assunto: no máximo 45 caracteres. Palavras proibidas: revolucionário, único, inovador.
- Corpo: no máximo 120 palavras.
- Estrutura: primeira linha - o que mudou; segunda - o que isso economiza;
  depois a limitação dita sem rodeios; uma ação no final.
- Sem introdução, sem “temos o prazer de anunciar”, sem parágrafo de despedida.

Depois, numa linha separada: três motivos pelos quais este e-mail pode não ser aberto ou acabar na lixeira.

O que olhar. Compare as três respostas. Você acabou de conduzir uma sessão de depuração como manda o figurino: sintoma nomeado, hipótese levantada, uma mudança feita, resultados comparados. E de quebra montou um pequeno experimento com o papel — compare a voz da segunda e da terceira resposta e decida você mesmo se “você é um profissional de marketing experiente” mereceu o lugar que todo curso dá a ela.

Passo 4. O treino de diagnóstico

A habilidade mais difícil é dar nome ao sintoma no trabalho dos outros. Aqui o modelo inventa um caso pra você e avalia o seu diagnóstico com rigor. Não vai ter “100% correct” automático.

Me examine em diagnóstico de prompts. Regras:

- Você me dá UM caso: a tarefa, o prompt inteiro e a resposta ruim do modelo.
  Invente o caso você mesmo: realista, do dia a dia de escritório. A resposta
  ruim escreva você também - exatamente tão ruim quanto seria na vida real.
- Eu nomeio o sintoma com um termo e digo o que mudaria PRIMEIRO.
- Você avalia com rigor: o sintoma está certo, a hipótese está certa,
  qual hipótese teria sido mais forte que a minha e por quê.
  Se eu propuser mudar várias coisas de uma vez, aponte isso à parte.
- Não concorde por educação. Se eu estiver errado, diga na lata.
- Depois o próximo caso, mais difícil. Cinco casos no total.

Comece pelo primeiro caso. Não explique teoria antes.

O que um prompt não conserta

Metade da depuração é perceber cedo que o problema não é o prompt. Senão você fica lapidando frases numa camada onde não há nada quebrado.

• Faltam dados. Nenhuma redação recupera um fato que o modelo nunca recebeu. Se você precisa dos números da sua planilha, cole eles; não fique implorando.
• A tarefa não se resolve com texto. “Calcule exato”, “confira no site atual”, “garanta” — isso não é questão de redação, é questão de ferramentas. Aqui você entra no território dos agentes de IA.
• Não existe definição de “bom”. Se você não consegue dizer por que a resposta A ganha da B, não está depurando: está embaralhando variantes até cansar. O critério é a parte do prompt que mora na sua cabeça, e ela também precisa ser escrita.
• Modelo errado. A mesma tarefa se comporta de um jeito em cada um — veja nossa comparação entre ChatGPT, Claude e Gemini. Antes de mexer vinte vezes num prompt, rode o mesmo prompt em outro modelo: isso é uma mudança, não vinte.

Um registro de versões: chato e decisivo

Abra um arquivo. Três colunas: o que o prompt dizia, o que você mudou, o que aconteceu com a resposta. Uma linha por volta de depuração.

Soa burocrático. É a única coisa que transforma suas execuções em conhecimento. Um mês depois você vai abrir esse arquivo e ver que “amostra de saída no lugar da descrição do formato” funcionou onze vezes em doze, enquanto “você é um especialista de classe mundial” zerou. Essa é a sua estatística, e ela vale mais do que qualquer lista de 500 prompts prontos. Pegue nossos exemplos de prompts como matéria-prima; o registro é o que transforma matéria-prima na sua ferramenta.

Efeito colateral: em um mês você tem um portfólio. Não um certificado que outras 698.444 pessoas também têm, e sim uma dúzia de casos dissecados com antes e depois. Numa entrevista, são categorias de peso diferentes.

Como testar um curso — inclusive o nosso

Nossa avaliação se resume a quatro perguntas. Faça elas a qualquer formação.

1. Onde eu vou rodar o prompt? Se a resposta for “em outra aba, com assinatura separada”, o curso nunca vê o seu trabalho e não tem como dissecar. Veja a Vanderbilt e a exigência de ChatGPT+.
2. Quem avalia o meu prompt? Um corretor automático por palavras-chave vai te entregar um “100% correct” e zero informação. É exatamente o caso do Shinysheep.
3. Existe uma aula em que um prompt falha? Abra a ementa e procure. Se não tiver, o curso é sobre uma fórmula.
4. Quando o conteúdo foi atualizado de fato? Não pela data no card, e sim pelas avaliações do último mês.

Notas honestas sobre nossos dados. A fatia de avaliações negativas (≤3.5★) na Udemy é de 9,61% em Generative AI for Beginners e de 10,36% no Complete AI Guide; em Prompt and Context Engineering 101 (a pior nota da nossa amostra, 4.31), é de ≥4,00%. Na Coursera, de 1,5–3,5%. Ou seja: a esmagadora maioria dos alunos está satisfeita, e nós lemos a minoria de propósito. Não pra provar que os cursos são ruins: aluno satisfeito escreve “curso excelente”, enquanto o insatisfeito nomeia a aula exata que faltou. Segunda ressalva: o filtro por estrelas da Coursera roda no navegador, então as citações que conseguimos alcançar vêm da página padrão que qualquer visitante vê. Não pescamos elas no fundo de um filtro de 1★ — mas também não podemos afirmar que vimos todas as avaliações.

E uma ressalva sobre nós. Nosso sandbox tem um teto diário rígido de execuções. Isso significa que o método acima vale mais do que o botão. O botão deixa você ver a diferença; o método deixa você consertar prompts onde não existe botão — no chat do seu trabalho.

Conclusão

A fórmula do prompt é o que cabe num slide, e por isso ela é vendida a milhões. Depuração não cabe num slide, não dá pra verificar sem um modelo vivo dentro da aula, e por isso quase ninguém vende — enquanto os alunos pedem na letra, avaliação após avaliação. O buraco do mercado está exatamente aí, e ele é também o caminho mais rápido pra ficar melhor do que a maioria de quem tem certificado.

Guarde os quatro passos: sintoma → diagnóstico → uma mudança → comparação. E a ordem das hipóteses: contexto, tarefa, formato, papel. Comece pelo básico em o que é um prompt; veja no que virou o mercado dessa “profissão” em engenheiro de prompt: quanto paga e se a profissão ainda existe; aprenda a pegar o modelo inventando em alucinações da IA. E se você quiser de forma sistemática, com os fracassos dissecados de propósito, tem o nosso curso de prompt engineering.