Engenharia de prompt: as técnicas que funcionam no trabalho

Um pedido bem escrito melhora a resposta até certo ponto. Quando a resposta depende de uma regra da empresa, nenhuma redação a adivinha.

Angelica Lopes Tang

Publicado em 15 de out. de 2026 · 6 min de leitura

Conferido em 12 de outubro de 2026

Engenharia de prompt é escrever e testar as instruções para a IA até ela responder sempre do jeito que o trabalho pede. Num trabalho da empresa, a técnica resolve a primeira metade: dizer a tarefa, mostrar um exemplo, pedir o formato e a origem de cada número. A outra metade é o contexto, ou seja, os arquivos, as exportações do ERP e as regras da empresa. Sem eles, nenhuma redação acerta a conta.

Fontes conferidas em 11 de outubro de 2026.

O que é engenharia de prompt

A OpenAI define engenharia de prompt como o processo de escrever instruções eficazes para um modelo, de modo que ele gere com consistência um conteúdo que atenda aos seus requisitos (guia da OpenAI). A palavra que importa é consistência. Um pedido que funcionou uma vez pode ter sido sorte. A engenharia está em testar o pedido com outros meses, outros arquivos e outros casos até ele funcionar em todos.

O que é um prompt, e as quatro partes de um bom pedido, estão no guia O que é prompt. Por que o contexto muda a resposta do modelo está no guia O que é LLM. Este guia parte dos dois e vai para um trabalho da empresa. Para pedidos já escritos, veja os 15 prompts prontos para o ChatGPT na empresa.

As técnicas que servem para o trabalho

O Prompting Guide em português lista técnicas como zero-shot, few-shot, chain-of-thought e prompt chaining. Para uma tarefa de empresa, cinco delas fazem quase todo o trabalho:

Escreva para um colega novo. A Anthropic sugere pensar na IA como um funcionário novo e brilhante, que ainda não conhece as normas e o jeito de trabalhar da empresa. O teste é mostrar o pedido a alguém de fora da tarefa. Se essa pessoa ficaria confusa, a IA também fica.
Mostre um exemplo. Few-shot é colocar no pedido alguns exemplos de entrada e da saída esperada. Segundo a OpenAI, isso orienta o modelo numa tarefa nova. Para um demonstrativo, cole uma linha pronta do jeito que você quer.
Peça o formato. Uma tabela com as colunas nomeadas, um e-mail, uma frase.
Peça a origem. Para documentos longos, a Anthropic sugere pedir que a IA cite primeiro os trechos relevantes e só depois faça a tarefa. Numa planilha, o equivalente é pedir o arquivo e a linha de cada valor.
Divida em etapas. Primeiro listar as vendas, depois aplicar a regra, depois somar. Cada etapa tem um resultado que dá para ver.

Um pedido, três versões

A Distribuidora Água Clara, em Bauru, fecha a comissão de setembro. A exportação de vendas do ERP está anexada à conversa.

Versão 1.

Calcule a comissão da Carla em setembro.

A IA não sabe a taxa, nem de onde tirar as vendas, nem o que entregar. Ela pergunta, ou supõe uma taxa e responde com uma conta sem origem.

Versão 2, com as técnicas.

Com a exportação de vendas de setembro, calcule a comissão da vendedora Carla Mendes a 3% sobre o faturado. Responda numa tabela com pedido de venda, data, valor e comissão, e o total no fim. Para cada linha, diga o número do pedido de venda na exportação.

A resposta vem limpa: R$ 48.000,00 faturados, R$ 1.440,00 de comissão, cada linha com o seu pedido de venda. Está bem escrita, e o número está errado.

Versão 3, com as regras da empresa.

Na Água Clara, bonificação não paga comissão, e a devolução do mês desconta da base. Em setembro, a Carla teve R$ 2.000,00 em pedidos de bonificação e R$ 1.500,00 em devoluções. Junto com a exportação de devoluções, o pedido ganha duas linhas:

Bonificação não entra na base da comissão. Devoluções do mês descontam da base, pelo vendedor da venda original.

A base cai para R$ 44.500,00 (48.000 menos 2.000 menos 1.500), e a comissão fica em R$ 1.335,00. São R$ 105,00 de diferença numa vendedora, num mês.

Exemplo ilustrativo, valores fictícios.

Da versão 2 para a 3, nenhuma técnica mudou. Entraram um arquivo e duas regras que ninguém fora da empresa conhece. O guia Comissão de vendedores com IA mostra esse trabalho inteiro, com as faixas por meta e a comissão no recebimento.

Onde a redação para de ajudar

O modelo responde com o que está na conversa e nas fontes que ele pode consultar. A OpenAI diz que muitas vezes vale colocar contexto no pedido, por exemplo para dar ao modelo acesso a dados próprios ou a qualquer dado fora do que ele aprendeu. A Anthropic chama esse cuidado de engenharia de contexto: escolher e manter todo o conjunto de informações que chega ao modelo, e não só o texto do pedido. No artigo de 29 de setembro de 2025, ela apresenta isso como a evolução natural da engenharia de prompt (Anthropic).

Numa empresa, o contexto que decide a resposta tem três partes:

Os arquivos. As exportações do ERP, as planilhas, os contratos em PDF.
As regras. Como a empresa calcula a comissão, quando um cliente conta como inativo, o que entra no relatório do mês.
O acesso. Quem pode ver o salário, o contas a pagar, o contrato de cada fornecedor.

Três sinais de que o problema é contexto, e não redação:

a resposta tem o formato certo e o número errado;
a IA pergunta algo que qualquer funcionário da empresa saberia;
você cola a mesma regra em toda conversa nova.

Onde ficam as regras

Uma regra que se repete não deveria morar no pedido. Ela fica escrita uma vez, numa skill: instruções que a IA carrega quando o pedido combina com elas. O guia Skills do Claude para empresa mostra como escrever uma, e o guia Como treinar a IA com os documentos da empresa explica por que os documentos e as regras ficam separados.

Com a regra numa skill, o pedido encolhe para "feche a comissão de setembro". A engenharia de prompt continua, mas muda de lugar: as cinco técnicas valem para escrever a skill. Escreva para um colega novo, mostre uma linha do demonstrativo e peça a origem de cada número.

Onde entra a Siglata

A Siglata é o lugar de trabalho da sua IA: os arquivos, as planilhas, o ERP e as regras da empresa, com as ferramentas para fazer o trabalho inteiro. Você define o trabalho; a sua IA executa.

O seu ChatGPT trabalha com as exportações do ERP, em planilha ou CSV, e com os documentos da empresa salvos na Siglata, sem ninguém anexar arquivo a cada conversa. As regras da comissão ficam numa skill da empresa. Com as exportações de setembro salvas e o pedido "feche a comissão de setembro", o ChatGPT encontra essas exportações, segue a regra, mostra a venda de onde veio cada valor e salva o demonstrativo numa edição nova da planilha, com a anterior guardada.

A IA pode errar, mesmo com a regra certa. Por isso ela mostra o trabalho: a venda de onde veio cada número e o registro de cada passo. Cada pessoa tem o seu acesso, e a IA dela trabalha dentro dele.

A Siglata funciona no ChatGPT e no Codex.

Conectar ao ChatGPT

Conectar ao Codex

Perguntas frequentes

O que é engenharia de prompt?

É a prática de escrever e testar as instruções para a IA até ela responder com consistência do jeito que a tarefa pede. Inclui a tarefa, os exemplos, o formato e o contexto que vai junto com o pedido.

Quais são as técnicas de engenharia de prompt?

Os guias de prompt listam muitas, como zero-shot, few-shot, chain-of-thought e prompt chaining. No trabalho de uma empresa, cinco resolvem a maior parte: escrever para um colega novo, mostrar um exemplo, pedir o formato, pedir a origem de cada número e dividir a tarefa em etapas.

Qual a diferença entre engenharia de prompt e engenharia de contexto?

A engenharia de prompt cuida do texto do pedido. A engenharia de contexto cuida de tudo o que chega ao modelo junto com ele: os arquivos, as regras, o histórico e as ferramentas. A Anthropic trata a segunda como a evolução da primeira.

Engenharia de prompt ainda vale a pena?

Vale para escrever pedidos e regras claros. Mas, quando a resposta depende de um arquivo ou de uma regra da empresa, melhorar a redação não resolve. A resposta certa vem de dar à IA esse contexto.

No próximo guia: as skills do Claude para empresa.

Veja como funciona