Prompts que escrevem artigos longos de verdade com IA

Prompts para conteúdo longo são um dos casos em que a diferença entre output medíocre e output utilizável está quase inteiramente na instrução, não no modelo. Já vi time de conteúdo descartar o ChatGPT depois de um teste com prompt de cinco palavras e concluir que "IA não escreve bem". A IA escreveu exatamente o que foi pedido.

Esse artigo cobre os padrões que testei em produção, escrevendo conteúdo técnico e comercial em português para e-commerce e B2B. Não é teoria de prompt engineering, é o que funcionou quando tinha prazo.

Bom prompt para texto longo começa com arquitetura, não com inspiração

Antes de escrever uma linha do prompt, defina o formato do artigo. O modelo não tem como inventar uma estrutura adequada para um tópico sem saber para quem é o texto e qual o propósito dele. Esse trabalho é seu.

Um prompt estrutural que funciona: "Escreva um artigo de [contagem de palavras] sobre [tema]. Organize assim: uma abertura que enquadra o problema, quatro seções principais de aproximadamente [X] palavras cada uma com subtítulos, e um fechamento que conclui o argumento sem resumir o que foi dito antes. Tom: [descrição específica]. Cada seção principal precisa de pelo menos um exemplo concreto aplicado a [seu setor ou contexto]."

A restrição de contagem de palavras importa mais do que parece. Sem ela, o modelo preenche espaço com linguagem de hedge e transições redundantes. Com ela, cada parágrafo precisa justificar a própria existência. Minha leitura, depois de vários testes, é que especificar a contagem por seção produz resultado mais coeso do que só especificar o total, porque o modelo não consegue concentrar tudo na primeira seção e passar o resto voando.

Especificidade estrutural também ajuda na coerência geral. Um prompt que diz "quatro seções" produz algo diferente de um que nomeia as quatro seções. Quando você sabe o que elas são, nomeie.

Integração de pesquisa: fazendo o modelo pensar antes de escrever

IA sem mandato de pesquisa produz opinião confiante disfarçada de análise. A solução é forçar o raciocínio antes da escrita começar.

Esse padrão funciona bem: "Antes de escrever, identifique cinco ângulos que um leitor cético levantaria sobre [tema]. Depois identifique que evidências ou raciocínio responderia a cada um. Escreva o artigo incorporando essa tensão, estruturado como um texto de [contagem de palavras] para [público específico]."

O modelo não navega na internet em tempo real, a menos que você esteja usando uma ferramenta com busca ativa, como Perplexity ou um GPT com web access. Mas ele organiza o conhecimento que já tem de forma mais rigorosa quando o prompt exige justificativa, não só afirmação. A diferença no output é visível.

Uma variante que uso para conteúdo técnico: "Atue como um profissional sênior em [área] escrevendo para um público que já domina o básico. O que esse público acharia óbvio e pularia? O que acharia genuinamente útil e pararia para ler? Escreva o artigo calibrado para o segundo grupo." Isso reorienta o comportamento padrão do modelo, que tende a cobrir conceitos básicos para um iniciante imaginário, em direção a algo que respeita o conhecimento do leitor.

Para conteúdo de e-commerce, tenho bons resultados adicionando contexto de plataforma, tamanho de operação e modelo de negócio. Um artigo sobre gestão de estoque escrito para um operador Magento com catálogo de 80.000 SKUs produz algo bem mais útil do que um escrito para uma "loja online genérica". Se você opera com Vtex, Magento ou LGPD como restrição de negócio, coloca isso no prompt.

Calibração de voz: fazendo o modelo soar menos como IA

Texto genérico de IA tem uma textura reconhecível: confiança moderada, hedge equilibrado, transições como "além disso" e "vale ressaltar", e uma tendência de encerrar parágrafos com uma frase que repete o que o parágrafo acabou de dizer. O leitor percebe isso mesmo sem conseguir nomear.

A solução mais confiável é dar uma amostra de voz antes de pedir a escrita. O padrão: "Aqui está uma amostra de 200 palavras do meu estilo de escrita: [cole a amostra]. Agora escreva um artigo de [contagem de palavras] sobre [tema] que reproduza essa voz no comprimento de frase, vocabulário e tom. Não resuma parágrafos no final das seções."

A origem da amostra importa. Na minha experiência, uma transcrição de você mesmo explicando o assunto em voz alta produz melhor correspondência de voz do que um texto escrito e polido, porque a linguagem falada carrega ritmo e hedge natural que a prosa formal apaga. Grava três minutos falando sobre o tema, transcreve e usa isso como amostra.

Vale saber: a calibração de voz degrada em outputs longos. O modelo tende a derivar de volta para os padrões depois de cerca de 800 a 1.000 palavras. Para artigos acima desse tamanho, gero por seções e reinicio o prompt de voz no começo de cada uma, ou colo o output da seção anterior como contexto antes de pedir a próxima.

4 erros de prompt que produzem output fraco de forma consistente

O enquadramento vago de tema é o mais comum. "Escreva sobre logística" não serve de nada. "Escreva um artigo de 2.000 palavras para operadores de moda de médio porte sobre gestão de ruptura de estoque no pico de fim de ano, cobrindo previsão de demanda, comunicação com fornecedores e mensagem para o cliente final" dá ao modelo o suficiente para trabalhar.

Pedir tudo em um prompt só é o segundo erro. Artigos longos se beneficiam de geração em fases: esboço primeiro, depois cada seção separada, depois uma passagem final de coesão. Concentrar todos os requisitos em um prompt único divide a atenção do modelo e geralmente produz algo que não atende nenhum dos requisitos completamente.

Ignorar perguntas de esclarecimento é o terceiro. Quando o Claude pergunta o que você quer dizer com "público técnico" ou "tom informal", essa pergunta está fazendo trabalho útil. Responder com precisão melhora o output. Pular essa etapa não economiza tempo, só desloca o problema.

O quarto é não especificar o que excluir. Dizer ao modelo "não use linguagem motivacional", "não use listas para conteúdo que flui como prosa", ou "não abra seções com pergunta retórica" elimina uma parte grande dos padrões que fazem conteúdo de IA parecer vazio. Restrições negativas são subusadas.

FAQ

Qual o tamanho ideal de um prompt funcional?

Entre 60 e 150 palavras cobre a maioria dos casos. Prompt curto demais falta contexto; prompt longo demais às vezes enterra a instrução principal sob requisitos secundários. Se o seu prompt está passando de 200 palavras, vale checar se parte disso não seria melhor como briefing do artigo separado do prompt.

Um template de prompt funciona para temas diferentes?

Com ajuste, sim. Eu mantenho três ou quatro templates base para tipos de conteúdo distintos: how-to técnico, artigo de opinião, análise comparativa. A estrutura fica estável, as variáveis de tema mudam. O risco é achar que o template substitui o pensamento sobre o artigo, e não substitui.

Como evitar output que parece genérico mesmo com prompt detalhado?

Peça especificidade explicitamente. Prompts como "inclua pelo menos dois exemplos que um profissional de [área] reconheceria como reais" ou "evite qualquer afirmação que se aplique igualmente a qualquer setor" empurram o modelo em direção a conteúdo concreto. Exigir especificidade tende a produzi-la.