Como delegar execução à IA sem delegar a decisão

Uso IA para executar partes do meu trabalho em marketing: pesquisar possibilidades, organizar informações, comparar versões de um texto e construir uma primeira solução para um problema. Esses usos me interessam bastante e têm espaço crescente na minha rotina. O que procuro evitar é outra coisa, mais difícil de perceber no dia a dia, que é transferir sem querer a decisão sobre o que vale fazer.

Essa distinção parece óbvia quando escrita, mas se perde com facilidade na prática. Quando a ferramenta devolve uma resposta bem formatada em poucos segundos, a tendência é avaliar a qualidade da resposta e esquecer de avaliar a pergunta.

Uma entrega pode estar correta e resolver o problema errado

Em marketing, esse risco aparece de várias formas. Um texto pode estar bem escrito e responder a uma pergunta que ninguém fez. Uma página pode funcionar tecnicamente e, ainda assim, deixar a oferta confusa para quem chega pela primeira vez. Uma lista de ideias de pauta pode parecer promissora e não ter relação com a prioridade do projeto naquele trimestre.

Em nenhum desses casos o modelo errou no sentido estrito. Ele cumpriu o pedido. O problema estava antes, na definição do que era uma boa entrega.

Existe um estudo conhecido sobre esse ponto. Em 2023, pesquisadores de Harvard, do MIT e de outras instituições acompanharam 758 consultores do Boston Consulting Group em tarefas realistas de trabalho (Dell’Acqua et al., 2023). Nas tarefas que estavam dentro da capacidade do modelo, quem usou IA concluiu mais tarefas, trabalhou mais rápido e entregou resultados de qualidade superior ao grupo de controle. Em uma tarefa escolhida para ficar fora dessa capacidade, porém, os consultores com IA tiveram 19 pontos percentuais a menos de chance de chegar à solução correta. Os autores chamaram esse limite irregular de “fronteira tecnológica recortada”.

O que tiro desse resultado não é desconfiança da ferramenta. É a necessidade de saber reconhecer quando a tarefa está fora do que ela resolve bem, e isso depende de entender o problema melhor do que a própria resposta.

O que definir antes de fazer o pedido

Tenho dado mais atenção a três elementos que vêm antes do prompt.

O primeiro é o contexto: para quem é a entrega, em que situação ela será usada e qual decisão ela precisa apoiar. A documentação da Anthropic sugere pensar no modelo como um profissional muito capaz, mas recém-chegado, que ainda não conhece as normas e os fluxos da equipe, e recomenda explicar também o motivo de cada instrução (Anthropic, Prompting best practices). A comparação ajuda porque desloca a atenção da formulação perfeita para a informação que falta.

O segundo são as restrições: o que não pode mudar, o que precisa ser mantido, quais termos a marca evita, qual formato o canal aceita. Restrições reduzem o espaço de respostas possíveis e tornam mais fácil perceber quando algo saiu do combinado.

O terceiro é o critério de revisão. Antes de pedir, tento responder como vou saber se a entrega serve. A mesma documentação, ao tratar de avaliação, recomenda critérios de sucesso específicos, mensuráveis quando possível e relevantes para o objetivo da aplicação (Anthropic, Define success criteria). Para uso cotidiano em marketing, isso pode ser algo simples como “cada afirmação numérica precisa ter fonte” ou “o primeiro parágrafo precisa dizer o que o produto faz”.

antes do pedido	pergunta que ajuda
contexto	Quem vai usar isso e para tomar qual decisão?
restrições	O que não pode mudar e o que está fora do escopo?
critério de revisão	Como vou reconhecer uma entrega adequada?

Um exemplo de pedido com e sem esses elementos

Um pedido como “crie cinco ideias de post sobre SEO” costuma devolver ideias plausíveis e genéricas. Um pedido que informa o público, o objetivo do perfil, os temas já publicados e o critério de escolha (“priorize ideias que eu consiga demonstrar com um exemplo próprio”) devolve menos opções aproveitáveis por acaso e mais opções avaliáveis. A diferença não está na ferramenta, está no que eu soube explicar.

Esse exercício tem um efeito colateral útil. Quando não consigo escrever o critério de revisão, geralmente é sinal de que ainda não entendi o problema o suficiente para delegar qualquer parte dele. Nesse caso, a IA pode ajudar em outra etapa, como organizar o que sei e o que falta descobrir, antes de produzir qualquer versão final.

Onde fica a decisão

Meu interesse em IA passa por conseguir executar melhor as ideias, com mais velocidade e mais possibilidades para comparar. Quero, ao mesmo tempo, continuar entendendo por que escolhi uma solução e o que preciso conferir antes de usá-la. A execução pode ser compartilhada com a ferramenta. A responsabilidade sobre a escolha continua sendo de quem assina o trabalho.

Para aplicar essa ideia à revisão de textos, escrevi sobre um formato específico de pedido em Pare de pedir para a IA melhorar seu texto.

Referências

• Dell’Acqua, F. et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper, 2023. SSRN
• Anthropic. Prompting best practices. Claude Platform Docs, consultado em 29/09/2026. Link
• Anthropic. Define success criteria and build evaluations. Claude Platform Docs, consultado em 29/09/2026. Link