Por Que a Maioria dos Prompts te Dá Respostas em Vez de Pensamento
Existe uma reclamação que as pessoas fazem sobre IA que vai mais ou menos assim: "Ela me dá coisas confiantes, genéricas e ligeiramente erradas". O instinto é culpar o modelo. A resposta honesta é que a maioria dos prompts pede saída, e saída é o que o modelo retorna. Se você pede um resumo, recebe um resumo. Se você pede uma lista de cinco dicas, recebe uma lista de cinco dicas. O resultado parece raso porque o pedido foi raso.
Pesquisadores de Princeton estudaram exatamente esse abismo no artigo do KDD 2024 sobre comportamento de citação dependente da estrutura do prompt (Aggarwal et al.). O que encontraram é que a estrutura do prompt muda o que o modelo presta atenção, não apenas o que ele diz. Uma pequena mudança no enquadramento muda quais fontes são citadas, quais contra-argumentos surgem e quais premissas se tornam explícitas. Em outras palavras, o prompt não é uma consulta de busca. É um enquadramento.
Este artigo é o catálogo de enquadramentos. Oito padrões de prompt específicos, nomeados, copiar-e-colar, para trabalhos de pensamento específicos. Dois textos relacionados da Glasp ficam ao lado dele. Context engineering é sobre montar a sala em que sua IA trabalha: os documentos, as fontes, as restrições. The AI thinking trap é sobre manter sua própria atitude crítica quando a IA começa a parecer suave demais. Este texto é o catálogo das jogadas em si. A sala, a atitude, as jogadas.
Cada padrão abaixo tem a mesma estrutura. Quando usar, de onde vem, o prompt exato, um exemplo do que volta e por que funciona. Trate-os como um vocabulário, não como uma lista de verificação.
Padrão 1: Steel-Man
Steel-Man (Homem de Aço) é a disciplina de construir a versão mais forte possível de uma visão oposta antes de argumentar contra ela. É o oposto do espantalho: em vez de atacar uma caricatura fraca, você derrota a versão mais robusta.
Quando usar: antes de defender uma posição, publicar um argumento ou tomar uma decisão de alto risco em que você já basicamente decidiu.
Origem: geralmente atribuído às regras de debate construtivo de Anatol Rapoport, dos anos 1960, que exigem reformular a posição do oponente tão bem que ele diga "obrigado, eu queria ter colocado assim".
Prompt:
Faça um steel-man da visão oposta a [minha posição]. Construa o caso mais
forte possível, incluindo qualquer evidência ou enquadramento que eu
provavelmente esteja perdendo. Não suavize. Não acrescente um "mas, na
verdade" no fim. Apenas faça o caso.
Exemplo de saída: para uma posição como "devemos lançar o MVP nesta semana", uma resposta com steel-man poderia dizer: "Lançar nesta semana troca um lançamento corrigível por uma primeira impressão permanente. Clientes que abandonam na primeira semana raramente voltam. O custo de um atraso de duas semanas é pequeno. O custo de relançar contra uma reputação danificada é grande."
Por que funciona: a maioria das pessoas não perde discussões porque os adversários são inteligentes. Perdem porque se prepararam contra a versão burra. Steel-Man te força a encarar a versão inteligente antes de você se comprometer publicamente com seu lado.
Padrão 2: Pre-Mortem
Pre-Mortem (Pré-Autópsia) inverte uma autópsia no tempo. Em vez de analisar por que um projeto fracassou, você imagina que ele já fracassou e reconstrói o caminho que levou até lá.
Quando usar: antes de lançar um plano, projeto ou feature, especialmente quando o time já se sente confiante.
Origem: Gary Klein, "Performing a Project Premortem", Harvard Business Review, 2007. Klein descobriu que times geravam 30% mais razões para fracasso potencial quando assumiam que o fracasso já era real.
Prompt:
É [data daqui a 6 meses]. O plano que vou descrever fracassou
feio. Me leve pela sequência mais provável de eventos que levou
ao fracasso. Seja concreto sobre o que perdemos, quem reclamou
tarde demais e qual sinal precoce ignoramos.
Plano: [cole o plano aqui]
Exemplo de saída: "No segundo mês, o tráfego de lançamento havia caído 60% semana a semana. O time tinha assumido crescimento orgânico via indicações, mas o loop de indicação dependia de uma feature que atrasou. No quarto mês, a campeã original na empresa parceira tinha saído, e ninguém tinha construído relacionamento com a substituta."
Por que funciona: a retrospectiva prospectiva muda como o cérebro busca. Perguntar "o que pode dar errado?" gera respostas vagas. Perguntar "o que deu errado?" gera respostas específicas. A certeza fictícia destrava a especificidade real.
Padrão 3: Load-Bearing Assumption
Load-Bearing Assumption (Premissa de Sustentação) traz à tona as afirmações silenciosas de que seu argumento depende. A maioria dos argumentos tem uma ou duas premissas que, se falsas, derrubam toda a estrutura. A maioria das pessoas nunca as nomeia.
Quando usar: quando travado em uma decisão, antes de comprometer orçamento ou headcount, ou quando um plano parece obviamente certo e você não consegue dizer por quê.
Prompt:
Identifique as 3 premissas de sustentação neste argumento. Para cada uma, me diga:
1. Que evidência a falsificaria
2. Como eu poderia checar em menos de um dia
3. O que muda se ela acabar se mostrando falsa
Argumento: [cole o argumento]
Exemplo de saída: "Premissa 1: que os usuários vão tolerar um tempo de carregamento de 10 segundos na primeira visita. Falsificador: taxa de rejeição acima de 60% na landing page. Verificação em um dia: puxar a analytics da semana passada para a URL do protótipo. Se falso: todo o fluxo de onboarding precisa de um caminho rápido."
Por que funciona: premissas são perigosas na proporção em que são invisíveis. Nomeá-las em voz alta quebra o feitiço. A restrição de "checar em menos de um dia" é o que mantém o exercício honesto. Se você não consegue checar, não pode afirmar.
Padrão 4: Inversion
Inversion (Inversão) faz a pergunta ao contrário. Em vez de "como tenho sucesso em X?", você pergunta "como eu garantiria a pior versão possível de X?". Aí você evita essas coisas.
Quando usar: quando um problema parece travado, quando os conselhos sobre o tema estão cheios de chavões, ou quando você consegue listar coisas a evitar mais rápido do que coisas a fazer.
Origem: Charlie Munger pegou emprestado do matemático do século 19 Carl Jacobi, cujo conselho era "Inverta, sempre inverta". Munger chamou de um dos modelos mentais mais úteis que tinha.
Prompt:
Em vez de resolver [problema], liste cada ação que garantiria
a pior versão deste resultado. Seja específico e concreto. Depois
trabalhamos retrocedendo a partir da sua lista para descobrir o que de fato fazer.
Exemplo de saída: para "como escrevo um ótimo e-mail de onboarding?", a inversão produz: "Escreva 800 palavras. Comece pela história da empresa. Enterre o botão de ação abaixo da dobra. Use 'estamos animados' duas vezes. Envie na sexta às 17h. Personalize só o primeiro nome e esqueça de testar."
Por que funciona: pessoas são melhores em reconhecer fracasso do que em projetar sucesso. A inversão dá ao cérebro um alvo concreto que ele é, de fato, bom em acertar. Uma vez que a pior versão está no papel, a versão melhor é, na maior parte, a negação.
Padrão 5: Devil's Audit
Devil's Audit (Auditoria do Advogado do Diabo) é a jogada que você roda no seu próprio rascunho antes de qualquer outra pessoa ver. Você pede ao modelo para fazer o papel de revisor hostil, e pede que seja específico.
Quando usar: depois de escrever um rascunho, fechar um argumento ou montar um deck. Antes de enviar, publicar ou apresentar.
Prompt:
Audite este rascunho como um revisor hostil mas inteligente. Liste especificamente:
1. A afirmação mais fraca
2. A generalização mais injusta
3. A parte em que estou assumindo que o leitor concorda comigo
4. A parte mais provável de ser cortada por um editor
Seja específico. Cite as frases exatas.
Rascunho: [cole o rascunho]
Exemplo de saída: "Afirmação mais fraca: 'a maioria dos times falha por causa de cultura' (parágrafo 3) carece de citação e é contradita pelo estudo da McKinsey de 2023 que você cita depois. Generalização mais injusta: 'engenheiros não leem documentação'. Concordância assumida: o parágrafo 5 trata o trabalho assíncrono como obviamente melhor; muitos leitores não vão concordar."
Por que funciona: a distância entre o que você escreveu e o que um estranho lê é enorme. A maioria dos escritores não consegue ver as próprias premissas porque elas parecem o ar que respiram. Um revisor hostil torna o ar visível. A restrição de "cite as frases exatas" força a especificidade, que é onde o valor mora.
Padrão 6: Pre-Reading Brief
Pre-Reading Brief (Briefing Pré-Leitura) prepara sua mente antes de você consumir um conteúdo. Em vez de ler passivamente, você lê como alguém que já sabe o que procurar.
Quando usar: antes de um artigo longo, paper denso, vídeo importante ou capítulo de livro que você realmente precisa reter.
Prompt:
Antes de eu ler isto, me dê:
1. Três perguntas para manter na cabeça enquanto leio
2. O contra-argumento mais forte que devo ficar de olho
3. As três frases que devo lembrar caso esqueça o resto
Fonte: [cole ou linke]
Exemplo de saída: "Mantenha estas perguntas: (1) Qual é a evidência mais forte do autor? (2) Onde a linha do tempo dos eventos fica nebulosa? (3) Qual perspectiva está faltando? Contra-argumento a observar: o autor trata correlação como causalidade no segundo estudo citado. Três frases para lembrar: [...]"
Por que funciona: isso é priming cognitivo. A Cognitive Theory of Multimedia Learning, de Mayer, mostra que aprendizes que recebem uma prévia estrutural retêm cerca de 30% mais do que leem ou assistem, porque conseguem encaixar a informação que chega num andaime, em vez de segurá-la na memória de trabalho a frio. O briefing é o andaime.
Padrão 7: Synthesis-from-N
Synthesis-from-N é o padrão para quando você coletou várias fontes sobre um tópico e precisa extrair estrutura ao longo delas. Não um resumo de cada uma. Uma síntese que revela consenso, conflito e pontos cegos compartilhados.
Quando usar: depois de ler vários artigos, papers ou transcrições sobre um tópico. Particularmente útil quando você tem uma biblioteca de destaques no Glasp que vem coletando.
Prompt:
Sintetize estas N fontes em:
1. O consenso central (no que todas concordam)
2. A discordância mais alta (onde se contradizem explicitamente)
3. A premissa que todas as fontes compartilham e que ninguém questiona
Fontes: [cole destaques, links ou citações]
Exemplo de saída: "Consenso central: todas as cinco fontes concordam que a memória de trabalho é o gargalo do aprendizado. Discordância mais alta: as fontes 2 e 4 divergem se a repetição espaçada supera a intercalação. Premissa compartilhada não questionada: toda fonte trata motivação como exógena e ignora como o próprio formato molda o engajamento."
Por que funciona: a maioria das pessoas lê N fontes e termina com N resumos. Synthesis-from-N força um único mapa. O terceiro item, a premissa não questionada, é onde costuma estar o insight de fato, porque é a pergunta que ninguém na área está fazendo ainda. Para um tratamento mais longo do ciclo ler-destacar-sintetizar, veja the synthesis loop.
Padrão 8: Failure-Mode Hunter
Failure-Mode Hunter (Caçador de Modos de Falha) é o padrão de pensamento sistêmico. Você lista as formas como a coisa pode quebrar, classifica por probabilidade e severidade e pergunta o que pegaria cada uma cedo.
Quando usar: ao projetar sistemas, processos, produtos ou ferramentas em que confiabilidade importa mais do que novidade.
Prompt:
Liste os 7 principais modos de falha para [sistema]. Para cada um, me dê:
1. Probabilidade (baixa / média / alta)
2. Severidade (baixa / média / alta)
3. O mecanismo de detecção mais barato que pegaria isso em até uma hora
Sistema: [descreva o sistema]
Exemplo de saída: "Modo de falha 1: pool de conexões do banco esgotado em pico de tráfego. Probabilidade: média. Severidade: alta. Detecção: alerta em tempo de espera de conexão acima de 200ms. Modo de falha 2: API de terceiros silenciosamente faz rate-limit sem retornar erro. Probabilidade: alta. Severidade: média. Detecção: check sintético que compara o payload de resposta com uma fixture conhecida a cada 5 minutos."
Por que funciona: modos de falha geralmente são conhecidos por alguém. A pergunta é se são conhecidos por você, antes que aconteçam. Forçar probabilidade, severidade e um mecanismo barato de detecção transforma preocupação vaga em uma checklist priorizada. A restrição de "em até uma hora" é o que separa monitoramento de verdade de teatro.
Um Cheat Sheet de Uma Página (e Como Memorizar os Padrões)
Aqui está o catálogo todo em um lugar só.
| Padrão | Quando | Frase de Gatilho |
|---|---|---|
| Steel-Man | Antes de defender uma visão | "Faça o caso mais forte contra mim." |
| Pre-Mortem | Antes de lançar um plano | "Já fracassou. O que aconteceu?" |
| Load-Bearing Assumption | Quando travado ou se comprometendo | "Quais 3 premissas sustentam isto?" |
| Inversion | Quando o sucesso parece vago | "Como eu garantiria o pior?" |
| Devil's Audit | Depois de escrever um rascunho | "Seja o revisor hostil." |
| Pre-Reading Brief | Antes de consumir conteúdo | "Quais 3 perguntas devo manter?" |
| Synthesis-from-N | Depois de ler várias fontes | "Consenso, conflito, ponto cego compartilhado." |
| Failure-Mode Hunter | Ao projetar um sistema | "Os 7 maiores modos de falha, ranqueados." |
O truque para memorizá-los é nomeá-los no seu próprio trabalho. Da próxima vez que pedir o contra-argumento mais forte para sua posição, não digite simplesmente. Diga "estou rodando um Steel-Man nisso". Quando terminar um rascunho, diga "rodando o Devil's Audit". Nomear a jogada transforma de um prompt de uma vez em uma ferramenta que você consegue pegar com consistência.
Um ritmo prático que funciona bem com o web highlighter da Glasp: destaque primeiro, padrão depois. Conforme lê, salve as passagens que parecem importantes. Depois rode os padrões sobre sua biblioteca de destaques: faça o Steel-Man da sua posição usando destaques de fontes com que você discorda, faça o Devil's Audit de um rascunho contra destaques que você reuniu, e Synthesize-from-N por um cluster de tópicos. Os destaques são a matéria-prima. Os padrões são as jogadas que você faz sobre esse material. A funcionalidade de chat com IA da Glasp foi construída ao redor desse ritmo. Seus destaques já estão no contexto, então os padrões operam sobre o que você de fato leu, não sobre o que o modelo adivinha.
A maioria das pessoas que fica boa nisso nunca usa todos os oito numa única semana. Elas pegam dois ou três que combinam com o jeito de pensar delas, e ficam fluentes. Esse é o objetivo. Não memorizar oito padrões. Dois ou três rodando no piloto automático.
Perguntas Frequentes
Esses padrões funcionam em qualquer LLM?
Sim. Foram testados em GPT-5, Claude 4.6 e Gemini 2.5, e seguram porque tratam de estrutura de prompt, não de truques específicos de modelo. Os exemplos de saída acima foram gerados nos três com qualidade similar. Modelos menores produzirão versões mais rasas do mesmo formato, mas o formato carrega.
Devo memorizar todos os 8?
Não. Comece com dois. Os dois de maior alavancagem para a maior parte do trabalho de conhecimento são Steel-Man e Pre-Mortem. Steel-Man te salva de defender posições que você ainda não testou sob pressão. Pre-Mortem te salva de lançar planos cujo modo de falha já é óbvio em retrospectiva. Adicione os outros conforme as situações aparecem. Inversion é o terceiro que a maioria das pessoas acaba adotando.
Isto é só engenharia de prompt?
Relacionado, mas o objetivo é diferente. Engenharia de prompt otimiza para a saída do modelo: respostas melhores, menos alucinações, formatação mais limpa. Padrões de pensamento otimizam para sua cognição: pegar seus próprios pontos cegos, trazer à tona suas próprias premissas, afiar seus próprios argumentos. A saída é um efeito colateral. O ponto é o que acontece na sua cabeça quando você roda o padrão.
E quanto a chain-of-thought ou prompts passo a passo?
Chain-of-thought é um meta-padrão que pode se empilhar com estes. Você pode acrescentar "pense passo a passo" a qualquer um dos oito padrões acima e geralmente obter uma resposta mais rigorosa, especialmente em modelos que ainda não fazem raciocínio por padrão. Mas CoT sozinho tende a produzir pensamento verboso mirado em alvo nenhum em particular. Os oito padrões acima apontam o pensamento para algo específico. Use juntos quando o risco justifica os tokens extras.
Conclusão
A reclamação de que a IA é "rasa" é, na maior parte, uma reclamação sobre prompts rasos. Os padrões acima não tornam o modelo mais inteligente. Eles tornam seu pedido mais inteligente, que é onde a alavancagem realmente vive.
Oito jogadas nomeadas. Steel-Man para visões opostas. Pre-Mortem para planos. Load-Bearing Assumption para decisões. Inversion quando travado. Devil's Audit em rascunhos. Pre-Reading Brief em conteúdo. Synthesis-from-N entre fontes. Failure-Mode Hunter em sistemas. Os nomes importam porque são o que você de fato vai lembrar no momento. "Rodar um Steel-Man nisso" é uma coisa que você consegue dizer para si mesmo. "Usar um enquadramento mais crítico no seu prompt" não é.
Se você levar uma coisa deste catálogo, leve isto: o objetivo não é respostas melhores da IA. O objetivo é pensamento mais afiado vindo de você, com a IA como parceira que faz as perguntas que você esqueceu de fazer a si mesmo. Os oito padrões são oito formas confiáveis de fazer essa parceria funcionar. Escolha dois. Fique fluente. Adicione mais quando o trabalho exigir.