Ditei um roteiro de palestra andando na rua, com o celular no bolso. Quando sentei para revisar, em vez do rascunho pronto encontrei uma contradição apontada. O roteiro que eu tinha acabado de ditar puxava a palestra para o lado técnico, e um e-mail de dois meses antes, em que o cliente aprovou o escopo, prometia uma parte prática que não cabia junto no tempo de palco. As duas versões apareceram lado a lado, com a observação de que a decisão era minha.
Nenhum modelo de linguagem faz isso sozinho. Ele fez porque o meu sistema de trabalho com IA guarda o processo em volta dele: onde ficam os e-mails de escopo, o que conta como compromisso assumido, e a instrução explícita de que, quando o material novo contradiz o material aprovado, quem decide sou eu.
Um prompt é uma instrução. Um sistema é a estrutura que já está montada quando a instrução chega, e é ela que separa o uso casual do uso avançado de IA.
O que você vai encontrar aqui
- O gargalo da resposta genérica está no repertório disponível, e não na formulação do comando
- Minhas regras de operação não foram desenhadas, foram escritas uma a uma depois de cada erro
- As 20 tarefas que eu automatizo hoje, agrupadas por finalidade, com o ganho de cada grupo
- O que mudou nos meus treinamentos foi a personalização, e a velocidade veio como consequência
- O custo real de um uso avançado de IA, assinatura por assinatura, e o que ninguém calcula nessa conta
Este artigo complementa o e-book gratuito Claude Cowork em 1 hora, que mostra como montar projetos, skills customizadas e conectores no seu computador. Aqui eu conto por que cada peça existe; lá você encontra a mecânica.
Por que a IA responde genérico
Você abre o chat, escreve um pedido bem formulado, e recebe um texto correto que poderia ter sido escrito por qualquer pessoa da sua área. O modelo respondeu com a média de tudo que ele viu, porque foi só isso que você deu para ele trabalhar.
Essa é a queixa que mais me chega, e quase sempre vem acompanhada de uma tentativa de resolver pelo lado errado: a pessoa procura um prompt melhor, uma técnica nova, um modelo mais caro. Nada disso muda o resultado de forma duradoura, porque o gargalo está no repertório disponível na hora de responder, e não na formulação da instrução. Vale para roteiro de aula, para relatório mensal, para proposta comercial e para o e-mail difícil que você adia desde terça.
Se eu peço um roteiro de aula sobre agentes de IA sem contexto nenhum, recebo a definição que está em qualquer lugar. Se eu peço a mesma coisa com acesso à minha biblioteca de conteúdo, recebo um roteiro que abre com a taxonomia de agentes que eu mesmo montei, usa um caso que eu vi acontecer de dentro de uma empresa, e evita os dois blocos que eu marquei como cansados de tanto usar. A instrução é a mesma. O que mudou foi o que a máquina tinha para ler, e é exatamente isso que um sistema de trabalho com IA organiza.
Já defendi num artigo anterior que o caminho passa por fluxo documentado, e o que vem agora é o que aconteceu quando levei aquilo até o fim.
Camada 1: por que uma biblioteca própria muda a resposta da IA
A primeira camada é uma pasta de arquivos de texto no meu computador. Nada de banco de dados, nada de plataforma: texto puro, que eu abro e edito à mão quando quero.
Faço isso por um motivo prático. Sem repertório escrito, cada trabalho recomeça do zero, e o que recomeça do zero sai parecido com o que qualquer pessoa da minha área receberia pedindo a mesma coisa. A biblioteca é o que me diferencia de quem está usando o mesmo modelo que eu, e é a primeira peça de qualquer sistema de trabalho com IA que não vai entregar resultado genérico.
Onde isso aparece no seu trabalho
O mecanismo é o mesmo em qualquer trabalho que se repete com interlocutores diferentes:
- Reunião de resultados: os números dos trimestres anteriores, a explicação que funcionou da última vez e a objeção que sempre volta
- Apresentação corporativa: os casos que você viu dar certo, o argumento que convenceu aquele diretor e o slide que você aposentou porque não pegava. Já escrevi um guia inteiro sobre isso, e a lógica de acervo vale igual
- Reunião de equipe: o que já foi decidido, o que ficou pendente e o combinado que ninguém lembra na semana seguinte
- Proposta comercial: o que aquele setor costuma perguntar, o que derrubou a proposta anterior e as condições que você não aceita
Em todos esses casos a IA sozinha entrega a versão genérica. Com esse material, ela entrega a sua versão.
O que pode entrar na biblioteca
As bibliotecas são organizadas por tema. A de inteligência artificial tem hoje pouco mais de cinco mil linhas, divididas em blocos numerados, e cada bloco declara para qual público serve, quanto tempo leva e de onde veio a informação.
Um bloco novo só entra se for fonte primária verificável (um estudo, um relatório institucional, um veículo de primeira linha) ou pensamento original meu, declarado como tal. Bloco sem uma dessas duas etiquetas fica marcado como pendência até alguém resolver.
Essa regra existe porque eu subo no palco com aqueles números. Quando alguém levanta a mão e pergunta de onde saiu determinado dado, preciso saber responder e preciso saber quando aquilo foi conferido pela última vez. Um acervo sem procedência é um acervo que você não pode usar em público, e isso vale igual para quem vai defender um número numa reunião de resultados.
E o que entra ali não vem só de sala de aula. A parte que mais rende costuma vir de antes: das sete startups que ajudei a fundar, principalmente do que deu errado nelas; do tempo em que eu escrevia o software em vez de falar sobre ele; de projetos em que eu vi a decisão ser tomada de dentro da empresa, e não da plateia. Entra também o que não veio de trabalho nenhum, porque boa parte do que eu entendo sobre mudança de comportamento eu aprendi fora do escritório. Quem registra só o que aconteceu na aula termina com um acervo que ensina bem e não convence, porque falta a hora em que aquilo custou caro.
Por que o acervo é dividido em blocos
Cinco mil linhas não cabem numa conversa, e elas nunca são carregadas inteiras. Cada biblioteca abre com um índice dos blocos, e é só o índice que entra na conversa; a partir dele a skill decide quais dois ou três blocos abrir e ignora o resto.
Os blocos existem por causa disso, e não por gosto de organização. Gerir contexto é o que separa um sistema de trabalho com IA de uma pasta de arquivos bem arrumada: é acertar uma dose, e errar para qualquer um dos dois lados custa caro.
Contexto de menos e a IA não tem como personalizar. Ela devolve a média, que é exatamente o problema que a biblioteca deveria resolver.
Contexto demais cobra em dois lugares. O primeiro é o limite do seu plano, que some rápido quando toda conversa começa carregando um acervo inteiro. O segundo é mais traiçoeiro: conversa longa precisa ser comprimida para continuar cabendo, e o que se perde na compressão não é o que você escolheria perder. Some detalhe, some ressalva, some a regra que você tinha escrito com cuidado. Há ainda um efeito medido em pesquisa: um estudo de Stanford e Berkeley mostrou que modelos recuperam melhor a informação que está no começo ou no fim de um contexto longo do que a que está no meio. Enterrar o que importa numa parede de texto é uma forma silenciosa de perder aquilo.
O bloco é o que permite acertar a dose: material suficiente para personalizar, enxuto o bastante para o detalhe não se dissolver no caminho.
O que eu leio também vira acervo
Assino um volume de newsletters que nenhuma pessoa razoável conseguiria acompanhar, então elas caem num arquivo local, uma por edição, numa janela móvel de quinze dias. A síntese que eu leio de manhã não consulta o e-mail, consulta esse arquivo.
É essa memória curta que me deixa distinguir tendência de repetição: cinco veículos cobrindo o mesmo anúncio no mesmo dia é volume, não é padrão, e sem memória os dois parecem a mesma coisa. Quem monta relatório de mercado, radar de concorrência ou pauta de comitê conhece bem esse erro.
Camada 2: por que as minhas regras nasceram de erros
São cerca de noventa regras num arquivo só, numeradas, cada uma com três linhas no máximo e uma marca de quando entrou.
Quase nenhuma foi desenhada. Elas foram cicatrizadas. Cada regra existe porque um erro específico aconteceu em uma data específica, e eu não confio na minha memória para não repetir o mesmo erro quatro meses depois.
As regras que você escreveria
Não são regras sobre IA, são regras sobre o seu trabalho. Nos exemplos abaixo troque o meu contexto pelo seu:
- O que nunca pode aparecer: a sigla que aquele cliente detesta, o número sem fonte, a promessa que o jurídico já mandou tirar duas vezes
- O que sempre precisa aparecer: a ressalva do rodapé, a unidade de medida que a diretoria usa, o nome oficial do produto
- Como cada coisa deve ser dita: a ordem em que os números entram, o jeito que a empresa chama o cliente, o tom que funciona com aquele comitê
- Quem decide o quê: o que você lê antes de sair e o que pode seguir sem passar por você
Cada uma dessas linhas custou alguma coisa para alguém aprender. Escrever poupa a próxima pessoa, inclusive você daqui a seis meses.
A parte que mais muda o resultado é escrever o que você recusa, e não o que você gosta. “Nunca abrir parágrafo com Mas ou Porém” é objetiva, e qualquer pessoa consegue conferir se foi cumprida. “Escreva com tom natural” não dá para conferir, então o modelo cumpre do jeito dele, que é a média de todo mundo. Por isso o meu guia de estilo é quase todo negativo.
Uma das minhas regras nasceu assim. Publiquei uma edição de newsletter que passou por três rodadas de revisão e ainda saiu com o mesmo vício de linguagem repetido três vezes no mesmo texto, além de uma metáfora que eu já tinha marcado como gasta. As três rodadas foram feitas pelo mesmo agente que escreveu o texto. A regra que ficou: a revisão final é feita por um agente que não participou da escrita, e recebe só o texto e o guia de estilo. Quem escreveu não enxerga a própria repetição, e isso vale para máquina do mesmo jeito que vale para gente.
Se você já usa IA e está insatisfeito com o resultado, essa é a camada que provavelmente falta no seu sistema de trabalho com IA. Sem ela, você corrige o mesmo defeito toda semana e nunca sabe se ele parou de aparecer.
Camada 3: o que é uma skill e quem executa
As vinte tarefas que eu automatizo são skills. Uma skill é um arquivo de texto que ensina o modelo a executar uma tarefa do seu jeito, uma vez, para todas as sessões seguintes. Escrevi sobre as camadas de personalização de um assistente quando isso ainda era novidade, e a ideia continua a mesma.
Quem executa, no meu caso, é o Claude Cowork: eu abro várias tarefas ao mesmo tempo, cada uma com uma skill diferente, e cada tarefa toca a sua. A mesma lógica existe hoje no Gemini Spark, no ChatGPT Work e no Copilot Studio, com nomes e limites próprios em cada um. Os nomes vão mudar. O que não muda é deixar a instrução escrita fora da conversa, para ela não precisar ser repetida a cada vez.
Isso tem uma consequência que eu só fui perceber depois. Quando o modelo troca de versão, ou quando eu troco de modelo, não gasto tempo nenhum de ajuste, porque nenhuma instrução minha depende do modelo. Um sistema de trabalho com IA feito de arquivo de texto é portátil: dá para mover o conjunto inteiro de um sistema de agentes para outro e ele continua funcionando. O investimento fica no arquivo, e não na plataforma.
Duas coisas fazem uma skill dessas produzir material que não parece genérico, e nenhuma delas está no texto do prompt.
A primeira coisa é a biblioteca, que já descrevi. A skill não gera conteúdo do nada, ela monta a partir do que já está escrito e verificado, e avisa quando precisa de material novo.
A skill entrevista antes de escrever
A segunda é que a skill me entrevista antes de produzir. As de contrato têm roteiros de perguntas por tipo de serviço, agrupadas em blocos para não me interrogar campo a campo. A de treinamento processa a transcrição do briefing e devolve uma lista de lacunas classificadas como críticas ou desejáveis, com a pergunta que eu preciso fazer para fechar cada uma, em vez de preencher o buraco com suposição razoável. A de conteúdo social não escreve nada antes de me perguntar onde eu já vi aquele tema acontecer na prática, e tanto faz se foi numa turma, num cliente ou numa empresa minha.
A entrevista existe porque o que torna um conteúdo não genérico é justamente aquilo que a máquina não tem como adivinhar: o que você viu acontecer, o que você recusa, o que só faz sentido no seu contexto. Nenhum prompt extrai isso de você. Uma pergunta feita na hora certa, sim.
As perguntas mudam conforme o trabalho, o princípio não. Quem prepara reunião pergunta quem está na sala hoje, o que mudou desde a última vez e qual decisão precisa sair dali. Quem escreve proposta pergunta o que derrubou a última e qual objeção sempre volta na hora de fechar. São coisas que você sabe e nunca escreveu em lugar nenhum.
Na prática isso toma menos tempo do que parece. Eu respondo as perguntas no começo, deixo a tarefa trabalhando e vou tocar outra coisa. Com frequência disparo vários ao mesmo tempo e volto depois para conferir um a um, em sequência. A sensação de trabalho é a de ter gente produzindo em paralelo enquanto eu cuido de outra frente, com uma fila de material chegando para eu revisar e aprovar.
A pergunta certa é para você
Aqui mora um mito que eu ouço toda semana: o de que usar bem IA é saber fazer as perguntas certas para ela. Consultar a máquina dentro do seu campo profissional rende dois resultados. Ou ela inventa, ou ela acerta na média, que é exatamente o que você não pode assinar embaixo.
A pergunta certa é para você mesmo. Ela te obriga a raciocinar, e a resposta que você der é o que entra no comando. É por isso que as minhas skills me entrevistam: elas existem para arrancar de mim o que só eu sei, e não para eu buscar na máquina o que eu deveria saber.
Eu consulto a IA de vez em quando, com um critério fixo: só sobre assunto que eu não domino e sobre o qual não vou precisar responder diante de cliente ou de aluno. Dentro do seu campo, antes de perguntar, veja em qual dos três casos você está:
- Você sabe e está relembrando: siga, é consulta
- Você sabe e está conferindo: melhor ainda, mas confira na fonte, não no chat
- Você está descobrindo: pare e aprenda em fonte confiável antes de seguir adiante
Há um motivo novo para essa desconfiança. À medida que as empresas aprendem a otimizar conteúdo para ser lido por modelos de IA, assunto que eu já tratei num artigo sobre essa disputa, o material de marketing delas vai entrando nas respostas. Quando a IA recomenda um produto, muitas vezes é porque tudo que ela encontrou sobre aquele produto era positivo, e não porque o produto seja bom.
Quando você pede o prompt pronto
Se você não faz ideia de por onde começar, pedir para a IA escrever o comando é caminho legítimo, e eu uso. O que volta orienta a execução daquela tarefa pela média daquela tarefa, porque é disso que o modelo dispõe. Para o resultado sair acima da média, alguém que domina o assunto precisa acrescentar os passos que faltam e o contexto que só existe no caso concreto.
Quando você lê o comando que a IA escreveu e acha que ficou muito bom, o que costuma ter acontecido é que ele ficou acima da sua média, e não acima da média de quem faz aquilo bem. A sensação de qualidade vem da comparação com o que você faria sozinho.
De vez em quando não tem problema nenhum. O tempo todo, dentro da sua própria área, diz outra coisa: se a IA escreve as suas instruções melhor do que você escreveria, o seu domínio naquele assunto está abaixo da média do mercado, e essa é justamente a tarefa em que você é fácil de substituir.
Antes de aprovar qualquer texto, eu faço três perguntas: consigo visualizar o que está escrito, dá para alguém discordar disso com argumento, e só eu poderia ter dito isso. Se o texto passa nas duas primeiras e falha na terceira, ele pode ser assinado por qualquer profissional de IA do país, e aí não serve.
Antes de criar uma skill, eu procuro a fonte canônica
Quando a skill depende de conhecimento técnico externo, ela começa por um arquivo de fontes. Ali fica cada afirmação que a skill vai tratar como verdade, com uma etiqueta de status ao lado: documentação oficial, estudo revisado por pares, levantamento de mercado, observação da minha prática, ou a verificar.
O arquivo tem uma seção que eu considero a mais útil de todas: afirmações removidas. É onde ficam as que a própria checagem derrubou, com a data em que caíram. Sem esse registro, uma informação errada que você já descartou volta pela mesma porta meses depois, porque continua circulando por aí e continua parecendo verdade.
Isso dá trabalho e eu faço mesmo assim porque skill montada sobre informação errada não trava nem avisa: ela funciona normalmente e entrega a coisa errada com a mesma confiança de sempre. Você só descobre na frente de um cliente, ou não descobre.
As 20 tarefas que eu automatizo, por finalidade
São 20 skills rodando hoje. As horas são estimativa minha, não medição cronometrada.
| Finalidade | Quantos | Horas/mês (estimativa) | O que melhorou além do tempo |
|---|---|---|---|
| Entrada de informação: ler o que chega e transformar em pauta | 1 | 12 a 16 | Memória de quinze dias permite ver padrão se formando, e não só a manchete do dia |
| Produção de conteúdo: blog, newsletter, LinkedIn, Instagram, e-book | 5 | 14 a 20 | Voz consistente entre canais e um mapa que evita dois textos disputando a mesma busca |
| Clientes e formação: desenho de treinamento, mentoria, curadoria, dossiê comercial | 3 | 12 a 18 | Cada turma recebe material calibrado por setor, perfil de público, momento de jornada e o que o cliente pediu de ênfase |
| Administração da empresa: nota fiscal, contrato, conciliação de caixa | 3 | 5 a 8 | Dado cadastral passou a vir de uma fonte única, e cláusula desequilibrada entra na entrega classificada por gravidade |
| Comunicação e decisão: mensagens por canal, conselho interno de perspectivas | 2 | 4 a 6 | Cada canal tem formato próprio, e decisão difícil passa por vozes que discordam entre si |
| Manutenção do sistema: fechamento de dia e de sessão | 2 | custa 2 a 4 | O sistema aprende: toda sessão longa gera candidato a regra nova |
| Para outras pessoas: otimização de currículo | 1 | n/a | Distribuo essa para quem precisa; o raciocínio por trás dela está no artigo sobre os três leitores de um currículo |
| Fora do núcleo: tradução técnica, anúncios | 2 | 3 a 5 | Trabalho que eu faria pior ou não faria |
| Pessoal: checklist de mala e planejamento de viagem | 1 | 1 a 2 | Paro de esquecer o que importa em semana de três cidades |
Somando e descontando a manutenção, dá algo entre 47 e 73 horas por mês.
Os ganhos de qualidade são o que eu defendo, porque descrevem três coisas que passaram a existir.
- Consistência: as mesmas exigências de voz e de verificação de fonte valem para o post, a aula e o contrato, sem depender de eu estar descansado naquele dia
- Cobertura: tarefas que eu adiava por serem chatas, como conciliar caixa e conferir o que já foi publicado antes de escrever, agora acontecem
- Rastreabilidade: quando um número aparece num material meu, existe uma linha em algum arquivo dizendo de onde ele veio e quando foi conferido
O que existe além das skills, e por que importa
Quatro coisas no meu sistema não são skills, e talvez sejam elas que separam um uso avançado de IA de um monte de atalhos.
Um protocolo de destilação. Quando aparece uma peça densa que vale ler inteira, um relatório, uma pesquisa, um documento longo, ela não é lida uma vez e esquecida. O protocolo define onde cada pedaço aproveitável vai morar: bloco de biblioteca, capítulo de livro, pauta de post ou nota para o grupo. Criei isso porque o custo de ler bem é fixo e o aproveitamento não é. Sem destino definido, a leitura boa vira um post e desaparece.
Uma verificação que roda todo dia. A skill que fecha o meu dia confere a integridade das outras: caminho quebrado, referência citada que não existe, arquivo que ninguém chama, versão no computador diferente da versão instalada. Ele roda no fechamento do dia. Existe porque quem escreve regra sem ter quem confira acumula regra morta, e regra morta é pior que regra nenhuma: você acha que está protegido e não está.
Um ritual de conhecimento. São quatro compromissos semanais de circulação do que eu aprendi: mandar algo para o grupo, virar pauta de texto, levar para os mentorados e anotar atualização de livro. O sistema marca quais fecharam na semana e quais faltam. Isso não é automação, é cobrança. Aprender sem circular é a forma mais silenciosa de desperdiçar tempo de leitura.
Um limite de escopo declarado. Nas frentes em que errar custa caro de verdade, o sistema organiza a informação e prepara a pergunta que eu levo para quem entende do assunto, e para por aí. Ele não decide nada que exija responsabilidade profissional atrás. O princípio vale para saúde, para o jurídico e para qualquer coisa que você não assinaria sozinho: quanto mais séria a consequência do erro, mais estreito o escopo que a máquina recebe.
O que mudou no trabalho que eu entrego
Quando eu escrevia software, o custo de refazer uma tela do zero decidia se a gente refazia ou remendava. Em treinamento a conta é a mesma, com outro nome, e foi ela que mudou.
A reunião de briefing é gravada e transcrita. A transcrição vira uma lista do que o cliente disse e, no fim, uma lista do que ele não disse: o que ficou ambíguo, o que não foi mencionado, e a pergunta que eu preciso fazer para fechar cada ponto. Nada é preenchido por suposição. Com as lacunas fechadas, o desenho da aula é montado puxando blocos da biblioteca, e o que não existe na biblioteca aparece marcado como conteúdo novo a produzir. Slides vêm por último.
Essa lista de lacunas é a parte que mais me poupa. O erro caro em treinamento não é o slide feio, é descobrir no dia que você entendeu errado o que o cliente queria.
Se o seu trabalho é preparar reunião de resultados ou apresentação para um cliente, o equivalente é a lista do que ficou pressuposto e ninguém confirmou. É sempre ali que mora o retrabalho, e é a parte que a gente costuma descobrir tarde.
Um treinamento novo e personalizado que antes me consumia dias hoje sai em horas, e boa parte do salto vem de duas coisas que não são a IA: eu sou o especialista do conteúdo, e tenho acervo próprio acumulado. Para dimensionar o terreno, um levantamento do Chapman Alliance com 249 organizações mediu uma média de 43 horas de desenvolvimento para cada hora de aula presencial pronta. É o tamanho do trabalho que se esconde atrás de um treinamento sob medida, e é por isso que quase todo mundo reutiliza material.
O que os estudos medem, e o que eu meço
Os estudos controlados medem ganhos bem mais modestos que o meu. Um ensaio randomizado da Education Endowment Foundation, com 259 professores em 68 escolas, encontrou 31% de redução no tempo de preparação de aula, sem que um painel independente percebesse queda de qualidade.
E existe um estudo que vale mais para você do que qualquer número meu. O METR acompanhou 16 desenvolvedores experientes em 246 tarefas reais, com gravação de tela, e mediu que eles ficaram 19% mais lentos usando IA. Depois de terem sido mais lentos, eles continuavam achando que tinham sido 20% mais rápidos. Antes de reorganizar o seu trabalho inteiro em cima de uma sensação de ganho, vale cronometrar uma tarefa. Eu incluo a minha nessa ressalva.
Por que eu parei de repetir apresentação
O que mudou, e disso eu tenho certeza, é que eu parei de repetir apresentação.
A conta de tempo antes empurrava para o reaproveitamento: você monta um deck bom sobre um tema e roda ele em cliente após cliente, trocando a capa e dois exemplos. Eu fiz isso por anos, e o motivo é econômico, não preguiça. Quando o custo de personalizar caiu, a decisão mudou de natureza. Hoje cada turma recebe material calibrado pelo setor, pelo perfil de quem está na sala, pelo momento da jornada daquele grupo e pelo que o cliente pediu de ênfase, mais prático ou mais aprofundado. O risco do caminho oposto, treinar equipe com material genérico, eu tratei em outro artigo sobre formação de equipes.
Do lado do texto, meu retrabalho manual fica entre 10% e 30%, na minha estimativa, e é mais remoção e ajuste do que reescrita. Corto o que sobrou, acrescento o exemplo que só eu tenho, mudo uma palavra que não é minha. A estrutura em geral sobrevive; o acabamento é sempre meu.
A editoração dos livros que eu já escrevi
Editorar é o trabalho que vem depois da última frase: checar se o tom mudou no meio, encontrar a ideia explicada duas vezes em pontos distantes, achar a contradição que ninguém percebe porque está a cem páginas de distância. É leitura repetida, e leitura repetida é exatamente onde o olho humano falha.
Uso a IA em papéis diferentes ao longo dessa passagem, e separar os papéis é o que faz cada um render.
- Revisor: procura repetição, contradição e mudança de tom entre capítulos
- Leitor simulado: lê com um perfil declarado (alguém que não conhece o assunto, alguém que discorda da tese, alguém que só vai ler o primeiro parágrafo) e me diz onde travou e o que levaria embora
- Checagem: confere dado, número e fonte contra o material original, e separa o que confirmou do que não conseguiu confirmar
A lista do que não foi confirmado é a mais útil das duas, e só existe porque o sistema tem permissão para dizer que não achou: um sistema que sempre responde alguma coisa é um sistema que vai inventar quando não souber.
O resultado é que hoje eu publico um livro por conta própria com um acabamento que antes exigiria uma equipe. Os papéis que revisor, preparador de texto e checador cumprem continuam existindo, e continuam difíceis; o que mudou é que eles ficaram ao alcance de quem publica sozinho, com a decisão sobre cada apontamento ainda passando por mim.
Quais ferramentas entram no meio do caminho
Nenhuma delas é o sistema. Cada uma resolve um pedaço específico do caminho, e vem com um defeito que você precisa conhecer antes de adotar.
Ditado por voz. Uso o Wispr Flow, que transcreve enquanto eu falo, em qualquer campo de texto. Uso porque penso melhor falando do que digitando, e material longo que eu levaria uma tarde para escrever sai numa caminhada. Nome próprio e sigla saem errados, e texto ditado vem cheio de digressão. Por isso conteúdo que chegou por voz nunca é gravado direto num arquivo: ele me é mostrado primeiro, e eu aprovo antes de qualquer edição.
Transcrição de reunião. Uso o Tactiq, no plano gratuito, e é ele que alimenta o briefing de treinamento. Depois de uma entrevista ao vivo, fui conferir no áudio os números que eu tinha citado e encontrei dois trocados na transcrição. Número trocado destrói o argumento construído em cima dele, então hoje nenhum número que venha de transcrição automática vira conteúdo sem passar pelo áudio.
Corte de vídeo. O OpusClip transforma gravação longa em trecho curto para redes. Eu escrevo a descrição do trecho que quero e depois reviso corte por corte, porque ela acerta o recorte técnico e erra o julgamento editorial: não sabe qual das seis ideias do vídeo é a que vale publicar esta semana.
Geração de imagem. Uso o Gemini para as imagens dos artigos e das aulas. Palavra escrita sem acento em qualquer ponto do comando sai sem acento dentro da imagem, inclusive quando o acento estava numa linha de instrução interna que nem deveria aparecer. Barra vertical usada como separador em título é desenhada literalmente, como um traço. São detalhes que só aparecem depois da vigésima imagem, e é por isso que eu mantenho um arquivo com eles: erro de ferramenta que você não anota, você comete de novo.
Quanto custa um uso avançado de IA por mês
São os valores cobrados nos recibos mais recentes:
- Claude, plano Max: R$ 1.100,00 por mês
- Google AI Plus, com 2 TB: R$ 49,99 por mês
- Wispr Flow Pro: R$ 288,00 por ano, o equivalente a R$ 24,00 por mês
- OpusClip Pro: US$ 113,97 por ano num plano promocional, perto de R$ 49,00 por mês ao câmbio de agosto de 2026
- Tactiq: zero, uso o plano gratuito
Dá pouco mais de R$ 1.200 por mês, e uma linha só responde por quase 90% do total. As outras quatro somam R$ 123 por mês.
Esse é o custo visível. O invisível é a manutenção, e ela está na tabela lá em cima: duas a quatro horas por mês, a única linha que gasta em vez de poupar.
Na prática são poucos segundos ao fim de cada tarefa. Rodo a skill de fechamento, que pergunta se alguma coisa foi aprendida ali e merece virar regra nova, fonte atualizada ou ajuste numa skill existente. Somado ao longo do mês, isso vira melhoria contínua: cada vez que eu uso o sistema, ele fica um pouco melhor do que estava.
O detalhe é que não acontece sozinho. A melhoria só existe se você salvar, e salvar quer dizer escrever nas instruções da skill ou num arquivo de contexto do seu sistema. Aprendizado que fica só na conversa some quando a conversa fecha.
É também a razão pela qual sistema copiado de outra pessoa não sobrevive. Você herda a manutenção de um processo que não é o seu, sem ter vivido nenhum dos erros que geraram aquelas regras.
O que eu nunca entrego para a IA
Escrever essa lista é o que me impede de decidir isso cansado, numa sexta à noite.
- Envio. Nada sai da minha mão sem eu ter lido inteiro. Mensagem, e-mail, post, contrato, slide. O sistema rascunha, eu envio, porque o nome que assina é o meu.
- Decisão sobre pessoas. Avaliação de aluno, de mentorado, de parceiro. A máquina organiza o que foi dito numa sessão; a leitura sobre a pessoa é minha.
- Número que eu não conferi. Qualquer estimativa que entre num material meu sai marcada como estimativa até ser verificada em fonte primária.
- Dado sob confidencialidade. Nome de cliente, valor de contrato, material que pertence a quem contratou. Nem no sistema, nem no exemplo anonimizado que, somando setor, ano e porte, entregaria de quem se trata.
- Automação que burla regra de plataforma. Existe muita gente vendendo isso, e é atalho ruim: o risco recai sobre a sua conta e a sua reputação, não sobre quem vendeu o script.
- Recomendação financeira. A skill que fecha o meu caixa apresenta a folga do mês e para. Se eu perguntar sobre uma aplicação específica, ele pesquisa, compara e explica risco, sem indicar qual escolher.
Onde o sistema erra
Todo uso avançado de IA esbarra nestes cinco. Nos quatro primeiros eu tropecei antes de aprender. O último eu evitei desde o começo.
Skill que dispara na hora errada. A descrição da skill é o que faz o modelo decidir usá-la. Descrição larga demais e ela entra em conversas onde não deveria; estreita demais e ela nunca é chamada quando você precisa.
Arquivo desatualizado virando fonte de verdade. É o mais perigoso, porque é silencioso. Um dado que estava certo há oito meses continua sendo lido como certo hoje. Por isso as fontes carregam data de verificação, e a reverificação acontece quando o bloco volta a ser usado, em vez de numa auditoria geral que ninguém nunca faz.
Correção aplicada no arquivo errado. Corrigi uma regra e o defeito continuou aparecendo, porque aquela mesma regra vivia em dois arquivos e eu tinha mexido só num. Levou uma semana até eu entender. Quando a mesma instrução mora em mais de um lugar, corrigir um lugar não resolve nada.
Concordância que parece validação. Quando você pede para a IA revisar o que a IA escreveu, e as duas concordam, isso não é confirmação: é o mesmo viés aparecendo duas vezes. Trato convergência fácil como motivo para desconfiar mais, e é por isso que a revisão final vai para um agente cego ou para um par humano.
Agendar o que não precisa rodar sozinho. Skill que dispara todo dia no mesmo horário consome token do seu plano toda vez, e resultado que você não vai usar naquele dia é desperdício puro. A minha rotina não é linear: aula, palestra e reunião caem em dias e horários diferentes, e o que serve numa terça de viagem não serve numa quinta de sala. Por isso eu decido a hora de rodar cada skill e só disparo quando estou por perto para receber o resultado, entregar a informação que o modelo não tem e usar a saída enquanto ela ainda serve. Agendamento compensa quando o resultado é consumido de qualquer jeito; fora disso, é gasto que você só percebe quando o limite do plano acaba antes do mês.
Por onde começar o seu uso avançado de IA
Antes do primeiro passo, uma ressalva que me parece justa. Construí isso ao longo de cerca de seis meses, e eu partia de uma vantagem: fui desenvolvedor de software e montei várias startups, então documentar, otimizar e automatizar processo foi a maior parte da minha vida profissional. Quem nunca precisou fazer isso vai achar a parte de organizar mais difícil do que a parte de usar a IA, e o problema não é você. O que eu trouxe aqui são ideias e estruturas para quem está começando a organizar um uso avançado de IA, e não um molde para copiar.
Uso avançado de IA não começa com vinte skills. Comece por um arquivo só, esta semana.
Escolha a tarefa que você mais repete e que mais te consome, e abra um arquivo de texto simples com três coisas:
- O que você já sabe sobre o assunto e não está no Google, incluindo o que você aprendeu errando, que é a parte que ninguém publica
- As perguntas que você sempre precisa responder antes de começar aquela tarefa
- O que você nunca aceita no resultado final
Anexe esse arquivo no seu próximo pedido à IA, em vez de descrever tudo de novo no comando.
Se você quiser a parte prática com acompanhamento, dois cursos da minha curadoria na ESPM cobrem a montagem passo a passo: Produtividade e Contexto: Segundo Cérebro e Sistema de Arquivos com IA, com o Ces Michelin, e a Formação Head of Context: Marca, IA e Algoritmos, com a Priscila Milk e o Wagner Martins. Os dois começam em novembro de 2026.
Se funcionar, aquele arquivo puxa o próximo. Foi assim que o meu começou, sem nenhum plano no início.
Perguntas frequentes
Por que a IA continua dando resposta genérica mesmo com um prompt bom?
Porque o comando define o formato da resposta, e não o repertório usado nela. Sem material próprio anexado, o modelo responde com a média do que existe publicado sobre o assunto. A saída deixa de ser genérica quando você entrega conteúdo que só você tem: sua experiência escrita, seus dados, seus critérios de recusa.
Não é mais rápido usar um prompt pronto que alguém já testou?
No primeiro uso, sim. Depois disso ele para de render, porque o prompt de outra pessoa carrega o critério dela, não o seu. O que faz um sistema de trabalho com IA melhorar mês a mês é justamente o que não dá para copiar: os erros que você já cometeu e as decisões que você já tomou.
Preciso saber programar para ter um uso avançado de IA?
Não. Meu sistema inteiro é arquivo de texto comum, do tipo que qualquer pessoa abre e edita. A parte difícil não é técnica: é escrever a regra no dia em que o erro acontece.
Qual a diferença entre salvar prompts e ter um sistema?
Um prompt salvo carrega a instrução e mais nada. O arquivo de sistema carrega o material de onde a resposta sai, o que nunca pode acontecer no resultado, e o registro dos erros que já custaram caro.
Isso funciona no ChatGPT e no Gemini ou só no Claude?
Funciona em qualquer um. As três plataformas aceitam anexar arquivos, manter instruções permanentes e organizar trabalho por projeto, com nomes e limites diferentes em cada uma. Uso o Claude para a maior parte desse fluxo pela forma como ele lida com arquivos no computador.
Como a IA aprende a escrever no meu estilo sem virar imitação?
Descrevendo o que você recusa. Meu guia de estilo é quase todo negativo: caracteres que nunca uso, construções que denunciam texto de máquina, palavras que não fazem trabalho nenhum na frase. Proibição dá para conferir; pedido de tom não dá.
Quanto tempo leva para ver ganho real?
O primeiro arquivo já muda o resultado da tarefa em que ele é usado, no mesmo dia. O sistema inteiro cresce por acúmulo, e não dá para acumular erro que você ainda não cometeu.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.
