Manual do Escoteiro Mirim da IA

Antes de abrir qualquer ferramenta de IA, vale ter uma regra simples na cabeça: não coloque nada que você não mostraria para um estranho na rua.

• Nome de cliente sem autorização
• Briefing com informações estratégicas
• Dados de campanha que ainda não foram a público
• Informações pessoais de terceiros
• Senhas, planilhas financeiras, contratos
• Qualquer coisa coberta por NDA

Dependendo da ferramenta e das configurações que você não leu quando criou a conta, o que você digita pode ser usado para treinar modelos. Isso não é teoria da conspiração, está nos termos de uso. Ferramentas corporativas como o WPP Open existem justamente para contornar esse problema. Quando o trabalho envolver informações sensíveis, use o canal certo.

Julgamento é boa parte do que faz o trabalho criativo valer alguma coisa, e esse é exatamente o ponto onde a IA não chega.

• Textos curtos que você escreveria em dois minutos
• Decisões criativas que dependem de contexto que só você tem
• Comunicações onde o tom importa mais do que a estrutura (feedback, cliente difícil, situações delicadas)
• Qualquer coisa que exija conhecimento do histórico de uma conta ou relação

A IA vai entregar um texto funcional. Funcional não é o suficiente quando o que está em jogo é confiança.

A ilusão de que delegar para a IA é sempre mais rápido não sobrevive ao primeiro projeto.

Tem uma conta que a maioria não faz: o tempo que você gasta explicando o que quer, ajustando o resultado, revisando o que não ficou certo e editando até ficar como você queria. Para tarefas curtas, esse tempo costuma ser maior do que o tempo de simplesmente fazer.

A ferramenta ganha em escala. Para o trabalho pontual e pequeno, às vezes o mais produtivo é simplesmente abrir o documento e escrever.

Um prompt é a instrução que você dá para a IA. Pode ser uma pergunta, um comando, um contexto com orientações, ou tudo isso junto. É o ponto de entrada de qualquer interação.

O nome intimidou muita gente. "Prompt engineering" virou buzzword de LinkedIn e criou a impressão de que é uma habilidade técnica complicada. Não é. Se você já pediu para um colega "me faz um resumo desse texto mas focando nos números", você escreveu um prompt. Com IA você precisa ser um pouco mais explícito porque ela não tem o contexto que um colega teria, mas o raciocínio é o mesmo.

• Contexto: quem você é e para que serve o resultado
• Instrução clara: o que exatamente você quer
• Formato: como quer que a resposta apareça (parágrafo, lista, tabela)
• Tom: formal, casual, técnico, direto

A diferença entre os dois não é habilidade técnica. É clareza sobre o que você quer.

Se um prompt é uma instrução, um script é uma instrução que você construiu para usar várias vezes.

Um prompt é uma conversa. Um script é um formulário com campos fixos que você preenche cada vez que precisa do mesmo tipo de resultado. As partes que mudam ficam marcadas como variáveis, as partes que não mudam ficam sempre iguais.

Toda vez que precisar de uma legenda, você preenche os campos e manda. O resultado vai ser consistente porque a estrutura é a mesma.

Imagine que você gerencia o Instagram de um cliente e toda semana precisa entregar uma grade com posts para aprovação. Em vez de começar do zero toda segunda-feira, você monta um script uma vez e reutiliza:

O cliente muda, a semana muda, o tema muda. A estrutura do calendário não.

Times de criação que atendem múltiplos clientes precisam trocar de voz o tempo inteiro. Um script de briefing criativo resolve isso sem depender da memória de cada pessoa do time:

Com esse script, qualquer pessoa do time consegue replicar o briefing criativo de uma conta sem precisar ter atendido aquele cliente antes.

Scripts são especialmente úteis quando mais de uma pessoa precisa executar a mesma tarefa, ou quando o resultado precisa ter sempre a mesma cara independente de quem está fazendo.

A decisão entre usar um ou outro depende de uma pergunta: você vai precisar desse resultado mais de uma vez, sempre no mesmo formato?

Se sim, vale construir um script. Se é algo pontual ou que muda muito de acordo com o contexto, um prompt bem feito resolve.

Se a tarefa se repete com a mesma estrutura, o esforço de montar o script uma vez economiza tempo em todas as próximas execuções.

Um agente é um fluxo autônomo que executa múltiplas tarefas em sequência, sem precisar que você intervenha a cada etapa. Você define o objetivo e os passos, e o agente percorre o caminho.

A diferença para um script é o nível de autonomia. Um script espera você preencher os campos e mandar. Um agente recebe um objetivo e decide como chegar lá, podendo pesquisar, produzir, revisar e entregar numa rodada só.

• Um agente que recebe o tema de uma pauta, pesquisa referências na web, resume os pontos principais e entrega um briefing de conteúdo pronto para revisão
• Um agente que monitora menções de uma marca, filtra as relevantes e gera um relatório semanal formatado
• Um agente que pega um briefing criativo, gera três opções de copy em tons diferentes e organiza tudo numa planilha de aprovação

Agentes são úteis quando o processo tem várias etapas que dependem umas das outras e repetir esse ciclo manualmente toda semana custa tempo demais. O cap 19 desse manual entra em mais detalhe sobre como configurar um. Por ora, o suficiente é saber que eles existem e para que servem.

Uma skill é um script salvo como recurso permanente dentro de uma ferramenta de IA. Quando você abre uma conversa nova, a skill carrega automaticamente o contexto, as instruções e o comportamento que você definiu, sem precisar repetir nada.

Se você usa a mesma IA todos os dias e toda vez começa explicando quem você é, qual é o cliente, qual é o tom e quais são as regras, uma skill elimina esse ritual. Ela já sabe.

• Uma skill com o guia de voz e tom de um cliente, que qualquer pessoa do time pode acionar para garantir consistência
• Uma skill com as diretrizes editoriais de uma publicação, para que o modelo sempre escreva dentro do estilo da casa
• Uma skill com o fluxo de aprovação de conteúdo de uma conta, que orienta o modelo a formatar as entregas do jeito certo

A diferença entre uma skill e um script é que o script você cola no prompt manualmente. A skill está sempre lá, sem esforço.

Agora que os quatro estão definidos, a escolha entre eles segue uma lógica de recorrência e complexidade.

Prompt: tarefa única, contexto muda, você quer explorar.

Script: tarefa recorrente, estrutura fixa, mais de uma pessoa precisa executar.

Skill: contexto fixo que você não quer repetir toda vez. A ferramenta já sabe o que precisa saber antes de você começar.

Agente: processo com múltiplas etapas encadeadas que você quer automatizar de ponta a ponta.

Cada vez que você abre uma conversa e repete contexto manualmente, está gastando tokens antes de começar a trabalhar de fato. Scripts economizam porque a estrutura já está pronta. Skills economizam mais porque o contexto é carregado automaticamente sem ocupar espaço na janela da conversa. Agentes economizam sessões inteiras porque encadeiam o que seria uma sequência de conversas em uma execução só.

Quanto mais estruturado o processo, menos tokens você gasta explicando o que quer.

O resultado da IA vai ser tão bom quanto a instrução que você deu. Se você chega com um briefing vago, vai receber uma resposta vaga.

Existe um exercício clássico em programação para ensinar pensamento algorítmico: imagine que você precisa ensinar alguém a fazer um bolo. Não qualquer alguém: uma pessoa que nunca entrou em uma cozinha, que não sabe o que é uma xícara de medida e que vai seguir suas instruções ao pé da letra.

Se você disser "adicione farinha suficiente", a pergunta vai travar tudo: farinha de quê? Quanto é suficiente? Antes ou depois dos ovos? A instrução incompleta gera uma execução imprevisível, ou simplesmente para no meio.

A IA funciona da mesma forma. Ela não tem contexto subentendido. Ela processa o que você escreveu da forma mais literal possível. Uma instrução vaga gera uma resposta plausível, mas não necessariamente a resposta que você precisava.

Antes de escrever qualquer prompt, vale gastar dois minutos respondendo essas perguntas:

Seja específico. "Um texto sobre o produto" é diferente de "uma descrição de 80 palavras focada no benefício principal para quem compra pela primeira vez".

O público muda completamente o tom, o vocabulário e o que precisa ser dito ou omitido.

Instagram tem lógica diferente de LinkedIn. E-mail tem lógica diferente de apresentação. Formato importa.

Liste os elementos obrigatórios: mensagem principal, CTA, restrições de marca, palavras que não pode usar.

IA tende a alongar. Diga o tamanho que você quer.

Responder essas perguntas antes de escrever o prompt economiza tempo de revisão. Mas o processo não é uma linha reta: a cada resultado que a IA entrega, você pausa, analisa o que veio, e decide se está pronto ou se o briefing precisa de ajuste.

O pensamento lógico entra em dois momentos: na hora de formular a instrução e em cada ciclo de avaliação. A IA entrega o que parece mais provável dado o que você pediu. Avaliar se isso é o que você precisava é sempre sua função.

Token é a unidade que a IA usa para processar texto. De forma simplificada, cada palavra ou pedaço de palavra conta como um ou mais tokens. Isso importa porque toda ferramenta tem um limite de tokens por conversa.

Esse limite define o que a IA chama de janela de contexto: o volume de informação que ela consegue considerar de uma vez. À medida que a conversa avança, as informações mais antigas saem para dar lugar às novas. Em conversas longas, a IA pode contradizer algo que disse antes, ignorar uma instrução do início ou perder coerência com o que foi estabelecido. A ferramenta está funcionando exatamente como foi projetada. A janela tem limite.

• Repetir o briefing inteiro a cada mensagem nova
• Colar documentos completos quando só um trecho é necessário
• Deixar conversas antigas abertas e continuar acumulando contexto em vez de começar uma nova

• Para projetos longos, comece conversas novas e traga só o contexto necessário
• Repita as instruções mais importantes quando a conversa estiver ficando extensa
• Se o resultado começar a piorar sem motivo claro, abra uma nova sessão
• Guarde seus prompts e scripts fora da ferramenta (Notion, planilha, documento) para não depender do histórico

IA produz informações erradas com total confiança, sem nenhum sinal de que aquilo pode estar errado.

Isso acontece porque modelos de linguagem não "sabem" coisas da forma que um humano sabe. Eles geram texto com base em padrões, e às vezes esses padrões produzem informações que parecem corretas mas não são: datas erradas, nomes trocados, citações inventadas, estatísticas que não existem, links que não funcionam.

Verificar o que a IA produziu é o mesmo processo que qualquer redator experiente aplica a qualquer fonte, incluindo agências de notícia, assessorias de imprensa e colegas de redação. A diferença é que a IA mente com mais fluidez do que a maioria.

• Estatísticas e porcentagens atribuídas a pesquisas ou institutos
• Citações diretas atribuídas a pessoas reais
• Datas de eventos, lançamentos, publicações
• Nomes de cargos, títulos e funções atuais
• URLs e links (a IA cria endereços plausíveis que não existem)
• Eventos recentes, especialmente dos últimos 12 a 18 meses

Para cada informação crítica que você vai usar:

1. Identifique a afirmação: o que exatamente está sendo dito?
2. Localize a fonte original: a IA mencionou alguma? Se sim, acesse diretamente e confirme.
3. Se não há fonte, busque você mesmo: Google, base de dados da redação, contato direto.
4. Se não consegue verificar, não usa. "Segundo a IA" não é fonte para publicação ou apresentação para cliente.

• Google com operadores de busca avançada: "nome da pessoa" + "afirmação" para confirmar citações
• Wayback Machine (web.archive.org): para verificar se uma página existia numa data específica
• Perplexity: para cruzar uma afirmação com múltiplas fontes rastreáveis ao mesmo tempo
• Bases de dados da redação ou do grupo: para contexto histórico de clientes e campanhas

Verificar tudo o que a IA produz seria inviável. O critério prático: o quanto esse dado importa e qual é o custo de estar errado? Para um dado que sustenta um argumento numa apresentação para cliente, o risco é alto. Para contexto geral num texto de awareness, o risco é menor. O esforço de verificação deve ser proporcional ao que está em jogo.

LLM é a sigla para Large Language Model, o tipo de modelo que está por trás do ChatGPT, Claude, Gemini e da maioria das ferramentas de IA que você usa para texto. O nome técnico não importa tanto quanto o que ele implica: são modelos treinados para gerar linguagem, não para saber a verdade.

Essa distinção muda como você usa a ferramenta. Um oráculo você consulta e obedece. Uma ferramenta você usa com critério, sabendo o que ela faz bem e onde ela falha.

Você também não precisa escolher só uma. Cada modelo tem características diferentes, e dependendo da tarefa, uma ferramenta vai funcionar melhor que outra. Usar ChatGPT para uma coisa, Claude para outra e Gemini para uma terceira é só uso inteligente das ferramentas.

Cada ferramenta tem um perfil diferente. A escolha certa depende do que a tarefa pede.

Trabalhar com modelos de IA tem algo parecido com equalizar um instrumento. Você não usa as mesmas configurações para uma música eletrônica e para um samba. Você ajusta os parâmetros de acordo com o que a tarefa pede.

O parâmetro mais relevante para o dia a dia é a temperatura. Ela controla o quanto o modelo vai arriscar nas respostas.

Nem toda ferramenta expõe esse controle de forma explícita. Mas você pode simular o efeito no próprio prompt: pedir que a IA "seja mais criativa e ouse nas escolhas" é uma forma de elevar a temperatura via instrução. Pedir que ela "siga rigorosamente o padrão definido" é uma forma de baixá-la.

• Tom: formal, casual, técnico, bem-humorado
• Formato: parágrafo, lista, tabela, tópicos
• Tamanho: número de palavras, parágrafos ou caracteres
• Persona: escreva como um especialista em X, escreva para o público Y

Além de escolher a ferramenta, você escolhe o modelo dentro dela. Cada família oferece versões com diferentes níveis de capacidade e velocidade.

Claude (Anthropic)

• Haiku: o mais leve e rápido. Bom para tarefas simples e repetitivas onde velocidade importa mais do que profundidade.
• Sonnet: o equilíbrio entre capacidade e custo. Cobre bem a maioria das tarefas do dia a dia.
• Opus: o mais robusto da família. Para análises complexas, raciocínio longo e tarefas que exigem mais precisão.
• Fable: modelo especializado em escrita criativa e narrativa. Tem uma finalidade própria que não se enquadra na hierarquia de capacidade dos outros modelos. Use quando o resultado precisa de mais voz e personalidade.

ChatGPT (OpenAI)

• GPT-4o mini: mais rápido e econômico. Bom para tarefas diretas sem muita complexidade.
• GPT-4o: o modelo principal para uso geral. Acessa internet, gera imagens e equilibra bem velocidade e qualidade.
• o1 / o3: modelos de raciocínio, mais lentos e mais precisos. Para problemas que exigem análise cuidadosa passo a passo.

Gemini (Google)

• Gemini Flash: mais leve e rápido, bom para tarefas rotineiras integradas ao Workspace.
• Gemini Pro: mais capaz, indicado para análises mais densas e geração de conteúdo mais elaborado.

Pode, mas tem implicações. Quando você muda de modelo dentro de uma mesma conversa, o novo modelo recebe o histórico do que foi dito antes, mas pode interpretar esse contexto de forma diferente. O tom que você calibrou, as instruções que estabeleceu e o raciocínio que foi construído podem ser relidos com outro critério.

Na prática, trocar de modelo no meio de uma tarefa longa costuma gerar inconsistência. O uso mais inteligente é trocar entre tarefas: use um modelo mais leve para rascunhar e explorar, e um mais robusto para refinar e finalizar. Quando fizer isso, traga o contexto relevante de forma resumida em vez de depender do histórico da conversa.

Memória é o recurso que permite que a IA lembre informações entre conversas diferentes, como suas preferências, o contexto de um projeto ou instruções que você deu antes. A decisão de deixar ligada ou desligada depende do que você está fazendo.

Cada vez que você abre uma conversa com memória ativada, essas informações são carregadas automaticamente e já consomem parte da sua janela de contexto antes mesmo de você digitar a primeira mensagem. Modelos mais robustos têm janelas maiores e aguentam mais contexto, mas também custam mais por token processado. Modelos mais leves são mais baratos e rápidos, mas esgotam o limite com mais facilidade em conversas longas.

IA não é só texto. Para times de criação e conteúdo, as ferramentas de imagem, vídeo e áudio já fazem parte do fluxo de trabalho em muitas agências. Esse também é o segmento que muda mais rápido: novas ferramentas surgem toda semana e as condições de uso das que existem hoje podem ter mudado até você ler isso. O que está aqui é uma referência de partida.

É difícil acompanhar tudo o que fazemos sozinhos. Trabalhamos em múltiplos projetos ao mesmo tempo, usamos ferramentas diferentes, atendemos clientes com contextos distintos. O que funcionou numa campanha de três meses atrás some da memória. O script que levou duas horas para construir fica perdido numa pasta que ninguém mais acha.

Quanto mais você usa IA, mais processos você cria. E processo sem documentação não existe de verdade. Existe na sua cabeça até a memória falhar.

A ideia de qualidade de trabalho está conectada à qualidade de processo. Processo de qualidade é processo documentado.

O melhor sistema é o que você vai usar de verdade. Tem gente que funciona com caderno físico, tem gente que precisa de ferramenta digital pesquisável. O que não funciona é não ter nenhum.

Algumas ferramentas que se encaixam bem nesse fluxo:

A escolha da ferramenta é menos importante do que o hábito. Um caderno físico usado com consistência vale mais do que um Notion abandonado.

Não precisa registrar tudo. O que vale guardar:

• Scripts que funcionaram, com contexto de uso
• Processos que você vai repetir
• Decisões de fluxo que o time precisa conhecer
• Erros e ajustes que evitam repetir o mesmo problema

Todo time tem trabalho que aparece toda semana com a mesma estrutura. Calendário editorial, síntese de press release, resumo de pauta, relatório de performance. A estrutura não muda. O conteúdo muda.

Para cada tarefa recorrente que você identificar, a pergunta é: se eu saísse de férias amanhã, alguém do time conseguiria executar isso com o que tenho documentado? Se a resposta for não, o processo existe só na sua cabeça.

Um script padronizado não serve só para você. Serve para qualquer pessoa do time conseguir entregar o mesmo tipo de resultado sem depender de você para explicar como fazer. Isso transforma um hábito individual em prática de time.

A IA não trabalha em linha reta. Ela entrega, você avalia, ajusta e manda de volta. Entender onde colocar os pontos de parada é o que define a qualidade do que vai para o cliente ou para publicação.

Não existe uma revisão só. Dependendo da tarefa, você precisa checar coisas diferentes:

• Factual: os dados estão certos? Datas, números, citações, nomes?
• Tom: a voz está alinhada com o cliente ou com a publicação?
• Estratégico: o conteúdo serve ao objetivo ou apenas responde à instrução?
• Marca: está dentro das diretrizes de linguagem e posicionamento?

Cada tipo de checagem pode ser feito por pessoas diferentes. O que importa é que o fluxo defina quem revisa o quê e quando.

Quando o resultado não serve, a decisão é: ajustar o prompt e tentar de novo, ou descartar e começar do zero?

Ajuste quando o problema é pontual: o tom ficou formal demais, faltou um elemento, o tamanho está errado. Recomece quando o resultado foi na direção errada desde o início. Continuar iterando numa base ruim costuma dar mais trabalho do que recomeçar com um prompt melhor.

A tendência natural é revisar só quando algo parece errado. O problema é que você frequentemente não percebe que algo está errado até ter construído três etapas em cima de uma base ruim.

O checkpoint funciona quando é deliberado, definido antes do trabalho começar. Antes de iniciar uma tarefa com IA, vale perguntar: em que momento vou parar para ler o que saiu antes de seguir? Quem precisa ver isso antes de avançar para a próxima etapa?

Isso vale especialmente quando a tarefa tem sequência. Se você usa o output de uma etapa como input da próxima sem revisar no meio, o erro se multiplica. Um dado errado numa síntese de pauta vira um dado errado no texto final, que vira um dado errado na publicação.

Quem para para revisar no meio do caminho economiza tempo no final.

Antes de montar um agente, vale ter uma pergunta respondida: o processo que você quer automatizar já funciona bem de forma manual? Se a resposta for não, automatizar vai multiplicar os erros sem resolver o problema.

Agente bem configurado parte de um fluxo humano testado. Você identifica as etapas, verifica onde estão os pontos de decisão e entende quais inputs cada etapa precisa para funcionar. Só depois disso faz sentido montar a automação.

• Objetivo: o que o agente deve entregar ao final? Seja específico. "Gerar um relatório" é diferente de "gerar um relatório semanal com as cinco menções mais relevantes da marca, organizadas por sentimento e ordenadas por alcance".
• Etapas: quais são os passos em sequência? Liste cada um. Agente que pula etapas porque o briefing foi vago entrega resultado vago.
• Inputs: o que o agente precisa receber para começar? Um arquivo, uma URL, uma palavra-chave, uma data?
• Outputs: em que formato o resultado deve sair? Texto corrido, tabela, documento, e-mail formatado?
• Checkpoints: em que etapa o humano precisa revisar antes de o agente seguir? Nem todo agente deve rodar do início ao fim sem pausa.

Objetivo, etapas, inputs, outputs, checkpoints: essa estrutura se aplica em qualquer plataforma. O que muda é onde você configura isso e quanta automação está disponível.

Para quem está começando, o caminho mais simples é configurar um Project no Claude ou um GPT no ChatGPT com instruções em linguagem natural. O que você precisa é de um briefing bem escrito.

Agente demais para pouco problema cria complexidade sem ganho. Se a tarefa tem menos de três etapas, um script bem feito resolve com menos esforço. Agente faz sentido quando o processo tem dependências entre etapas e quando executar manualmente toda semana custa tempo real do time.

IA acelera muito o trabalho de varredura, síntese e organização de informação. O risco está na aparência de confiabilidade: a ferramenta entrega resultado convincente independente de ser verdadeiro ou não. Entender onde cada ferramenta é forte e onde falha é o que separa uma pesquisa produtiva de uma que vai dar trabalho na verificação.

• Diga o objetivo: "Preciso entender o contexto de X para escrever uma pauta sobre Y"
• Peça fontes quando a ferramenta suporta: "Cite as fontes para cada afirmação"
• Peça perspectivas diferentes: "Quais são as posições em debate sobre esse tema?"
• Limite o escopo temporal quando relevante: "Considerando eventos dos últimos seis meses"

• Acessar conteúdo por trás de paywall
• Confirmar se uma fonte específica realmente publicou algo
• Distinguir entre fato estabelecido e opinião quando os dois coexistem num corpus de treinamento
• Pesquisar em tempo real (exceto Perplexity e versões com acesso à web)

O resultado de uma pesquisa com IA é um ponto de partida. O trabalho de verificação começa depois que a ferramenta entrega o material. Para o fluxo completo de como verificar, veja o cap 12.

Quando você termina uma conversa com uma IA e tem um texto na frente, o instinto é ctrl+c. Funciona. Mas entender as outras opções faz diferença dependendo do que você precisa fazer com esse material.

Para texto simples, post curto, legenda de rede social, resposta de e-mail, copiar e colar é a opção certa. O problema aparece quando você tem um documento estruturado com títulos, tabelas e listas que precisam manter formatação. Aí o ctrl+c entrega o markdown bruto, cheio de asteriscos e cerquilhas que aparecem como caracteres soltos no Word ou no Google Docs.

Markdown é um formato de texto simples onde **bold** vira negrito e # Título vira um título quando renderizado. Quase todo editor moderno, incluindo Notion, Google Docs (com o plugin certo) e muitos CMSs, aceita markdown e converte a formatação automaticamente.

Claude tem um botão de copiar que mantém o markdown. ChatGPT e Gemini também. Para documentos longos, copiar o markdown completo e colar num ambiente que o renderize é o caminho mais limpo.

Algumas ferramentas simplificam o processo: Gemini vive dentro do Google Workspace, então você pode inserir texto direto no Docs ou no Sheets sem sair da plataforma. Claude tem integração com Google Docs via Projects. O Notion tem IA embutida que gera dentro da plataforma.

Para fluxos que você repete toda semana, vale investigar se existe integração nativa. Poupa uns passos toda vez, e esses passos se acumulam.

Um formato universal que preserve tudo e funcione em todo lugar. Cada plataforma tem sua própria estrutura, e exportar geralmente significa alguma perda. Para uso profissional, o fluxo mais estável ainda é: IA produz, você copia o conteúdo necessário, formata no destino final. Automatizações via Zapier ou Make resolvem isso para fluxos muito repetitivos, mas têm custo de configuração.

Quando alguém pergunta algo no ChatGPT e a ferramenta responde com fonte, há um conteúdo específico sendo citado ali. GEO (Generative Engine Optimization) é o nome para as práticas que aumentam a chance de esse conteúdo ser o seu. A lógica de otimização é a mesma do SEO, com critérios adaptados para como IA sintetiza e cita conteúdo.

Quando alguém pergunta "qual é a melhor estratégia para X" e a IA devolve uma resposta com fonte, ela está escolhendo de onde tirar esse conteúdo. Os fatores que pesam nessa escolha são clareza das afirmações, especificidade dos dados, estrutura do texto e autoridade da fonte.

Um parágrafo que começa com "Segundo pesquisa da Nielsen de 2024, 73% dos consumidores..." tem muito mais chance de ser citado do que um que começa com "Cada vez mais, as pessoas buscam...". A IA precisa de algo verificável para citar, e abertura genérica não oferece isso.

Para jornalistas e produtores de conteúdo, a adaptação é menor do que parece. O que sempre foi bom jornalismo, afirmações claras, dados com fonte, estrutura lógica, também é o que funciona bem para GEO.

O que vale ajustar:

• Definições explícitas ajudam. Textos que explicam "o que é X" em uma frase direta são mais fáceis de extrair. A IA busca respostas curtas e limpas para perguntas diretas.
• Dados com atribuição valem mais. "A taxa de abandono caiu" é vago. "A taxa de abandono caiu 18 pontos percentuais entre 2023 e 2024, segundo o relatório da Kantar" é o tipo de afirmação que entra numa resposta gerada.
• Títulos como perguntas facilitam a extração. Estrutura de FAQ e H2s em formato de pergunta permitem que a IA encontre a resposta certa para a consulta certa.
• Entidades nomeadas importam. Marcas, pessoas, lugares e produtos mencionados com contexto claro aparecem mais em respostas de IA sobre esses assuntos.

Para equipes de comunicação corporativa, isso tem uma implicação direta: press releases com dados concretos e afirmações verificáveis têm chance real de aparecer quando alguém faz uma busca sobre o setor no ChatGPT. Press releases recheados de "soluções inovadoras" e "compromisso com a excelência" são invisíveis para a IA pelos mesmos motivos que são chatos para qualquer leitor humano.

GEO ainda está se formando como campo. O que funciona hoje pode mudar quando os modelos forem atualizados. Tratar isso como um conjunto de princípios, clareza, especificidade, estrutura, é mais sustentável do que seguir uma lista de táticas que pode envelhecer em seis meses. Os princípios têm vida útil mais longa do que as técnicas.

Quando uma ferramenta funciona para você, a tentativa de passá-la para o time geralmente esbarra em três versões do mesmo problema: ninguém usa do mesmo jeito, ninguém sabe que existe, ou cada pessoa reinventa a roda toda semana.

IA amplifica isso. É uma ferramenta com curva de aprendizado informal, onde a diferença entre alguém que sabe usar e alguém que não sabe pode ser enorme. E essa diferença raramente aparece de forma óbvia no resultado final, porque o texto gerado parece OK mesmo quando o processo foi torto.

Quando um colega começa a usar IA de forma eficaz, o resultado é um texto melhor e mais rápido. Quando outro colega cola qualquer coisa no ChatGPT e manda sem revisar, o resultado também parece aceitável na primeira lida. A diferença entre os dois aparece mais tarde: nas inconsistências, no fact-checking que não aconteceu, no texto que perdeu a voz da marca.

Escalar IA para um time sem padrões é escalar o problema junto.

• Scripts que funcionam. Se alguém desenvolveu um script para resumir relatórios no padrão da empresa, cada pessoa reinventar esse script é tempo perdido. Uma pasta compartilhada no Notion ou no Google Drive com scripts testados e categorizados resolve.
• Instruções de agente. Se o time usa Claude Projects ou GPTs customizados, um agente bem configurado com o contexto da empresa, tom de voz e restrições corretas vale mais do que cada pessoa ter sua própria versão improvisada. Veja cap 19 para como configurar.
• Padrões de verificação. O que verificar, como verificar, e quando o nível de checagem deve aumentar são perguntas que o time todo precisa responder da mesma forma. Um checklist simples e compartilhado resolve a inconsistência sem criar burocracia.

A abordagem que tende a funcionar é documentar conforme você usa, não criar um manual antes de começar. Quando um script funciona bem, você registra. Quando um processo vira rotina, você escreve como faz. O material cresce junto com o uso real.

Forçar adoção com treinamento formal antes que o time tenha contexto prático raramente funciona. Mostrar um caso concreto de algo que funcionou, seja uma matéria produzida mais rápido ou uma análise que levaria dias feita em horas, abre mais portas do que qualquer apresentação.

O sinal mais simples de que a adoção está funcionando é observacional: as pessoas usam por conta própria, sem ser lembradas. Perguntam "como você fez isso?" quando veem um resultado bom. Compartilham o que aprenderam espontaneamente.

Métricas formais de adoção de ferramenta geralmente produzem mais relatório do que aprendizado. O que importa é se o time consegue usar IA de forma que melhore o trabalho real, com qualidade, e sem os atalhos que criam problemas depois.

A maioria das ferramentas corporativas com IA integrada funciona bem dentro do próprio ecossistema: o Copilot no Word, a IA do Canva dentro do Canva, o assistente do CMS dentro do sistema de publicação. O problema é que execução boa dentro do software e geração de texto realmente útil são coisas diferentes, e as ferramentas nativas raramente se destacam nas duas.

O workaround é simples: use a melhor ferramenta para o trabalho de elaboração e a ferramenta corporativa para executar no documento.

O Copilot vive dentro do M365, o que é a vantagem dele. Ele consegue formatar um documento Word, reorganizar slides no PowerPoint, inserir dados em uma planilha do Excel, tudo sem sair do software. Mas o prompt que você manda para ele faz toda a diferença, e elaborar um bom prompt dentro da interface do Word é incômodo.

A solução é escrever o prompt no Claude ou no ChatGPT, refinar até ficar bom, e colar no Copilot para executar. Você usa uma ferramenta para pensar e a outra para agir. O Copilot fica responsável pelo que ele faz bem, que é operar dentro do seu documento.

Excel e Google Sheets têm uma lógica própria que leva tempo para dominar. Para quem usa planilha mas não é analista, pedir ao Claude uma fórmula específica e colar direto na célula é mais rápido e mais confiável do que tentar fazer o Copilot gerar algo dentro do Excel. Você descreve o que precisa em linguagem normal, pega a fórmula, e testa.

Quando o Copilot ou qualquer ferramenta nativa gera um rascunho que ficou abaixo do esperado, você não precisa reescrever do zero. Copie o output, cole no Claude com uma instrução de melhoria, e cole de volta no documento. O resultado costuma ser muito melhor do que tentar forçar a ferramenta original a fazer diferente. Usar uma IA para corrigir o output de outra é prático e funciona.

A maioria dos sistemas de gestão de conteúdo corporativos tem IA básica ou nenhuma. Escrever no Claude com o contexto correto e colar no CMS pronto para publicar é mais rápido do que tentar arrancar algo razoável do assistente interno.

O mesmo vale para ferramentas de design: o Canva tem IA para imagem, mas o texto ainda é inconsistente. Escrever copy no Claude e colar no Canva costuma chegar mais rápido onde você quer do que usar o Magic Write deles.

Nem toda ferramenta tem integração com IA, e forçar uma integração técnica tem custo de configuração. Para análise rápida de dados, tirar um print de um dashboard, relatório de analytics, ou planilha e jogar no Claude para interpretar elimina a necessidade de qualquer integração. O print é o conector. Funciona com qualquer ferramenta que você consiga ver na tela.

Todas as definições que aparecem ao longo do manual, reunidas aqui para consulta rápida.