Otimizando a criação de prompts com blocos semânticos para maximizar a assertividade de LLMs.
Um sistema modular que transforma a folha em branco do prompt em um fluxo guiado por Tags e um Canvas visual — pensado para quem nunca ouviu falar de engenharia de prompt.
O Problema
Sobrecarga Cognitiva (A Síndrome da Tela em Branco)
Usuários leigos travam diante do Gulf of Execution: sabem o que querem, mas não conseguem traduzir a intenção em um comando claro para a IA.
Fricção e Retrabalho
Sem estrutura, cada pedido exige múltiplas iterações até chegar na resposta desejada — o que gera frustração e abandono do fluxo.
O Custo Invisível do Prompt
Prompts mal formulados alongam ciclos de refação, aumentam latência e inflam o consumo de tokens. Otimizar a entrada pode reduzir a fatura em até 40%.
Nas entrevistas em profundidade, identificamos que a IA aparece em várias etapas dos fluxos de trabalho — mas a falta de familiaridade com engenharia de prompt faz com que os pedidos percam clareza e nível de detalhe, limitando o potencial da ferramenta.
A Solução
Sistema Modular de Prompt
O usuário escolhe blocos temáticos que geram contexto e estrutura automaticamente, sem precisar dominar engenharia de prompt.
Canvas Multi-Ferramentas
Um espaço visual onde é possível arrastar Tags, adicionar inputs, anexos e referências. A abstração vira algo tangível.
Transformei a complexidade da engenharia de prompt em um processo visual e guiado. Em vez de uma tela em branco, o usuário interage com um formulário inteligente estruturado por Tags — Objetivo, Contexto, Papel da IA e Resultado Esperado — e a interface organiza automaticamente esses dados em um Canvas, entregando uma solicitação otimizada para a LLM.
Resultados
Facilidade na estruturação
Os blocos guiam o usuário passo a passo, reduzindo o esforço de escrever do zero.
Eficiência de Input
A integração de anexos no Canvas eliminou a necessidade de redigir cenários complexos — o contexto pesado migra para o sistema.
Acessibilidade Cognitiva
O fluxo deixou de ser um teste de conhecimento técnico e virou uma jornada de preenchimento intuitiva, aberta a um público 100% leigo.
Próximos Passos
Se o produto estivesse rodando em produção, estas seriam as três hipóteses que eu mediria para validar sucesso:
- 01.
Taxa de Sucesso na Primeira Tentativa (Task Success Rate)
Qual o percentual de usuários que obtém a resposta desejada da IA sem precisar reescrever o prompt?
- 02.
Tempo de Conclusão da Tarefa (Time on Task)
O tempo gasto preenchendo Tags e anexando arquivos é menor do que o tempo gasto elaborando texto livre e corrigindo os erros da IA?
- 03.
Gastos de Tokens
Quanto conseguimos reduzir no consumo de tokens por interação com a plataforma?
Desafios e Aprendizados
O Paradoxo da Fricção
O maior desafio foi transformar um fluxo livre em um processo guiado sem que a tarefa parecesse maçante. O aprendizado: inserir blocos de preenchimento reduz a carga cognitiva e, na prática, acelera a percepção de tempo do usuário.
Discovery Qualitativa
A problemática do projeto foi diagnosticada e fundamentada em entrevistas reais com usuários — garantindo que o design resolve uma dor latente, não uma suposição.
Próximos Passos
Com mais recursos alocados, o passo natural seria executar Testes de Usabilidade para comparar Time on Task entre o modelo antigo e o novo Canvas.
// Próximo projeto
Solucionando a fragmentação de informações do fisioterapeuta.