e com a resposta que “combina” com o seu pedido. Se você pergunta algo objetivo (“Qual é a data de uma lei?”, “Qual é o número exato de um estudo?”, “Quais são as fontes de tal estatística?”), a IA pode responder de um jeito que parece perfeito — e ainda assim inventar um dado, misturar referências ou atribuir um resultado a um autor errado. Esse fenômeno é conhecido como “alucinação”, mas o nome pode enganar: não é delírio no sentido humano; é apenas a consequência de um sistema que gera texto plausível sem garantia de verificação.

Então, para que serve? Serve para acelerar tarefas em que linguagem e estrutura são parte do trabalho: rascunhar textos, organizar ideias, resumir conteúdos (com supervisão), criar versões alternativas, adaptar tom, elaborar perguntas, simular diálogos, montar planos, sugerir exemplos, comparar pontos de vista. Ela funciona muito bem como um assistente de escrita e pensamento, desde que você assume que a responsabilidade final é sua. Não é “terceirizar o cérebro”; é ganhar velocidade na parte repetitiva e estrutural, sem abrir mão do senso crítico.

Agora, vamos separar duas famílias de IA de um jeito simples. De um lado, modelos que classificam e preveem categorias: reconhecimento de imagem (“tem um cachorro aqui?”), detecção de fraude, recomendação de produtos, previsão de demanda. Do outro, a IA generativa: ela produz texto, imagem, áudio ou código a partir de instruções. Essa distinção é útil porque explica por que a IA generativa virou assunto em todo lugar: ela aparece diretamente para o usuário final, conversa, escreve, responde, produz materiais. Ela é menos invisível do que as IAs “por trás das cortinas”.

Para usar IA generativa bem, você precisa dominar algumas palavras que parecem técnicas, mas são fáceis de entender na prática. A primeira é prompt: é o pedido que você faz. Pode ser uma pergunta, uma instrução, um texto para reescrever, um objetivo. O prompt é como um briefing: quanto mais claro e completo, melhor tende a ser a resposta. A segunda é contexto: é tudo o que você fornece para a IA entender o cenário — público, objetivo, restrições, exemplos, dados relevantes. A terceira é tokens, que são pedaços de texto (não exatamente palavras inteiras). Isso importa porque há um limite de quanto a IA consegue “segurar” de informação de uma vez. Se você joga um texto enorme e pede “resuma”, ela pode perder partes, simplificar demais ou ignorar detalhes.

Aqui vai uma forma bem humana de enxergar: a IA generativa é

como um estagiário extremamente rápido, com ótima escrita, que já leu muito, mas não tem vivência real e pode falar com confiança sobre algo que não conferiu. Se você dá um briefing ruim, ela entrega algo genérico e às vezes errado. Se você dá um briefing bom, ela entrega um rascunho excelente. E se você pede “me dá números exatos” sem exigir fontes verificáveis, ela pode improvisar. A ferramenta não é “boa” ou “má” por si só; ela amplifica o jeito como você trabalha: com clareza, com método e com revisão, ela vira vantagem. Sem isso, ela vira risco.

Vamos ver um exemplo simples que mostra como o contexto muda tudo. Se você pedir: “Explique IA generativa”, a resposta tende a ser genérica, porque o pedido é genérico. Agora, se você pedir: “Explique IA generativa em 5 linhas para um adolescente que usa TikTok e gosta de exemplos”, a IA muda o tom, usa analogias mais próximas do cotidiano e simplifica termos. Se você pedir: “Explique IA generativa para um diretor financeiro, com foco em riscos e benefícios para produtividade”, ela muda de novo: fala de eficiência, governança, qualidade, risco de erro e privacidade. Perceba a lógica: a IA não “entendeu a pessoa”; ela só seguiu pistas do seu briefing para ajustar o estilo e o conteúdo.

E aqui vem um alerta didático que evita muita dor de cabeça: IA generativa é ótima para texto bem formado, mas isso não é sinônimo de texto verdadeiro. O cérebro humano tem um defeito conhecido: quando algo é bem escrito e organizado, a gente tende a acreditar mais. A IA explora esse defeito sem querer. Por isso, a regra de ouro para iniciantes é: use a IA para estruturar e acelerar, mas trate como suspeito tudo que seja fato específico (datas, leis, estatísticas, nomes de estudos, citações). Nesses casos, a IA pode ajudar a apontar caminhos (“quais fontes eu deveria consultar?”), mas a confirmação precisa vir de leitura e checagem.

O objetivo desta primeira aula não é fazer você decorar termos, e sim ajustar seu “mapa mental” para o que a ferramenta realmente é. Se você entende que ela é um gerador de conteúdo com base em padrões, você para de exigir dela coisas que ela não garante — como “verdade automática” — e começa a exigir o que ela faz bem: clareza, organização, versões, exemplos, alternativas, estrutura. Você troca o papel de “usuário passivo que acredita” pelo papel de “usuário ativo que dirige, revisa e valida”.

Para fechar, uma ideia que ajuda muito: IA generativa não substitui pensamento; ela substitui o

“trabalho bruto” da escrita e da primeira versão. E primeira versão é, quase sempre, onde a gente perde mais tempo. Quando você usa IA do jeito certo, você não entrega o controle; você ganha uma base para melhorar mais rápido. A pergunta que guia o uso responsável não é “a IA está certa?”. É “como eu desenho o processo para que eu perceba quando ela estiver errada?”. Isso é maturidade digital: aproveitar a potência sem abrir mão do julgamento.

Referências bibliográficas

• RUSSELL, Stuart; NORVIG, Peter. Inteligência Artificial: Uma Abordagem Moderna. 3. ed. Rio de Janeiro: Elsevier, 2013.
• GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Tradução para o português. São Paulo: Novatec Editora, 2018.
• FLORIDI, Luciano. A Quarta Revolução: Como a Infoesfera Está Remodelando a Realidade Humana. Tradução para o português. Barueri, SP: Manole, 2015.
• KAHNEMAN, Daniel. Rápido e Devagar: Duas Formas de Pensar. Tradução para o português. Rio de Janeiro: Objetiva, 2012.
• OCDE. Princípios da OCDE sobre Inteligência Artificial (traduções e materiais institucionais disponíveis em português). Paris: Organização para a Cooperação e Desenvolvimento Econômico, 2019.

Aula 2 — Limites, erros e como não cair em pegadinhas

Na aula anterior, ajustamos a expectativa: IA generativa não é “mente”, é uma ferramenta poderosa de geração de linguagem. Nesta aula, o foco é simples e meio desconfortável: ela erra. E pior — muitas vezes ela erra bem escrito, com uma confiança que engana. Se você aprende a usar IA sem aprender a lidar com esse detalhe, você vira o tipo de pessoa que espalha erro com cara de certeza. A boa notícia é que existe método para reduzir isso. Não é magia. É processo.

Vamos começar pelo problema mais comum: as chamadas alucinações. Em termos práticos, é quando o modelo produz uma afirmação plausível, mas falsa — por exemplo, inventa uma fonte, muda uma data, atribui uma frase a alguém que nunca disse aquilo, ou cria estatísticas que “parecem” reais. A própria OpenAI explica que isso acontece porque, historicamente, os modelos são treinados e avaliados de um jeito que premia o chute: em muitas métricas, uma resposta errada “vale mais” do que admitir incerteza, então o sistema tende a responder mesmo quando não sabe.

Repare no ponto: o modelo não está “mentindo” como um humano mente. Ele está fazendo o que foi otimizado para fazer: não deixar o espaço em branco. E aí entra o

primeiro hábito que você precisa criar: tratar a IA como um ótimo rascunhista, mas um péssimo cartório. Ela pode escrever rápido, organizar ideias, propor alternativas, mas quando o assunto é fato sensível — número, lei, artigo científico, nome completo, data, diagnóstico, orientação jurídica/financeira — você precisa aplicar freio e checagem.

Um jeito didático de entender é pensar em “zonas de risco”:

• Risco alto: datas, estatísticas, citações, normas, decisões judiciais, recomendações médicas, preços, resultados de pesquisa, “o que está acontecendo agora”.
• Risco médio: explicações conceituais, comparações, listas de prós e contras, roteiros, resumos (ainda exigem revisão).
• Risco mais baixo: reescrita de texto que você mesmo forneceu, adaptação de tom, organização de ideias, brainstorming.

Isso não é para te assustar. É para te dar maturidade. A IA generativa é útil justamente quando você aprende a perguntar: “o que aqui precisa ser verdade?” e “como eu vou verificar?”

A pegadinha número 1: “texto bom” não é “texto verdadeiro”

O nosso cérebro tem um defeito clássico: quando algo é fluente, bem estruturado e cheio de detalhes, parece mais confiável. A IA produz exatamente esse tipo de texto. Então, o risco real não é só ela errar; é você engolir sem perceber. Por isso, uma regra prática que funciona bem para iniciantes é: toda vez que houver um dado específico, exija o caminho da verificação. Não basta “me diga X”. Melhor é: “me diga X e mostre de onde veio, e se você não tiver certeza, sinalize a incerteza”.

Essa ideia de valorizar a humildade não é só “bonita”; é técnica. A OpenAI descreve explicitamente que é preferível o modelo indicar incerteza ou pedir esclarecimentos do que responder com confiança algo possivelmente incorreto. Em sala, isso vira um treino: você não está só “tirando resposta” da IA. Você está ensinando a IA (e a si mesmo) um estilo de trabalho em que errar com segurança custa caro.

A pegadinha número 2: referência falsa e fonte “que não existe”

Outra armadilha comum é a IA criar referências com cara acadêmica: título, autores, ano, revista… só que você tenta achar e não encontra. Quando isso acontecer, trate como sinal vermelho imediato. Se a tarefa exige citação, você tem duas saídas responsáveis:

1.     usar a IA apenas para listar palavras-chave, autores prováveis e linhas de investigação (e você busca as fontes reais);

2.     pedir explicitamente: “só use fontes verificáveis; se não

conseguir, diga que não encontrou”.

E mesmo quando ela dá um link, você precisa abrir e ler. Não é raro a IA citar uma página que existe, mas não contém o que ela diz que contém.

A pegadinha número 3: desinformação “sem intenção”

Existe um tipo de erro que é mais perigoso do que o erro simples: é aquele que cai como uma luva em crenças prévias. Se você já “quer” que uma informação seja verdadeira, a IA pode entregar exatamente isso com aparência de confirmação. A UNESCO, ao discutir IA generativa em educação e pesquisa, chama atenção para a necessidade de capacidade humana e institucional para validar ferramentas e respostas — porque, sem validação, a tendência é normalizar informação frágil e decisões ruins.

Em termos bem concretos: IA pode virar uma fábrica de “respostas bonitas” que, na prática, aumentam ruído, erros e até desinformação. Isso vale para escola, trabalho, marketing, atendimento, tudo.

O que fazer, então? Um protocolo simples de qualidade

A maioria das pessoas usa IA como se fosse “Google que conversa”. A proposta aqui é outra: usar como um assistente dentro de um processo. A seguir, um protocolo fácil de ensinar e fácil de cobrar do aluno:

1) Antes de perguntar: defina o tipo de saída

Pergunte a si mesmo: você quer ideias, texto pronto, explicação, checagem, plano ou decisão? Quando você não define isso, a IA tende a “encher linguiça” e improvisar.

Exemplo:
Em vez de “Explique LGPD”, prefira:
“Explique LGPD para um iniciante em 10 linhas e, depois, liste 5 pontos que eu devo checar em fontes oficiais.”

2) Peça premissas e limites

Uma frase que muda o jogo:
“Liste suas premissas e o que você não sabe com certeza.”

Isso força a resposta a ficar mais honesta e te dá pontos de verificação.

3) Exija formato verificável

Quando o conteúdo envolve fatos, peça:

• tabela com colunas “afirmação”, “nível de confiança”, “como verificar”;
• ou uma lista com “o que é fato” vs “o que é inferência”.

4) Faça a “checagem mínima obrigatória”

Em contexto educacional e profissional, vale uma regra simples:

• Se é número, data, lei, citação, resultado de estudo: checar em fonte primária ou confiável.
• Se é recomendação que impacta alguém: checar com especialista ou norma interna.

Esse tipo de postura é coerente com uma lógica de gestão de risco aplicada a sistemas de IA: você identifica onde o dano potencial é maior e cria controles. Isso é a alma de frameworks de risco como o NIST AI RMF, que trata risco de IA como

aplicada a sistemas de IA: você identifica onde o dano potencial é maior e cria controles. Isso é a alma de frameworks de risco como o NIST AI RMF, que trata risco de IA como algo a ser mapeado, medido e gerenciado, e não “confiado por fé”.

Como melhorar o prompt sem virar “engenheiro de prompt”

Você não precisa de linguagem técnica. Precisa de clareza. Um prompt bom, para evitar respostas perigosamente erradas, costuma ter quatro ingredientes:

1.     Papel: “Atue como meu tutor / revisor / analista.”

2.     Tarefa: “Explique / gere / revise / liste.”

3.     Restrições: “Se não souber, diga que não sabe. Não invente fontes.”

4.     Formato de saída: “Em bullets / tabela / passo a passo.”

Exemplo prático para iniciantes:

“Atue como revisor crítico. Eu vou tomar uma decisão com base nisso, então seja cuidadoso. Explique o conceito de alucinação em IA generativa em linguagem simples e dê 3 exemplos. Depois crie uma checklist de verificação em 6 itens. Se houver algo incerto, sinalize.”

Esse tipo de pedido conversa diretamente com a ideia de reduzir “chutes confiantes” e criar espaço para o “não sei”, que a pesquisa da OpenAI aponta como parte do problema e da solução.

Um cuidado extra: quando IA entra em processos reais (trabalho e governo)

Quando você sai do “estudo” e vai para “uso real”, os riscos aumentam porque os efeitos atingem outras pessoas. Por isso, iniciativas institucionais tendem a reforçar boas práticas de uso responsável. No Brasil, o governo federal divulgou uma cartilha para orientar o uso de IA generativa no serviço público, justamente com a intenção de apoiar o entendimento e o uso responsável dessas ferramentas, com orientações práticas.

O recado implícito é: se até em ambiente público existe a preocupação formal com cuidado, transparência e responsabilidade, numa escola/plataforma isso deveria ser padrão — principalmente porque o aluno iniciante tende a confiar demais.

E tem um ponto que você não pode ignorar: privacidade e dados pessoais. Mesmo quando o foco da aula é “erros e alucinações”, a prática de checagem quase sempre envolve exemplos reais. Só que exemplos reais, se forem mal descritos, podem expor pessoas. A orientação da UNESCO enfatiza que instituições precisam estar preparadas, inclusive no que diz respeito a privacidade e validação dos usos.

Fechamento didático: o aluno maduro não é o que “acerta sempre”; é o que “erra com controle”

No fim das contas, usar IA bem não é “tirar nota boa” na primeira resposta.

fim das contas, usar IA bem não é “tirar nota boa” na primeira resposta. É criar um jeito de trabalhar em que você:

• aproveita velocidade e organização,
• reduz improviso,
• detecta erro antes que vire decisão,
• e assume responsabilidade pelo resultado.

Se o aluno sai desta aula com uma única habilidade nova, que seja esta: transformar a IA em uma ferramenta auditável. Em vez de “me responda”, ele aprende a pedir “me responda e me diga como eu verifico”. Isso não só reduz erro: aumenta autonomia.

E, se você quiser levar isso para um padrão mais sério (acadêmico ou institucional), existe até recomendação explícita de boas práticas e declaração de uso de IA em textos e pesquisas, como aparece em guias brasileiros recentes voltados à ética e responsabilidade no uso de IA generativa.

Referências bibliográficas

• OPENAI. Por que os modelos de linguagem alucinam? 2025.
• UNESCO. Guia para a IA generativa na educação e na pesquisa. Paris: UNESCO, 2023.
• BRASIL. Ministério da Gestão e da Inovação em Serviços Públicos; SERPRO. Cartilha: Inteligência Artificial Generativa no Serviço Público. Brasília: MGI/SERPRO, 2025.
• NIST. Estrutura de Gestão de Riscos de Inteligência Artificial (AI RMF 1.0). Gaithersburg: National Institute of Standards and Technology, 2023.
• SAMPAIO, Rafael C.; SABBATINI, Marcelo; LIMONGI, Ricardo. Diretrizes para o uso ético e responsável da Inteligência Artificial Generativa: um guia prático para pesquisadores. São Paulo: Editora Intercom, 2024.

Aula 3 — Primeiros prompts úteis para iniciantes

Se você já testou uma IA generativa, provavelmente aconteceu uma destas duas coisas: ou ela te respondeu algo tão genérico que deu preguiça, ou ela te respondeu algo tão convincente que você quase esqueceu que ela pode estar errando. Nesta aula, a ideia é bem prática: aprender a pedir. Prompt não é uma palavra chique para “pergunta”. Prompt é o seu briefing. E briefing ruim gera entrega ruim — simples assim. Os guias oficiais de uso de IA batem sempre na mesma tecla: clareza, contexto e formato de saída fazem diferença enorme na qualidade do resultado.

Uma boa forma de começar é abandonar a fantasia de que “a IA vai entender o que eu quis dizer”. Às vezes ela entende, mas isso é sorte. Quando você depende da sorte, você perde tempo corrigindo depois. O que funciona melhor, principalmente para iniciantes, é pensar na IA como alguém novo no time: rápida, prestativa, mas que

precisa de instruções claras. Por isso, o primeiro hábito desta aula é: não peça “faça isso” — peça “faça isso deste jeito, para este público, com este objetivo, neste formato”. Guias de prompting da OpenAI e do Microsoft Copilot recomendam exatamente isso: ser direto, especificar o que você quer e controlar o formato do resultado.

Agora, sem burocracia: você não precisa decorar fórmula, mas ajuda ter um “esqueleto” mental. Um prompt bem completo costuma ter cinco partes (você usa todas quando precisar; não é obrigatório usar sempre):

1) Papel (quem você quer que a IA seja)
“Você é um tutor”, “você é um revisor”, “você é um designer instrucional”, “você é um atendente”.

2) Tarefa (o que fazer)
“Explique”, “reescreva”, “crie um roteiro”, “resuma”, “monte perguntas”, “compare opções”.

3) Contexto (o cenário)
Quem é o público? Qual é o objetivo? O que já existe? Quais restrições?

4) Critérios/limites (o que evitar e o que priorizar)
“Não invente dados”, “use linguagem simples”, “não use jargões”, “se estiver incerto, sinalize”.

5) Formato de saída (como entregar)
“Em bullets”, “em tabela”, “em passos”, “com título e subtítulos”, “com exemplos”.

Isso não é “engenharia de prompt”. É comunicação decente. E é exatamente o tipo de orientação que aparece em guias de boas práticas: dizer claramente o que você quer, dar contexto e pedir o formato.

O salto de qualidade: de “me dá uma resposta” para “me entrega um resultado usável”

Vamos pegar um exemplo comum de iniciante.

• Prompt fraco: “Faz um resumo disso.”
  O que acontece? A IA escolhe um “jeito padrão” de resumir, e você pode receber um texto longo demais, ou curto demais, ou com foco errado.
• Prompt forte (humano e simples):
  “Resuma o texto abaixo em 8 tópicos, destacando ideia central, 3 pontos principais e 2 dúvidas que um iniciante teria. Use linguagem simples. Texto: …”

Percebeu? Você não ficou “técnico”. Você só parou de ser vago. E quando você faz isso, a IA tende a virar uma ferramenta de trabalho, não um gerador de blá-blá-blá. Guias do Google (Gemini) e da OpenAI tratam prompting como um processo iterativo: você pede, avalia, ajusta e refina.

Outra virada importante: pedir a primeira versão e já pedir a revisão

Muita gente perde tempo porque pede um texto, não gosta, e começa do zero. Melhor é pedir a primeira versão com regras e depois mandar a IA “se revisar” com critérios. Isso aparece com força em guias de prompting como prática de iteração e

refinamento.

Exemplo prático para aula:

“Crie uma explicação curta sobre IA generativa para iniciantes (120 a 160 palavras). Depois, revise o seu próprio texto e melhore:

1.     deixe mais claro,

2.     corte repetição,

3.     inclua uma analogia simples,

4.     evite promessas exageradas.”

Esse tipo de prompt é ótimo porque ensina o aluno a conduzir o processo: primeiro gerar, depois lapidar.

Quando você quer consistência: use exemplos (sem complicar)

Existe um truque poderoso e fácil: mostrar um exemplo do tipo de resposta que você quer. Isso pode ser um minimodelo de 4 ou 5 linhas. Muita documentação de prompting recomenda esse caminho porque ele reduz ambiguidade e aumenta consistência.

Exemplo para criar perguntas de quiz:

“Crie 6 questões de múltipla escolha sobre IA generativa para iniciantes.
Formato obrigatório:

• Enunciado
• A) … B) … C) … D) …
• Resposta correta: (letra)
• Explicação curta do porquê.”

Aqui você está “ensinando o formato” antes do conteúdo. Isso evita que a IA invente um estilo e te obrigue a reorganizar tudo depois.

Um detalhe que salva reputação: peça para sinalizar incerteza e não inventar fonte

Na aula 2 a gente falou de erros e “alucinações”. Nesta aula, isso entra como uma cláusula simples dentro do prompt. Se a tarefa envolver fatos (datas, leis, estatísticas), inclua algo como:
“Se você não tiver certeza, diga que não tem certeza. Não invente números nem referências.”

Esse tipo de orientação aparece em materiais oficiais como parte do esforço para reduzir respostas erradas apresentadas com confiança.

Exercício guiado da aula (para o aluno sentir a diferença)

A proposta é fazer o aluno perceber, na prática, como um prompt melhora.

1.     Peça: “Explique IA generativa.”

2.     Depois peça: “Explique IA generativa para alguém que nunca estudou tecnologia, em 10 linhas, com uma analogia do cotidiano e 1 exemplo de uso no trabalho.”

3.     Depois peça: “Agora faça a mesma explicação, mas para um gestor que quer reduzir custos e tem medo de erros. Inclua 3 riscos e 3 boas práticas.”

O aluno vai ver claramente que “prompt bom” não é “prompt longo”. É prompt direcionado.

Fechamento: um kit de prompts que o iniciante leva pronto

Para terminar a aula, faz sentido entregar um “kit” de comandos reaproveitáveis, porque isso dá autonomia:

• Reescrever e melhorar: “Reescreva este texto para ficar mais claro, mais curto e mais humano. Mantenha a ideia, corte repetição e evite jargões.”

• Transformar em checklist: “Transforme este conteúdo em checklist de 10 itens, com verbos no imperativo.”
• Gerar variações: “Crie 3 versões: informal, neutra e formal.”
• Resumir com estrutura: “Resuma em 8 bullets: problema, causa, consequência, solução, exemplo.”
• Criar quiz com gabarito: “Crie 8 questões e depois forneça gabarito com explicação curta.”

A mensagem final para o iniciante é bem direta: o poder da IA aumenta quando você assume o volante. Se você sabe dar contexto, pedir formato, impor limites e iterar, você transforma uma ferramenta “legalzinha” em algo realmente útil para estudo e trabalho — sem depender de tentativa e erro infinito.

Referências bibliográficas

• OPENAI. Boas práticas de engenharia de prompt com a API da OpenAI. Central de Ajuda da OpenAI, s.d.
• GOOGLE. Guia rápido para prompts eficazes (Gemini para Google Workspace). Google, s.d.
• GOOGLE. Estratégias de design de prompts (Gemini API). Google AI for Developers, s.d.
• MICROSOFT. Como criar um ótimo prompt: tirando o máximo proveito do Copilot. Suporte Microsoft, s.d.
• PROMPT ENGINEERING GUIDE. Dicas gerais para projetar prompts (versão em português). PromptingGuide.ai, s.d.
• ANTHROPIC. Boas práticas de prompting (documentação). Claude API Docs, s.d.

Estudo de caso do Módulo 1

“O curso que quase virou problema — e virou referência”

A Escola Horizonte (uma plataforma de cursos livres) decidiu lançar rápido um curso chamado “Introdução à IA Generativa”. O coordenador, Daniel, queria aproveitar a onda. A equipe era pequena: Marina (conteúdo), Caio (marketing), Júlia (atendimento) e um professor convidado (Rafa).

Eles tinham 10 dias para subir a página, gravar as aulas e criar materiais. O que poderia dar errado?

Tudo o que você viu no Módulo 1.

Cena 1 — O texto perfeito… e falso

Marina pediu à IA:

“Crie uma descrição persuasiva do curso e inclua dados recentes mostrando que IA aumenta produtividade em 40%.”

A IA devolveu um texto lindo, com números, “pesquisas” e até nomes de relatórios. Marina colou na landing page.

Dois dias depois, um aluno comentou publicamente:
“De onde saiu esse 40%? Não achei essa pesquisa em lugar nenhum.”

Marina tentou encontrar a tal fonte. Não existia. A IA tinha inventado.

Erro comum #1: confundir escrita fluida com verdade

O problema real: estatística inventada + promessa exagerada = risco de reclamação (consumidor) e perda de

credibilidade.

Como evitar

• Quando pedir dados: exigir fontes verificáveis e aceitar “não sei”.
• Separar “texto persuasivo” de “afirmação factual”. Fato precisa de checagem.

Prompt melhor

“Crie uma descrição persuasiva do curso para iniciantes. Não use números ou estatísticas se não puder citar fonte verificável. Se não houver fonte, não invente. Destaque benefícios sem prometer resultados garantidos.”

Checklist rápido

• Tem número? Checou?
• Tem promessa absoluta? Cortou?
• Tem “segundo estudos”? Quais estudos?

Cena 2 — O professor confiante… e a alucinação didática

Rafa gravou a aula 1 explicando “o que é IA generativa” e pediu ajuda para criar um exemplo técnico:

“Me dê um exemplo simples de como o modelo ‘pensa’ por trás.”

A IA descreveu um processo com termos técnicos errados (misturou conceitos de treinamento, inferência e banco de dados como se fossem a mesma coisa). Rafa, não sendo especialista profundo, aceitou o texto porque “parecia certo”.

Quando o curso abriu, um aluno da área de TI comentou:
“Isso aí está errado. Você está dizendo que o modelo consulta um banco interno de frases. Não é assim.”

Erro comum #2: usar a IA como fonte final sem revisão

O problema real: a IA “alucina” explicações plausíveis, principalmente em assuntos técnicos.

Como evitar (na prática)

• Pedir explicações com premissas + limites.
• Pedir para a IA apontar onde pode estar simplificando demais.
• Fazer revisão humana (ou pedir “segunda opinião” ao próprio modelo, mas com critério).

Prompt melhor

“Explique como um modelo de linguagem gera respostas para iniciantes, mas:

1.     liste as simplificações que você está fazendo;

2.     aponte o que NÃO é verdade (ex.: ‘não é um banco de frases’);

3.     dê uma analogia do cotidiano.”

Estratégia didática

• “Explique como para um iniciante” + “agora explique como para um especialista e diga onde a versão iniciante simplifica”.

Cena 3 — A página do curso “prometeu demais”

Caio, do marketing, queria conversão. Pediu à IA:

“Crie 10 chamadas para anúncios, com gatilhos de urgência e promessa forte.”

Saiu coisa do tipo:

• “Domine IA generativa em 7 dias!”
• “Garanta sua vaga e mude sua carreira agora!”
• “Aprenda IA e ganhe dinheiro com isso!”

A página ficou chamativa. Também ficou perigosa.

Júlia, do atendimento, começou a receber mensagens:
“Esse curso garante emprego?”
“Vou sair sabendo programar IA?”
“É reconhecido pelo MEC?”

Erro comum #3:

comum #3: confundir curso introdutório com promessa de transformação

O problema real: propaganda cria expectativa irreal → reembolso, reclamação, reputação arranhada.

Como evitar (na prática)

• Especificar o que o curso é e o que não é.
• Prometer competência (entender e usar) em vez de prometer resultado (emprego, renda, domínio total).

Prompt melhor

“Escreva chamadas de anúncio para um curso introdutório de IA generativa para iniciantes.
Regras: não prometer emprego/renda/garantia de resultado.
Mostrar claramente o nível (básico), o público e o que o aluno vai conseguir fazer ao final (tarefas práticas).”

Ajuste essencial na landing page

• “Para iniciantes” + “o que você vai aprender” + “limites” + “requisitos” + “exemplos do que você produzirá”.

Cena 4 — O prompt vago que vira conteúdo genérico

Na correria, Marina pediu:

“Crie um roteiro de aula sobre prompts.”

A IA gerou uma aula “enciclopédia”: longa, genérica, cheia de termos, sem exemplos reais do público da escola. Era o tipo de aula que o aluno esquece no dia seguinte.

Erro comum #4: prompt vago → saída genérica

O problema real: o curso fica com “cara de internet”, não com cara de professor.

Como evitar (na prática)

• Dar contexto real: público, duração, tom, objetivo, exemplos e formato.
• Pedir exemplos situados no dia a dia do aluno.

Prompt melhor

“Crie um roteiro de 20 minutos para iniciantes sobre como escrever bons prompts.
Público: adultos sem formação técnica.
Objetivo: aprender a pedir com clareza e evitar respostas genéricas.
Incluir: 3 exemplos (trabalho, estudo e vida pessoal), 1 exercício guiado e 1 checklist final.
Tom: humano, didático, sem jargões.”

Cena 5 — O erro silencioso: privacidade no exemplo

Para criar atividades, alguém colou no chat um caso real de aluno com nome, cidade e detalhes pessoais para “ficar mais realista”. A IA respondeu… e o texto ficou salvo no histórico do time.

Não houve “processo”, mas poderia ter dado.

Erro comum #5: usar dados reais desnecessários

O problema real: exposição de dados pessoais sem necessidade.

Como evitar (na prática)

• Sempre anonimizar: trocar nomes, lugares e detalhes identificáveis.
• Treinar a equipe: “exemplo real” não precisa ser “identificável”.

Prompt melhor

“Vou descrever um caso de forma anonimizada. Crie uma atividade didática sem solicitar nem inferir dados pessoais. Caso: [descrição genérica].”

Virada: o que eles mudaram (e o curso deu certo)

Depois

desses tropeços, Daniel impôs um padrão simples para qualquer material feito com IA:

Protocolo IDEA (3 passos)

1.     Briefing claro (público, objetivo, formato, limites)

2.     Saída auditável (sem números sem fonte; sinalizar incerteza; premissas)

3.     Revisão humana (checagem do que é factual + adequação do tom)

E colocou no final do Módulo 1 uma prática obrigatória:

• o aluno precisa pegar uma resposta da IA e fazer duas melhorias:

1.     deixar mais específica e útil

2.     reduzir risco (checagem, aviso de incerteza, fontes)

Resultado: menos reclamação, mais satisfação e menos “aluno iludido”.