Trailer do curso
Vídeo 01 · 1 min 08 s
O trailer apresenta o curso e o time de instrutores: Joe Feller, Drew, Maggie Vo e Rick Dakan. O foco não é a IA como tecnologia, mas nós, pessoas, e como interagimos e colaboramos com sistemas de IA para trabalhar melhor.
Os pontos-chave
- Fluência em IA é a capacidade de interagir com sistemas de IA de forma eficaz, eficiente, ética e segura.
- O curso é sobre as pessoas, não sobre a tecnologia em si: como humanos interagem e colaboram com sistemas de IA.
- A IA não é um corretor ortográfico turbinado: é uma parceira de confiança para trabalho criativo e inovador de resolução de problemas.
- A proposta é desenvolver um senso intuitivo do que a IA generativa pode fazer e da melhor forma de trabalhar com ela.
- Estamos todos aprendendo juntos a navegar por um cenário que evolui rápido.
O passo a passo
- Os instrutores se apresentam: Joe Feller, Drew, Maggie Vo e Rick Dakan.
- Definem o foco do curso: não a IA como tecnologia, mas os humanos e como colaboram com sistemas de IA.
- Apresentam a fluência em IA: engajar-se com sistemas de IA de forma eficaz, eficiente, ética e segura.
- Convidam a tratar a IA como parceira de confiança para resolver problemas com criatividade e inovação, não como corretor ortográfico turbinado.
- Prometem que o curso vai ajudar a desenvolver um senso intuitivo do que a IA generativa pode fazer e como trabalhar bem com ela.
- Reforçam que todos estão aprendendo juntos a navegar por esse cenário em rápida evolução.
- Fecha com a ideia central: o curso trata de mudar fundamentalmente a forma como abordamos a IA.
Comece a encarar a IA como parceira de confiança para trabalho criativo e inovador, não como um corretor ortográfico turbinado.
Lição 1Introdução à fluência em IA
Vídeo 02 · 4 min 22 s
A lição de abertura apresenta o framework de fluência em IA: um modelo para interagir com sistemas de IA de forma eficaz, eficiente, ética e segura. O foco não é a IA como tecnologia, mas nós, humanos, e como colaboramos com ela, deixando de tratá-la como um corretor ortográfico turbinado para encará-la como parceira de confiança no trabalho criativo.
Os pontos-chave
- Fluência em IA é a capacidade de interagir com sistemas de IA de formas eficazes, eficientes, éticas e seguras. Não é uma coleção de definições técnicas ou dicas de prompt que envelhecem no mês que vem.
- O mundo da IA evolui extremamente rápido, e é difícil saber por onde começar sem um framework fundamental que guie você além da próxima moda de engenharia de prompt.
- Nos últimos anos, a IA passou de tecnologias especializadas para sistemas interativos que milhões usam todo dia na escola, no trabalho e em casa, criando tanto oportunidades quanto incertezas.
- Todos sentimos um abismo crescente entre o que é possível com IA e o que parece confortável e intuitivo. O curso existe para fechar essa lacuna.
- O coração do curso são quatro competências, os quatro Ds: delegação (quando o trabalho é dos humanos e quando é da IA), descrição (como se comunicar com clareza com sistemas de IA), discernimento (como avaliar o que a IA nos entrega) e diligência (como garantir que a interação seja responsável, transparente e com prestação de contas).
- A maior parte do treinamento em IA foca só em habilidades táticas, como prompts específicos e configurações, que ficam desatualizadas rápido. O curso aposta em competências centrais e entendimento profundo, para preparar você também para as mudanças que vêm aí.
O passo a passo
- Os instrutores se apresentam: Joseph Feller (Cork University Business School), Drew Bent e Maggie Vo (Anthropic) e Rick Dakan (Ringling College of Art and Design).
- O curso é situado: não é sobre IA como tecnologia, é sobre como humanos interagiem e colaborem com sistemas de IA.
- A fluência em IA é definida: engajar-se com sistemas de IA de forma eficaz, eficiente, ética e segura, com o objetivo de mudar como pensamos sobre IA para aprender a pensar com IA.
- O contexto histórico: a IA virou sistema interativo do cotidiano; organizações adotam sem estratégia clara, pessoas se frustram com o que não entendem e a lacuna entre o possível e o confortável só cresce.
- O framework é apresentado: as formas de interagir com IA e as quatro competências, os quatro Ds, que transformam essas interações em algo mais rico e gratificante.
- A estrutura do curso: seções com vídeos focados, exercícios e materiais para construir entendimento prático, além de depoimentos de pessoas da Anthropic sobre o que diferencia a IA de hoje, suas capacidades e limitações reais, e técnicas que aplicam os 4Ds.
- O que você leva ao final: um framework para guiar suas interações com IA, confiança para decidir quando e como usá-la com eficácia, habilidades práticas para uma colaboração humano-IA mais consciente e fluida, e a capacidade de avaliar e assumir a responsabilidade pelos resultados.
Passe boa parte do tempo do curso testando o que está aprendendo. Cada seção traz vídeos focados com exercícios e materiais: é na prática que o entendimento se constrói.
Lição 2APor que precisamos de fluência em IA?
Vídeo 03 · 6 min 22 s
A lição define o que é fluência em IA: interagir com sistemas de IA de formas eficazes, eficientes, éticas e seguras, muito além de decorar prompts. Para mostrar por que isso importa, apresenta os três modos de engajamento com a IA: automação, aumentação e agência.
Os pontos-chave
- Vivemos um momento de mudança tecnológica que mistura empolgação e incerteza. A IA já redesenha como nos comunicamos, criamos, aprendemos e resolvemos problemas, no trabalho e na vida pessoal, com assistentes versáteis à disposição.
- Ter acesso a sistemas poderosos não significa, automaticamente, saber tirar proveito deles ou usá-los com responsabilidade. Respostas inesperadas, dificuldade de explicar o que você precisa e dúvidas sobre proteção de dados marcam a distância entre acesso e fluência.
- Fluência em IA não é ser especialista técnico nem memorizar os 10 melhores prompts da moda. É um conjunto de habilidades práticas, conhecimentos, insights e valores que se reforçam e se adaptam conforme a tecnologia muda.
- No cerne, fluência é interagir com a IA de formas eficazes, eficientes, éticas e seguras: aproveitar ao máximo cada interação sem desperdiçar tempo e energia, com honestidade e proteção da privacidade sua e das outras pessoas.
- Os três modos de engajamento: na automação a IA executa uma tarefa específica a partir das suas instruções; na aumentação você e a IA colaboram na tarefa, ela como parceira de pensamento criativo; na agência a IA trabalha de forma independente em seu nome.
- Nenhum modo é inerentemente melhor: cada um serve a propósitos diferentes e você pode usar os três no mesmo projeto. Aumentação e agência são os que mais aproveitam as capacidades únicas da IA e costumam levar às soluções mais criativas e eficazes.
- A IA não é apenas uma ferramenta: pode atuar como ferramenta, meio, parceira ou cocriadora, às vezes tudo ao mesmo tempo. Essa mudança de papel exige novas habilidades, que são justamente o que o framework de fluência em IA descreve.
O passo a passo
- A abertura situa a pergunta da lição: o que significa, de fato, ser fluente em IA e por que isso importa num momento de mudança tecnológica tão rápida.
- O contexto: a IA transforma a comunicação, a criação, o aprendizado e a resolução de problemas, e muitos já têm assistentes versáteis e colaboradores virtuais à mão.
- O problema: ter esses sistemas não garante saber usá-los bem ou com responsabilidade. Momentos de frustração com a IA revelam o abismo entre acesso e fluência.
- A definição: fluência em IA é uma coleção de habilidades, conhecimentos, insights e valores que se reforçam e se adaptam, não um punhado de truques de prompt.
- O coração da definição: interagir com a IA de forma eficaz, eficiente, ética e segura, maximizando resultados sem desperdício e protegendo privacidade e segurança.
- A ponte: a pesquisa dos instrutores identificou três formas principais de engajamento, e entendê-las mostra por que a fluência precisa ir além da engenharia de prompt.
- Modo 1, automação: a IA completa uma tarefa específica com base nas suas instruções, como resumir um documento, redigir um e-mail, criar uma imagem ou montar um roteiro de viagem. Funciona bem com resultado claro em mente; trava quando você ainda não sabe o que procura.
- Modo 2, aumentação: você e a IA completam a tarefa juntos. Ela não é máquina, é parceira de pensamento criativo e resolução de problemas, como numa conversa para destravar um personagem, resolver um problema de arquitetura de app ou organizar ideias de pesquisa. A IA não faz o trabalho por você, ajuda você a fazer melhor.
- Modo 3, agência: a IA trabalha de forma independente em seu nome, como categorizar e-mails por urgência e rascunhar respostas, ou alimentar experiências interativas num site ou jogo. Em vez de definir ações específicas, você estabelece o conhecimento e os padrões de comportamento da IA: menos roteirista, mais diretor.
- A comparação: nenhum modo é melhor por natureza, cada um brilha em situações diferentes e os três podem conviver num único projeto.
- O fechamento: a IA é ferramenta, meio, parceira e cocriadora ao mesmo tempo, o que nos dá novos papéis e novas habilidades. Quatro áreas-chave de competência formam o núcleo do framework, que o resto do curso explora.
Antes de começar qualquer tarefa com IA, identifique o modo certo: resultado claro em mente pede automação; problema sem solução óbvia pede aumentação; e para a IA agir sozinha, defina o conhecimento e os padrões de comportamento dela, como um diretor que estabelece a visão em vez de ditar cada passo.
Lição 2BO Framework 4D
Vídeo 04 · 5 min 20 s
A lição apresenta o coração do curso: o framework 4D, quatro competências essenciais para colaborar com IA de forma eficaz, eficiente, ética e segura, que valem para qualquer modo de uso (automação, ampliação ou agência). Rick Dakan, da Ringling College of Art and Design, explica cada competência com exemplos práticos e fecha com um resumo.
Os pontos-chave
- Não importa como você trabalha com IA, por automação, ampliação ou agência: quatro competências essenciais fazem toda a diferença. Nós as chamamos de quatro D: delegação, descrição, discernimento e diligência.
- Delegação foca no panorama geral: o que você quer realizar, que tipos de trabalho estão envolvidos, o que você deve fazer pessoalmente e onde a IA pode ajudar. Delegar não é só passar tarefas adiante: é ter visão clara e escolher estrategicamente onde a IA se encaixa no processo.
- Descrição vai além de escrever prompts: são conversas detalhadas e ricas em contexto que estabelecem o que você espera alcançar, o formato da saída, como a IA deve abordar a tarefa, o contexto e as informações de que ela pode precisar, e o tom e o estilo da interação.
- Discernimento é avaliar com atenção o que a IA entrega: os fatos são precisos? O raciocínio faz sentido? As recomendações se alinham aos valores e ao público? A saída realmente ajuda a avançar? Apoia-se na sua própria especialidade num domínio e exige julgamento e olhar crítico para separar o que é útil do que não é.
- Diligência foca nas interações responsáveis: garantir justiça e controlar vieses, verificar a precisão das informações, proteger dados sensíveis, ser transparente sobre o envolvimento da IA e responder pelo trabalho feito.
- A maior parte das interações com IA envolve pequenos ciclos de descrição e discernimento: descrever o que precisamos, avaliar o que recebemos, refinar o pedido e assim por diante.
- As quatro competências não estão amarradas a ferramentas ou técnicas específicas que podem ficar ultrapassadas: são habilidades fundamentais para se adaptar e crescer junto com a tecnologia.
O passo a passo
- Delegue com visão: entenda seu objetivo e o problema que você resolve, saiba o que a IA faz bem e o que não faz, e divida o trabalho entre você e ela. Num projeto de pesquisa, por exemplo, a IA pode revisar documentos e dados extensos e discutir as implicações, enquanto a análise crítica e as conclusões finais ficam com você.
- Descreva com contexto: em vez de pedir vagamente "faça um logo pra mim", descreva os valores da sua empresa, o público-alvo, as cores preferidas e as referências de estilo. Se usar a IA como tutor, pode ir além: "Não me dê a resposta, só me ajude a trabalhar este problema passo a passo para eu entender melhor o conceito."
- Estabeleça a conversa: defina o que você espera alcançar, o formato da saída, como quer que a IA aborde a tarefa, o contexto e as informações de que ela pode precisar para trabalhar bem com você, e o tom e o estilo da interação. Isso prepara você e a IA para o maior sucesso na colaboração.
- Exercite o discernimento: diante de cada saída, avalie se os fatos são precisos, se o raciocínio faz sentido, se as recomendações se alinham aos seus valores e ao seu público, e se ela realmente ajuda a avançar. Reconheça quando a saída precisa de refinamento ou deve ser descartada de vez.
- Trabalhe com diligência: ao usar IA para escrever descrições de vagas ou analisar candidaturas, garanta justiça e controle possíveis vieses; ao tomar decisões importantes, verifique a precisão das informações, proteja dados sensíveis, seja transparente sobre o envolvimento da IA e responda pelo trabalho com IA que você fez.
Ao receber uma saída da IA, passe pelas perguntas do discernimento antes de usar: os fatos são precisos? O raciocínio faz sentido? Isso se alinha aos meus valores e ao meu público? E, o mais importante, isso realmente me ajuda a avançar?
Lição 3AO que é IA generativa?
Vídeo 05 · 6 min 21 s
A lição define IA generativa (sistemas que criam conteúdo novo em vez de só analisar dados existentes) e mostra por dentro como um LLM é treinado e responde: pré-treinamento, ajuste fino, prompt e janela de contexto. Também reúne os três desenvolvimentos que tornaram tudo isso possível: a arquitetura Transformer, a explosão de dados digitais e o salto no poder computacional.
Os pontos-chave
- IA tradicional classifica, IA generativa cria. A IA tradicional marca um e-mail como spam ou não spam com base em padrões; a IA generativa escreve um e-mail completamente novo para você.
- LLM é modelo de linguagem porque é treinado para prever e gerar linguagem humana, e grande porque contém bilhões de parâmetros, valores matemáticos que determinam como o modelo processa informação, algo como as conexões sinápticas do cérebro.
- Três desenvolvimentos convergiram no momento certo: a arquitetura Transformer (2017), que processa sequências de texto mantendo as relações entre palavras em trechos longos; a explosão de dados digitais (sites, repositórios de código); e o aumento massivo de poder computacional com GPUs, TPUs e clusters.
- As leis de escala mostraram que modelos maiores, treinados com mais dados e mais computação, melhoram de forma previsível. Mais surpreendente: capacidades inteiramente novas, como raciocinar passo a passo, passaram a surgir com a escala, sem ninguém ter programado isso.
- O modelo não recupera respostas prontas de um banco de dados: ele gera texto novo que, estatisticamente, continua o que você escreveu.
- A IA generativa moderna é poderosa por três razões: processa quantidades imensas de informação no treinamento, adapta-se a tarefas novas pelo aprendizado no contexto e desenvolve capacidades emergentes com a escala.
O passo a passo
- Pré-treinamento: o modelo analisa padrões em bilhões de exemplos de texto, mostrados repetidamente com o pedido de prever o que vem a seguir. É como ler todos os sites e textos possíveis não só para absorver informação, mas para entender as relações estatísticas entre palavras, frases e conceitos, construindo um mapa da linguagem e do conhecimento.
- Ajuste fino: depois do pré-treinamento, o modelo aprende a seguir instruções, dar respostas úteis e evitar conteúdo prejudicial, com feedback humano e aprendizado por reforço (recompensas e penalidades que moldam o comportamento para ser mais útil, honesto e inofensivo).
- Implantação: o modelo treinado é disponibilizado para interação. Você envia um prompt, o modelo lê aquele texto e o continua com base nos padrões aprendidos no treinamento, gerando algo novo.
- Janela de contexto: o modelo só considera de uma vez o que cabe nessa memória de trabalho: seus prompts, as respostas da IA e as informações compartilhadas na conversa. Fora dela, o conteúdo só é acessível com ferramentas especializadas, como busca na web.
Pense na janela de contexto como a memória de trabalho da IA: se a informação que importa não está na conversa, o modelo não consegue usá-la sozinho. Coloque a informação no prompt ou dê a ele uma ferramenta como busca na web.
Lição 3BCapacidades e limitações
Vídeo 06 · 7 min 20 s
A lição mapeia o que os LLMs fazem muito bem e onde tropeçam, com a moldura de conhecer um novo colega de trabalho: sabendo forças e limitações, você colabora melhor. Entre as forças estão a versatilidade com linguagem, a troca de tarefa sem novo treinamento, a memória da conversa e o acesso a ferramentas externas; entre as limitações, a data de corte do conhecimento, as alucinações, a janela de contexto e o não determinismo.
Os pontos-chave
- Versatilidade com linguagem: e-mails com a sua voz, resumos de relatórios longos, tradução entre idiomas e explicações de temas complexos, da microbiologia à estratégia de marketing.
- Troca de tarefa sem retrabalho: o mesmo sistema escreve poesia, cria ideias para a festa de aniversário, explica computação quântica e analisa tendências trimestrais de negócio, tudo por conversa simples.
- Memória da conversa: o modelo lembra o que foi dito antes, como um prazo citado de passagem, e constrói sobre isso.
- Ferramentas externas: muitos LLMs pesquisam na web, processam arquivos e usam outros aplicativos, expandindo drasticamente com o que podem ajudar.
- Data de corte: o modelo só tem conhecimento inato do mundo até o momento do treinamento; fatos posteriores exigem ferramentas como a busca na web.
- Alucinação: resposta confiante e plausível, mas errada. Diferente de um buscador, que recupera documentos existentes, o LLM gera texto a partir de padrões estatísticos.
- Janela de contexto: limite de informação que o modelo considera numa interação; ao excedê-lo, o mais antigo sai primeiro (primeiro a entrar, primeiro a sair).
- Não determinismo: a mesma pergunta pode gerar respostas diferentes; a configuração que controla essa aleatoriedade é a temperatura.
- Raciocínio complexo: problemas matemáticos e lógicos de várias etapas foram historicamente difíceis; os modelos de raciocínio e de pensamento estendido mostram forte progresso nisso.
- Acesso limitado: sem a fonte de dados ou a ferramenta necessária, o modelo não consegue responder, por mais brilhante que seja.
- O campo evolui rápido, com técnicas como a retrieval augmented generation, mais ferramentas e melhor raciocínio, mas algumas limitações devem permanecer.
- Forças complementares: humanos trazem pensamento crítico, julgamento, criatividade e supervisão ética; a IA traz velocidade, escala, reconhecimento de padrões e processamento de volumes enormes de informação.
O passo a passo
- Abre com a moldura: conhecer a IA é como conhecer um novo colega de trabalho, entendendo forças e limitações para colaborar melhor.
- Lista o que os LLMs fazem notavelmente bem: linguagem versátil, troca de tarefa sem treinamento adicional, memória da conversa e conexão a ferramentas e fontes externas.
- Explica a primeira limitação: o modelo é limitado pelos dados de treinamento e tem uma data de corte de conhecimento, com o exemplo do corte em novembro de 2024 e da pessoa em retiro sem internet.
- Mostra como imprecisões nos dados e erros ao combinar informações levam às alucinações, contrastando o LLM com um buscador.
- Retoma a janela de contexto: o que cai fora da janela é esquecido, primeiro a entrar, primeiro a sair.
- Explica o não determinismo: as respostas variam porque o modelo decide de forma probabilística, e a temperatura controla essa aleatoriedade.
- Aponta as limitações históricas com raciocínio complexo em várias etapas e o progresso dos modelos de raciocínio e de pensamento estendido.
- Trata do acesso: sem a fonte de dados ou a ferramenta certa, como o colega brilhante sem acesso ao banco de dados interno da empresa, a ajuda fica limitada.
- Ressalta que o campo evolui rápido, com técnicas como a retrieval augmented generation, mas algumas limitações provavelmente vão permanecer.
- Fecha com as forças complementares entre humanos e IA e o convite para explorar tudo em primeira mão, conversando com o Claude nos exercícios do curso.
Antes de confiar numa resposta, pergunte se ela depende de fato recente (além da data de corte) ou de dado que o modelo não alcança: se sim, dê a ferramenta certa e confira o resultado, porque a alucinação soa plausível mesmo quando está errada.
Lição 4 Delegation (delegação) em detalhe
Vídeo 07 · 5 min 49 s
Aprofundamento na competência de delegação: decidir qual trabalho você mesmo faz e qual fica melhor com a IA, para trabalhar de forma eficaz e eficiente. O vídeo apresenta os três elementos que sustentam essa decisão: consciência do problema, consciência de plataforma e delegação de tarefas.
Os pontos-chave
- Delegar é decidir o que fazer você mesmo e o que passar para a IA, dividindo o trabalho por automação, aumentação ou agência.
- A base de uma boa delegação não é a IA: é a sua própria expertise e a clareza sobre o que você quer realizar.
- Consciência do problema: definir seus objetivos e entender o trabalho necessário antes de envolver a IA.
- Consciência de plataforma: conhecer capacidades e limitações dos sistemas de IA disponíveis, num cenário que evolui quase diariamente.
- Delegação de tarefas: dividir o trabalho estrategicamente entre humanos e IA, mantendo exclusivamente humanas as áreas de julgamento crítico.
- Os melhores colaboradores de IA são primeiro especialistas nos seus campos e só depois delegadores para IA.
- Colaborar bem com IA não é entregar o volante: é fazer escolhas criteriosas que aproveitem as forças da inteligência humana e da artificial.
O passo a passo
- Antes de envolver a IA, responda: o que exatamente você quer realizar, criar ou resolver? Qual é a sua visão, as metas do projeto e o que significa sucesso?
- Mapeie o trabalho necessário: áreas simples que consomem tempo, áreas de incerteza que pedem um parceiro de pensamento, áreas de desconhecimento que pedem mais informação e áreas de julgamento crítico.
- Investigue o cenário de IA: quais modelos têm o melhor desempenho no seu tipo de trabalho e quais priorizam velocidade em vez de profundidade, ou precisão em vez de criatividade.
- Experimente sistemas diferentes na prática, sempre que puder, e construa seus próprios insights com base na experiência pessoal.
- Distribua o trabalho com critério: o que automatizar, o que fazer em colaboração humano-IA, o que reservar para execução humana e o que deixar com agentes de IA agindo em seu nome.
- Recapitule os três elementos: consciência do problema, consciência de plataforma e delegação de tarefas.
Antes de levar a IA para qualquer projeto, pare e escreva o que você quer realizar e que tipo de trabalho leva até lá. Sem esse entendimento, nem a IA mais avançada te leva aonde você precisa chegar.
Lição 6Description (descrição) em detalhe
Vídeo 08 · 4 min 22 s
Description é a competência de se comunicar com a IA: explicar tarefas, fazer perguntas, dar contexto e conduzir a interação. A qualidade do resultado depende da clareza com que você descreve o que quer, como a diferença entre pedir para alguém fazer o jantar e entregar uma receita completa. A lição decompõe a competência em três conceitos: descrição de produto, descrição de processo e descrição de desempenho.
Os pontos-chave
- Description vai muito além de escrever prompts engenhosos: é se comunicar com a IA para explicar tarefas, fazer perguntas, fornecer contexto e guiar a interação, inclusive conduzir uma conversa que está descarrilando e orientar o raciocínio da IA.
- A IA não lê a sua mente. Em vez de presumir que ela sabe o que você procura, explique cada detalhe relevante.
- Antes de pedir, responda: qual o contexto do trabalho? O que exatamente a IA deve fazer? Qual o formato da saída? Quem é o público e qual estilo é apropriado?
- Descrição de produto: definir com clareza o que você quer que a IA crie ou forneça, com requisitos explícitos em vez de deixar a IA adivinhar o que você está pensando.
- Especificar como a IA deve atacar a tarefa pode ser tão importante quanto, ou mais que, definir o objetivo final. É a descrição de processo: orientar como o assistente aborda a sua solicitação.
- A orientação pode ser geral como um manual, passo a passo como um livro de receitas, ou uma demonstração por meio de exemplos ("é assim que eu faria").
- O contexto adicional da sua situação faz enorme diferença: dados que a IA deve usar, questões a tratar e em que ordem, estilo de análise, fluxo de trabalho ou técnica.
- Descrição de desempenho: definir os aspectos comportamentais da interação, começando pelo tipo de parceiro de pensamento que você precisa agora.
- As três descrições combinadas formam a competência de description, transformando a IA de assistente genérico em parceiro de pensamento afinado, capaz de atender de verdade às suas necessidades.
O passo a passo
- Trate a descrição como uma ponte entre as suas intenções e as capacidades da IA.
- Explique cada detalhe relevante do trabalho: contexto, o que exatamente a IA deve fazer, formato da saída, público e estilo apropriado.
- Defina requisitos explícitos e dê à IA as informações de que ela precisa para entregar o que você realmente procura. Esse é o primeiro conceito, a descrição de produto.
- Especifique também como a IA deve atacar a tarefa, e não só o objetivo final, com orientações gerais, passo a passo ou demonstração por exemplos. Esse é o segundo conceito, a descrição de processo.
- Forneça o contexto adicional da sua situação: dados que a IA deve usar, questões a tratar e em que ordem, estilo de análise, fluxo de trabalho ou técnica.
- Antes da próxima conversa, decida de que tipo de parceiro de pensamento você precisa: fechar numa resposta ou explorar possibilidades, questionar as suas suposições ou seguir instruções, detalhe ou concisão, explicar o raciocínio ou só entregar a resposta. Esse é o terceiro conceito, a descrição de desempenho.
- Combine as três descrições para formar a competência de description e transformar a IA em um parceiro de pensamento capaz de atender de verdade às suas necessidades.
Se você levar uma coisa só deste curso, que seja esta: ferramentas de IA não são bancos de dados nem máquinas de venda automática. São sistemas interativos, que se comportam de formas diferentes em contextos diferentes, como as pessoas. Explique como você quer que a IA se comporte.
Lição 7Técnicas eficazes de prompting (deep dive)
Vídeo 09 · 11 min 55 s
A lição coloca em prática a competência de descrição do framework 4D: como escrever prompts que fazem o Claude (e qualquer assistente de IA) entender exatamente o que você quer. São seis técnicas fundamentais, dar contexto, mostrar exemplos, definir restrições de saída, dividir a tarefa em passos, pedir para pensar primeiro e definir papel, estilo e tom, mais uma arma secreta: pedir à própria IA para melhorar o seu prompt. O fio condutor é que prompting eficaz mistura princípios de boa comunicação humana com considerações específicas de IA, e que a prática é iterativa e experimental.
Os pontos-chave
- Prompting é a competência de descrição aplicada: comunicar com clareza o que você quer, como quer que seja feito e como quer interagir com a IA ao longo do processo. É como explicar uma tarefa a um colega novo e prestativo, que rende mais com direções claras e expectativas bem definidas.
- Prompt engineering é a prática de desenhar instruções eficazes para sistemas de IA como o Claude. Boas práticas de conversa humana valem aqui (clareza, contexto relevante, exemplos concretos), com diferenças pontuais: ser mais explícito sobre o que um humano deduziria sozinho, considerar a janela de contexto limitada da IA e, quando fizer sentido, usar formatação que as máquinas processam bem.
- Dê contexto: seja específico e claro sobre o que você quer, por que quer, como vai usar a resposta e, talvez o mais surpreendente, quem você é. Um prompt vago como "me fale sobre mudanças climáticas" melhora muito ao virar "explique três grandes impactos das mudanças climáticas na agricultura tropical, com exemplos da última década" mais o seu contexto (ex.: preparação para entrevista em um laboratório de pesquisa agrícola, com graduação em ecologia e sem conhecimento específico no tema).
- Mostre exemplos do resultado esperado (few-shot prompting): quando o estilo que você quer é mais fácil de mostrar do que de explicar, entregue pares original/simples para a IA imitar. Recomenda-se tentar primeiro sem exemplos e usar essa técnica quando o resultado não atender; cubra casos e estilos variados para delimitar bem o padrão.
- Especifique restrições de saída: formato, tamanho, linguagem de programação, cores, seções da página. O exemplo do vídeo é um briefing completo de site de portfólio (seções, menu fixo e responsivo, paleta de pôr do sol, alternador de modo claro/escuro).
- Divida tarefas complexas em passos (chain of thought prompting): listar os passos garante que o Claude siga o processo que você quer, como no roteiro de análise de vendas (identificar produtos de melhor desempenho, comparar trimestres, destacar tendências incomuns, sugerir razões). Modelos de raciocínio e com extended thinking já raciocinam passo a passo sozinhos, mas quanto mais a tarefa depender da sua expertise de domínio, mais vale traduzir esse conhecimento em passos.
- Peça para pensar antes de responder: dar espaço para a IA considerar fatores, restrições e abordagens antes de executar produz respostas mais completas e bem pensadas. O espaço para pensar vem antes da tarefa, não depois, e de bônus você enxerga melhor onde o assistente se desvia.
- Defina papel, estilo e tom: nível de especialização, perspectiva e persona mudam a abordagem. Exemplos: um professor de ciências experiente explicando arco-íris para uma criança de 10 anos, a persona de Richard Feynman para física, um especialista em design de UX revisando um wireframe.
- A arma secreta: quando não souber como pedir, descreva ao Claude a sua situação e peça que ele melhore ou escreva o prompt. É também onde os assistentes mais variam em desempenho, o que conecta com a competência de delegação: experimente modelos diferentes.
- Prompting é iterativo: a primeira tentativa raramente sai perfeita, e isso é esperado. Refine com mais especificidade e contexto, exemplos e passos; peça variações ("três versões diferentes"), formatos alternativos (como um artifact interativo), chegue a confiança da IA em perguntas factuais e, se a conversa descarrilar, recomece do zero. Cada interação é feedback para o próximo prompt.
- Padrões que funcionam bem: começar com uma visão geral clara da tarefa, incluir especificações de formato e exemplos, definir restrições explícitas e fornecer informações de fundo ricas e relevantes. Erros comuns: assumir que o Claude lê a sua mente, sobrecarregar um único prompt com várias tarefas sem relação e ser vago demais sobre o que é o sucesso.
O passo a passo
- Trate o prompt como uma tarefa explicada a um colega novo: diga o que você quer, por que quer e quem você é.
- Acrescente contexto de uso: para que serve a resposta e em que cenário ela será aplicada.
- Tente primeiro sem exemplos; se o estilo não sair como esperado, mostre exemplos do resultado desejado (few-shot) cobrindo casos e estilos diferentes.
- Defina as restrições de saída: formato, tamanho, linguagem, cores, seções, o que for relevante para a entrega.
- Divida tarefas complicadas em passos ordenados, guiando o processo que a IA deve seguir (chain of thought).
- Peça para a IA pensar no problema com cuidado antes de responder, considerando fatores, restrições e abordagens.
- Defina o papel, o estilo e o tom: quem a IA deve ser (persona, perspectiva, nível de especialização).
- Se travar, peça ao próprio Claude para melhorar ou escrever o prompt, e experimente modelos diferentes.
- Itere sobre o resultado: refine o prompt com as técnicas acima, peça variações e formatos novos, cheque a confiança da IA e reinicie a conversa quando ela sair dos trilhos.
Não sabe como pedir? Diga isso: "Estou tentando fazer com que você, Claude, me ajude com o meu objetivo. Não tenho certeza de como formular meu pedido para obter os melhores resultados. Você pode me ajudar a criar um prompt eficaz para isso?" É a técnica mais poderosa da lição, e funciona.
Lição 8Discernment (discernimento) em detalhe
Vídeo 10 · 5 min 23 s
Discernment é a competência de avaliar criticamente o que a IA produz, como produz e como se comporta, funcionando como o controle de qualidade da colaboração. A lição decompõe a competência em três conceitos: discernimento de produto, discernimento de processo e discernimento de desempenho, e mostra como transformar a avaliação em feedback que melhora os resultados.
Os pontos-chave
- Discernment é o outro lado da moeda da description: a descrição comunica com clareza o que você quer; o discernimento decide se o que você recebeu de volta atende às suas necessidades.
- Exercê-lo bem exige conhecimento do domínio, ou seja, saber o suficiente para julgar qualidade, e compreensão de como os sistemas de IA funcionam, incluindo suas falhas típicas.
- Até os sistemas mais avançados cometem erros de raciocínio, produzem erros factuais ou agem de maneiras inesperadas. A sua capacidade de discernimento é a salvaguarda essencial.
- Discernimento de produto: julgar a precisão e o valor do que a IA cria. É factualmente preciso? Adequado ao público e ao objetivo? Coerente e bem estruturado? Atende aos requisitos? Agrega valor?
- Discernimento de processo: julgar a qualidade e a eficácia do processo da IA, observando erros lógicos, lapsos de atenção, passos inadequados, fixação num único detalhe ou interpretação sem considerar alternativas, e raciocínio circular.
- Sinal clássico de problema de processo: depois de várias rodadas de ideação, elementos de ideias que você rejeitou voltam a ser reinseridos pela IA. O discernimento de processo garante que você e a IA pensem em sincronia, e é decisivo em tarefas complexas, onde a resposta correta não é imediatamente óbvia.
- Discernimento de desempenho: julgar a qualidade da interação humano-IA. Processo é o trabalho que a IA está fazendo; desempenho é o quão bem ela interage com você enquanto faz o trabalho.
- Feedback eficaz especifica o problema, explica claramente por que é um problema, dá sugestões concretas de melhoria e revisa as instruções ou exemplos.
- Descrição e discernimento formam um ciclo contínuo de instrução e avaliação que eleva a qualidade, mantendo a colaboração guiada pelo julgamento humano.
O passo a passo
- Ao revisar conteúdo gerado por IA, faça as perguntas de produto: é factualmente preciso? É adequado ao meu público e ao meu objetivo? É coerente e bem estruturado? Atende aos meus requisitos? Agrega valor ou resolve o problema que eu pretendia resolver?
- Nomeie o primeiro conceito: discernimento de produto, a capacidade de julgar a precisão e o valor do que a IA cria.
- Avalie não só o que a IA produz, mas como ela chegou até lá: erros lógicos, lapsos de atenção, passos inadequados, fixação num detalhe sem considerar alternativas, raciocínio circular.
- Garanta que você e a IA pensem em sincronia ao longo do processo, guiando o trabalho na direção da sua visão de sucesso. Em tarefas complexas, confiar no processo é tudo.
- Avalie também o desempenho: existe um jeito melhor de a IA se comunicar com você? A informação de que você precisa chega de maneira útil? Ela responde bem aos seus feedbacks e orientações? A interação é eficiente ou desnecessariamente complexa?
- Quando identificar um problema, dê feedback eficaz: especifique qual é o problema, explique claramente por que é um problema, dê sugestões concretas de melhoria e revise suas instruções ou exemplos.
- Se a descrição melhor não resolver, repense a delegação: você pode estar usando a ferramenta errada ou abordando o problema de um jeito totalmente errado.
- Combine os três discernimentos com a descrição para formar a competência de discernimento: juntas, elas criam um ciclo contínuo de instrução e avaliação que eleva a qualidade.
Guarde a síntese do vídeo: quando o discernimento aponta um problema, uma descrição melhor costuma ser a solução. Quando não for, o problema pode estar antes, na delegação: ferramenta errada ou abordagem totalmente errada.
Lição 10Diligence (diligência) em detalhe
Vídeo 11 · 6 min 52 s
Diligence é a competência da fluência em IA voltada para os aspectos éticos e de segurança: assumir a responsabilidade pelas suas interações com IA, para que o uso seja não só produtivo, mas também rigoroso, transparente e responsável. Como dirigir um carro, não basta chegar do ponto A ao B com eficiência: é preciso considerar a segurança, as regras e os outros na estrada. A lição decompõe a competência em três conceitos: diligência de criação, diligência de transparência e diligência de implantação.
Os pontos-chave
- As outras três competências tratam principalmente da eficácia e da eficiência; diligence foca nos aspectos éticos e de segurança, igualmente cruciais para a colaboração com IA.
- Diligence pede questões mais amplas, críticas principalmente em ambientes profissionais: quais as implicações de trabalhar com esta IA? Quem pode ser afetado pelo que é criado, pela própria colaboração ou por imprecisões que passem despercebidas? Quem tem acesso aos dados usados? A interação está alinhada com padrões éticos e valores?
- Sistemas de IA e as nossas interações com eles não existem no vácuo: trabalhar com IA de forma responsável exige consciência de contextos mais amplos e das suas implicações.
- Diligência de criação: ser crítico e deliberado sobre com quais sistemas de IA trabalhar e como. Perguntas a responder: como o sistema foi treinado e construído? Quais dados foram usados? De quem são os dados que estou inserindo? Quem pode acessá-los depois de compartilhados? Como proteger a privacidade e a segurança, minhas e dos outros? Que outros impactos o sistema tem?
- Antes de compartilhar informações sensíveis da empresa com um assistente de IA, verifique se o serviço tem políticas adequadas de proteção de dados e se a sua organização permite esse compartilhamento.
- Contextos diferentes (pessoal, acadêmico, criativo e profissional) têm expectativas diferentes de divulgação sobre a interação com IA. A responsabilidade de entender e cumprir essas expectativas é de cada um.
- Diligência de transparência: ser aberto e preciso sobre a interação com IA com todos que precisam saber. Não é só seguir regras e regulamentos: mantém a confiança e o respeito nos relacionamentos, porque as pessoas têm o direito de saber quando a IA teve papel significativo na criação de conteúdo ou em decisões que as afetam.
- Diligência de implantação: assumir responsabilidade informada pelas saídas que você usa ou compartilha depois de criadas com ajuda de IA. Você, e não a IA, é o responsável final pela precisão e adequação: verificar fatos, checar viés, garantir exatidão e direitos de uso.
- Navegar por essas questões nem sempre é simples: contextos e públicos diferentes têm expectativas e padrões diferentes. Desenvolva diretrizes pessoais alinhadas à sua ética e valores, conheça as políticas da organização e os padrões do setor, e mantenha-se informado, porque os marcos legais e regulatórios da IA ainda estão surgindo e vão continuar a evoluir.
O passo a passo
- Trate diligence como assumir a responsabilidade pelas suas interações com IA, garantindo que o seu uso de sistemas de IA seja rigoroso, transparente e responsável.
- Antes de escolher um sistema, responda às perguntas da diligência de criação: como foi treinado e construído, quais dados foram usados, de quem são os dados que você insere, quem pode acessá-los, como proteger privacidade e segurança, e como a interação se alinha com seus valores e com as políticas da sua organização.
- Antes de compartilhar informações sensíveis da empresa com um assistente de IA, verifique as políticas de proteção de dados do serviço e se a sua organização permite o compartilhamento.
- Em cada contexto (pessoal, acadêmico, criativo ou profissional), entenda as expectativas de divulgação: quem precisa saber do papel da IA no trabalho, como e quando comunicar, e que nível de detalhe faz sentido compartilhar.
- Pratique a diligência de transparência: seja franco e honesto sobre o uso de IA com todos que precisam saber, como avisar os colegas sobre quais partes de uma proposta da equipe contaram com ajuda da IA.
- Antes de usar ou compartilhar saídas geradas com IA, pratique a diligência de implantação: verifique fatos, cheque viés, garanta exatidão e direitos de uso, como o jornalista que verifica cada fato e fonte antes de publicar.
- Desenvolva diretrizes pessoais para trabalhar com IA, alinhadas à sua ética e valores, e familiarize-se com as políticas da organização e os padrões do setor.
- Mantenha-se informado sobre os marcos legais e regulatórios da IA, que ainda estão surgindo e vão continuar a evoluir.
Todos queremos uma IA justa, segura e de benefício para a sociedade. O nosso próprio comportamento tem papel fundamental para que isso aconteça: ser criterioso com os sistemas que escolhemos e com a forma de trabalhar com eles, honesto sobre o papel da IA no nosso trabalho e responsável pelo que criamos.
Lição 11Conclusão
Vídeo 12 · 5 min 51 s
Na sessão final, Rick Dakan recapitula as quatro competências do framework de fluência em IA e mostra que elas valem para os três modos de interagir com IA. O fechamento é um convite à prática contínua: essas competências não são dominadas da noite para o dia, o objetivo não é a perfeição, e o futuro da colaboração entre humanos e IA depende de como cada um escolhe moldá-la.
Os pontos-chave
- Recapitulação dos quatro Ds: delegação decide qual trabalho é feito por e com a IA e o que fica com humanos; descrição articula o que você quer, como quer que seja abordado e que tipo de interação ajuda mais; discernimento avalia criticamente saídas, processos e interações; diligência cobre escolha de sistemas, transparência e responsabilidade pelo produto final.
- Cada competência tem três dimensões: descrição e discernimento de produto, processo e desempenho; diligência de criação, transparência e implantação.
- As competências valem para os três modos de interação: automação (a IA executa tarefas seguindo instruções), aumentação (você e a IA colaboram como parceiros de pensamento) e agência (a IA é configurada para agir de forma independente em seu nome).
- Na delegação, a sua expertise e julgamento continuam sendo o alicerce do uso eficaz da IA: os resultados mais poderosos surgem da colaboração iterativa que soma os pontos fortes dos dois lados, criando o que nenhum alcançaria sozinho.
- Na descrição, a comunicação clara faz a ponte entre as suas intenções e as capacidades da IA: as instruções mais eficazes costumam ser conversas bem pensadas com contexto, exemplos e feedback, não prompts elaborados.
- No discernimento, a avaliação crítica das saídas da IA é uma responsabilidade inegociável: é o que protege contra as limitações da IA e permite resultados que nem você nem a IA criariam facilmente sozinhos.
- Na diligência, você permanece responsável pelo que faz com a IA e pelo impacto disso sobre os outros; ser transparente sobre o papel da IA no seu trabalho constrói confiança e integridade.
- As competências se desenvolvem com prática: delegar, descrever, discernir e aplicar diligência fazem a fluência crescer naturalmente. O objetivo não é a perfeição, e sim desenvolver continuamente consciência, comprometimento e uma abordagem intencional do trabalho com IA.
- O framework foi projetado para servir à ampla variedade de assistentes de IA generativa e continuar relevante mesmo com a evolução dos sistemas; cabe a nós continuar aplicando o que aprendemos.
- IA não é bala de prata nem solução mágica para todo problema: esses sistemas só são tão úteis e seguros quanto nós os tornamos.
O passo a passo
- Revise a delegação: decida qual trabalho deve ser feito por e com a IA e o que é melhor deixar para os humanos, combinando compreensão do problema, consciência das capacidades da IA e habilidade de distribuir o trabalho entre você e seus assistentes.
- Revise a descrição: articule o que quer, como quer que seja abordado e que tipo de interação é mais útil (produto, processo e desempenho) para guiar a IA até as saídas de que você precisa.
- Revise o discernimento: avalie criticamente saídas, processos e interações (produto, processo e desempenho) para garantir qualidade e adequação em tudo que for guiado por IA.
- Revise a diligência: escolha sistemas de IA com critério, seja transparente sobre o papel da IA e preste contas pelo produto final (criação, transparência e implantação) para trabalhar de forma ética e segura.
- Lembre que as quatro competências valem para automação, aumentação e agência, os três modos de interagir com IA.
- Leve os insights essenciais para a sua jornada: a sua expertise é o alicerce; busque a colaboração iterativa; prefira conversas com contexto e feedback a prompts elaborados; avalie criticamente cada saída; seja transparente e responsável pelo impacto do seu trabalho.
- Pratique de contínuo: ao delegar trabalho, descrever necessidades, discernir a qualidade das saídas e aplicar diligência ao processo, a sua fluência em IA cresce naturalmente, sem cobrança de perfeição.
- Continue depois do curso com as atividades complementares de aplicação e os recursos para explorar o assunto, mantendo o aprendizado vivo mesmo com a evolução dos sistemas de IA.
- Atenda ao convite final: invista na sua própria expertise, acompanhe as mudanças tecnológicas para delegar de forma adequada, pratique a arte da descrição e do discernimento e assuma a responsabilidade pelo que você cria com a IA.
A IA só é tão útil e segura quanto nós a tornamos. Invista na sua expertise, pratique a conversa de vai e vem que transforma a IA de simples máquina de automação em verdadeira parceira de pensamento e assuma a responsabilidade pelo que vocês criam juntos: seja eficaz e eficiente, ético e seguro.