Perspectiva
A escrita de prompts está se tornando uma habilidade de design de aprendizado
Prompts úteis tornam o resumo do design explícito: o problema de desempenho, o contexto do aprendiz, as restrições e as evidências que ajudarão você a julgar o resultado.
Peça à IA para criar um curso sobre como lidar com clientes difíceis, e você já tomou várias decisões de design.
Você decidiu que um curso é necessário. Você decidiu que o problema é algo que as pessoas podem aprender a resolver. Você decidiu que “lidar com clientes difíceis” descreve o trabalho de forma clara o suficiente para construir em torno disso.
Talvez essas decisões estejam certas. Mas o prompt não nos dá muitas razões para acreditar nelas.
Acho que é aqui que a conversa sobre prompts se torna interessante para os designers de aprendizado. A habilidade útil é ser capaz de explicar o que estamos tentando melhorar, o que sabemos sobre as pessoas que fazem o trabalho e o que uma resposta útil precisaria alcançar.
Um prompt torna essas decisões visíveis. Ele também pode tornar sua ausência visível, se tivermos tempo para olhar.
O prompt expõe o resumo
Um prompt útil é um resumo de design que você pode questionar.
É por isso que vejo a escrita de prompts se tornando parte do design de aprendizado. Isso nos dá outro lugar para praticar o trabalho de definir um problema, estabelecer restrições e decidir o que conta como bom.
Uma redação melhor não pode reparar uma decisão fraca
Há uma tentação de tratar cada resposta decepcionante da IA como um problema de redação. Adicione um papel. Peça mais detalhes. Mude o tom. Diga para ser mais envolvente. Tente um prompt mais longo.
Às vezes, essas mudanças ajudam. Mas elas também podem nos manter polindo uma resposta a uma pergunta que deveríamos ter reconsiderado.
“Aja como um designer instrucional especialista e crie um curso envolvente de cinco minutos” ainda começa com um curso. “Use princípios de aprendizagem de adultos” não explica a decisão que alguém precisa tomar no trabalho. “Torne-o interativo” não nos diz o que a interação deve permitir que alguém pratique.
Você pode obter um rascunho atraente a partir de um briefing vago. Essa é parte do problema. Uma resposta que parece completa pode dificultar a percepção de um pensamento inacabado.
Antes de pedir uma versão melhor, pergunte o que você deixou o modelo adivinhar. Quem é o público? O que eles estão lutando para fazer? Que evidências apoiam essa interpretação? Que informações estão faltando? Quais decisões já foram acordadas e quais ainda estão em aberto?
Se você não consegue responder a essas perguntas, outro adjetivo no prompt provavelmente não resolverá.
Dê a ele o contexto que muda o design
“Funcionários da linha de frente” é um rótulo de público. Não é contexto suficiente para projetar uma prática significativa.
Um novo funcionário aprendendo um processo pela primeira vez precisa de algo diferente de um funcionário experiente que conhece o processo, mas não consegue encontrar a política atual durante uma conversa com o cliente. Ambos podem aparecer na mesma solicitação de treinamento.
Os detalhes úteis são aqueles que mudam suas decisões de design: experiência anterior, ferramentas disponíveis, condições de trabalho, pressão de tempo, necessidades de acessibilidade, idioma e as consequências de um erro.
As restrições importam tanto quanto. Uma experiência móvel usada entre tarefas tem requisitos diferentes de um workshop facilitado. Uma decisão que deve ser tomada de memória precisa de uma preparação diferente de uma apoiada por uma referência pesquisável.
Eu também diria ao modelo o que ele não deve inventar. Se uma regra de reembolso não foi fornecida, ele deve sinalizar a regra ausente. Se a causa de uma lacuna de desempenho é incerta, ele deve preservar essa incerteza em vez de transformar a opinião de um interessado em uma conclusão.
Isso não significa colar todos os documentos que você tem em um chat. Selecione o material relevante para a decisão, use informações que você está autorizado a compartilhar e explique quais fontes governam a resposta.
Uma restrição útil
“Separe fatos documentados, suposições de trabalho e perguntas não respondidas. Não invente políticas, dados de aprendizes ou evidências de impacto.”
O mesmo pedido, uma tarefa de design diferente
Aqui está um exemplo hipotético. Um gerente de suporte ao cliente pede treinamento de atualização porque os agentes estão escalando muitos pedidos de reembolso.
O prompt rápido pode ser:
“Crie um curso de microaprendizagem de cinco minutos sobre como lidar com pedidos de reembolso. Inclua três verificações de conhecimento e torne-o envolvente.”
Esse prompt dá ao AI uma tarefa de produção. Não pergunta se a tarefa faz sentido.
Agora imagine que uma revisão de casos de amostra sugere que os agentes podem explicar a política básica, mas hesitam quando uma exceção se aplica. Eles têm uma referência de política disponível durante as chamadas. Alguns casos também mostram que a orientação sobre exceções é confusa.
Isso muda a tarefa de design. Podemos precisar de prática de decisão, uma referência mais clara e uma clarificação de política antes de precisarmos de uma atualização sobre os fundamentos.
Um prompt mais útil seria:
Um prompt construído em torno da decisão
“Ajude-me a examinar um pedido para reduzir escalonamentos desnecessários de reembolso entre agentes de suporte ao cliente experientes.
Neste caso hipotético, uma revisão de casos de amostra sugere que os agentes conhecem a política básica de reembolso, mas hesitam em relação às exceções. Eles podem acessar a política durante as chamadas. Algumas orientações sobre exceções podem ser ambíguas. Não estabelecemos quanto cada fator contribui para o escalonamento.
Antes de redigir o treinamento, separe as possíveis necessidades de prática dos problemas de política ou referência. Identifique as perguntas que precisamos responder e as evidências que nos ajudariam a escolher uma resposta.
Se a prática de decisão for justificada, esboce três casos curtos nos quais os agentes devem escolher se resolvem, consultam a referência ou escalonam. Cada caso deve testar um limite diferente. Explique o que cada caso nos permitiria observar.
Use marcadores para detalhes da política que não forneci. Não invente regras de reembolso. Sinalize qualquer caso que não possa ser julgado sem uma decisão de política. Retorne primeiro uma tabela diagnóstica, seguida por um esboço provisório de prática.”
O segundo prompt faz mais do que descrever a saída. Ele define o que é conhecido, o que permanece incerto e a sequência de decisões que precisamos tomar.
Ele também permite uma resposta que talvez não esperássemos: esclarecer a política antes de construir a atividade.
Isso é trabalho de design.
Escreva os critérios antes de ler a resposta
Uma das coisas mais úteis que você pode colocar em um prompt é uma explicação de como você julgará o resultado.
Se você está pedindo um cenário, “realista” precisa de uma definição. O aprendiz enfrenta uma decisão que ocorre no fluxo de trabalho real? Eles têm as informações que realmente teriam? Há uma razão plausível para escolher a opção mais fraca? O feedback explica uma consequência ou apenas anuncia uma pontuação?
Essas perguntas lhe dão algo a inspecionar além de saber se a escrita soa convincente.
Para o exemplo do reembolso, eu verificaria se cada caso testa um limite de decisão distinto, se a resposta correta segue a política aprovada e se o feedback explica quando a consulta ou escalonamento é apropriado. Eu também verificaria se o cenário não penaliza um agente por ambiguidade que a organização não conseguiu resolver.
Você pode pedir ao AI para revisar seu rascunho com base nesses critérios. Isso pode revelar problemas. Não é validação independente, e não estabelece que a política está correta ou que a prática melhorará o desempenho.
Você ainda precisa inspecionar as fontes, envolver as pessoas que conhecem o trabalho e tentar a experiência com os usuários pretendidos, quando prático.
O modelo pode ajudá-lo a aplicar um padrão. Você continua responsável por decidir se o trabalho atende a ele.
Reutilize a estrutura, revisite as decisões
Eu gosto de estruturas reutilizáveis. Elas nos salvam de começar do zero e nos lembram de fazer perguntas que poderíamos pular.
Mas um prompt salvo também pode carregar as suposições de ontem para o projeto de hoje. Um modelo que sempre pede um esboço de curso faz com que cada problema pareça um problema de curso.
A estrutura que eu reutilizaria é um breve design curto:
- Desempenho: O que alguém precisa fazer, decidir ou se recuperar?
- Evidência: O que sabemos sobre o problema atual e o que ainda é uma suposição?
- Contexto: Quem está fazendo o trabalho, sob quais condições e com quais ferramentas ou suporte?
- Restrições: Quais requisitos a resposta deve respeitar? Quais fontes a governam?
- Tarefa de design: Estamos diagnosticando, comparando respostas, elaborando práticas ou revisando uma solução existente?
- Critérios de qualidade: O que tornaria o resultado útil, preciso e apropriado para esta situação?
- Incerteza: O que deve ser sinalizado, questionado ou deixado sem resolução em vez de ser adivinhado?
Você não precisa transformar cada pequeno pedido em um grande prompt. Ajuste o resumo à tarefa. Reescrever uma frase requer menos contexto do que recomendar uma resposta a um problema de desempenho.
Para um projeto maior, trabalhe em etapas. Examine o pedido, revise a evidência, compare possíveis respostas e, em seguida, elabore a parte para a qual você tem informações suficientes para projetar. Leve as decisões acordadas adiante e revisite-as quando novas evidências mudarem o cenário.
O objetivo é manter o raciocínio disponível para revisão, em vez de enterrá-lo dentro de um resultado final polido.
Julgue o trabalho além da janela de chat
Um prompt mais forte pode produzir um rascunho mais relevante. Isso não significa que melhoramos a aprendizagem.
O rascunho ainda precisa sobreviver ao contato com o trabalho. As pessoas conseguem entender a situação? Elas conseguem usar o suporte quando precisam? A prática expõe as decisões que nos importam? O feedback as ajuda a melhorar?
No nosso exemplo hipotético de reembolso, menos escalonamentos não seria suficiente por si só. Os agentes poderiam reduzir escalonamentos aprovando pedidos que deveriam ter sido encaminhados. Precisaríamos examinar a adequação das decisões, bem como a taxa de escalonamento.
Esse é outro julgamento de design que um prompt não pode resolver por nós. Decidimos quais evidências importam e quais compensações aceitaremos.
Eu não vejo a redação de prompts como uma garantia de carreira. Isso não torna alguém insubstituível, e uma coleção de prompts inteligentes não substitui a compreensão da aprendizagem ou do trabalho que as pessoas realizam.
Eu vejo isso como uma habilidade prática que torna nosso pensamento inspecionável. Isso nos força a expressar a intenção, nomear a incerteza e definir o padrão antes de pedirmos uma resposta.
Experimente com o próximo prompt que você estava prestes a usar. Sublinhou cada decisão que você já tomou. Circule cada detalhe que o modelo teria que adivinhar. Então pergunte-se se essas decisões são apoiadas.
Você pode precisar de um prompt melhor. Você pode precisar de um resumo melhor. Você pode precisar voltar ao interessado com uma pergunta que não havia pensado em fazer.
A redação de prompts ganha seu lugar no design de aprendizagem quando nos ajuda a tomar melhores decisões sobre o que as pessoas precisam.
Learning Rewired Lab™
Torne o resumo mais forte antes de gerar a resposta.
O Lab é o espaço profissional completo para transformar um pedido de aprendizado em uma solução de desempenho defensável. Desafie o pedido, investigue o sistema, projete a resposta e planeje as evidências em um projeto conectado.
Desafie o pedido, examine o sistema e projete para o desempenho antes que a produção comece.
- Um registro de projeto conectado
- Diagnóstico de pedido e desempenho
- Ferramentas de aprendizado com foco em produto
- Fluxos de trabalho de design assistidos por IA
- Aplicação prática no local de trabalho