Quando a IA da empresa erra o preço, usa um slogan aposentado ou responde com o tom de outra marca, a reação mais comum é acrescentar coisas: mais um documento, mais uma regra, mais um parágrafo no prompt. O resultado costuma ser o contrário do esperado. A IA não erra porque sabe pouco; muitas vezes erra porque recebeu demais, e de qualidade desigual.
É disso que trata a engenharia de contexto. Os guias que aparecem no topo da busca explicam a técnica pensando em agentes de software. Este artigo aplica a mesma régua ao conhecimento da marca e responde à pergunta que quase ninguém responde: o que deve ficar de fora?
O que é engenharia de contexto, em termos simples?
Todo modelo de linguagem responde a partir do que está na sua janela de contexto naquele momento: as instruções de sistema, os documentos anexados, os exemplos, a conversa até ali, o resultado das ferramentas que ele usou. Engenharia de contexto é decidir o que entra nessa janela, em que ordem e por quanto tempo.
Em termos de marca: é a diferença entre despejar a pasta inteira do drive no assistente e montar um pacote enxuto com o que ele precisa para aquela tarefa. O primeiro parece mais completo. O segundo responde melhor.
O conceito não depende de ferramenta. Vale para um GPT personalizado, um Gem do Gemini, um projeto no Claude, um chatbot no site ou um agente que atende no WhatsApp. Em todos eles, alguém decide o que o modelo lê, mesmo quando essa decisão é tomada por omissão.
De onde vem o termo engenharia de contexto?
O termo ganhou força em 2025, quando os modelos passaram a trabalhar em tarefas longas, com várias etapas e ferramentas. Em 29 de setembro de 2025, a Anthropic publicou o artigo “Effective context engineering for AI agents”, que se tornou uma das referências do assunto.
O texto descreve a engenharia de contexto como a progressão natural da engenharia de prompt. A diferença é de escopo: o prompt é uma parte do que o modelo lê; o contexto é tudo o que ele lê. E, como o contexto muda a cada passo de uma conversa ou de um agente, a curadoria deixa de ser um ato único e passa a ser contínua.
Qual é a diferença entre engenharia de contexto e engenharia de prompt?
A engenharia de prompt pergunta "como escrevo a instrução?". A engenharia de contexto pergunta "o que mais o modelo está lendo, e isso ajuda ou atrapalha?". Uma não substitui a outra: o prompt bem escrito continua sendo parte do contexto, só deixa de ser a única parte.
| Engenharia de prompt | Engenharia de contexto | |
|---|---|---|
| Pergunta central | Como escrever a instrução | O que o modelo deve ter diante de si |
| Unidade de trabalho | O texto do prompt | Instruções, documentos, exemplos, histórico e ferramentas |
| Momento | Uma vez, antes de usar | Contínuo: muda a cada etapa da conversa |
| Erro típico | Instrução vaga ou ambígua | Excesso, conflito entre fontes, informação velha |
| Na marca | O texto do "você é o assistente da empresa X" | Qual manual, qual tabela de preço, quais exemplos e o que fica fora |
Comparativo elaborado pela Alliance Comunicação a partir do artigo da Anthropic sobre engenharia de contexto (2025).
Na prática, quem já escreveu um bom prompt para a marca está a meio caminho. O próximo passo é olhar para o que anda junto com ele: anexos, bases conectadas, conversas antigas que continuam abertas.
Por que mais contexto não significa resposta melhor?
Porque a atenção do modelo se distribui por tudo o que está na janela. A Anthropic chama de context rot a queda na capacidade de recuperar informação com precisão à medida que o contexto cresce, e explica que a degradação é gradual, não um precipício. A janela grande cabe mais coisa; isso não quer dizer que o modelo dê o mesmo peso a tudo.
Para a marca, a consequência é direta. Um manual de 80 páginas anexado inteiro compete com a pergunta do cliente pela atenção do modelo. A regra que importa, como "nunca prometa prazo de entrega", pode estar exatamente no meio. Explicamos esse limite técnico em detalhe no artigo sobre por que a IA esquece o manual da marca no meio da conversa; aqui o foco é a curadoria.
O que da marca deve entrar sempre no contexto?
Entra sempre o que vale para toda resposta, sem exceção. É o núcleo, e precisa ser curto o bastante para não diluir o resto. Na nossa experiência com bases de marca, ele cabe em poucas páginas quando é escrito para a IA, e não copiado do manual.
- Quem a marca é, em um parágrafo: o que vende, para quem, e o que a diferencia. Sem histórico de fundação nem missão em três versões.
- O que a marca não diz: promessas proibidas, temas fora de escopo, concorrentes que não se citam, termos que o jurídico vetou. É a lista mais esquecida e a que mais evita crise.
- Fatos que mudam pouco e erram muito: nome correto dos produtos, canais oficiais, horário de atendimento, política de troca.
- A voz, com exemplos: dois ou três pares de "assim sim, assim não". O artigo da Anthropic recomenda exemplos canônicos e diversos em vez de longas listas de casos-limite.
- Para onde encaminhar: quando a IA deve passar para um humano e como dizer isso ao cliente.
O guia de voz merece cuidado à parte, porque é onde mais se escreve adjetivo e menos se escreve critério. Mostramos como fazer no artigo sobre tom de voz da marca escrito para a IA.
O que deve entrar só sob demanda?
Tudo o que é verdadeiro, útil e específico de algumas perguntas. Fichas de produto, tabela de preços, casos de cliente, perguntas frequentes por serviço, condições comerciais por região. Se esse material está sempre carregado, ocupa atenção nas perguntas em que não serve para nada.
A Anthropic descreve essa lógica como contexto just in time: o agente mantém referências leves, como caminhos de arquivo, links ou consultas salvas, e carrega o conteúdo só quando precisa. O artigo cita como exemplo uma estratégia híbrida, em que um arquivo de instruções é carregado logo no início e o restante é buscado durante a tarefa.
É aqui que entra o RAG, a recuperação de trechos de uma base no momento da pergunta. Mas nem toda empresa precisa montar uma infraestrutura de busca para isso: muitas vezes, separar o núcleo das fichas e usar a busca nativa da ferramenta já resolve. Discutimos esse limiar no artigo sobre quando a empresa nem precisa de RAG.
Uma regra prática: se uma informação só é necessária em menos de uma a cada cinco conversas, ela é candidata a sair do núcleo e virar documento consultável. O número não é científico, é um ponto de partida para a revisão.
O que a marca deve deixar de fora do contexto da IA?
Esta é a lacuna dos guias de mercado: todos ensinam a pôr, quase nenhum ensina a tirar. O critério é simples de enunciar: sai do contexto tudo o que pode levar a IA a uma resposta errada, velha ou fora de tom, mesmo que seja verdadeiro em algum momento da história da empresa.
- Versões antigas do manual e da tabela de preço. Duas versões no mesmo contexto obrigam o modelo a escolher, e ele não sabe qual é a vigente.
- Histórico de campanhas. Slogans, promoções e condições de 2023 continuam soando verdadeiros para a IA. Se não valem mais, não devem estar lá.
- Texto-molde e rascunhos. E-mails de exemplo com "[NOME DO CLIENTE]", posts não aprovados e apresentações internas viram padrão de escrita.
- Dados pessoais e informação interna sensível. Planilhas com contatos, salários, margem e negociação em curso não têm por que estar num assistente que fala com o público.
- Regras caso a caso que um exemplo resolveria. Vinte linhas de "se o cliente disser X, responda Y" pesam mais e funcionam pior do que dois bons exemplos.
- Conversas longas que já cumpriram o papel. Em tarefas extensas, o histórico acumulado também é contexto, e envelhece.
| Camada | O que vai nela | Como chega à IA | Quem revisa e quando |
|---|---|---|---|
| Sempre | Posicionamento, o que a marca não diz, fatos estáveis, voz com exemplos, regra de encaminhamento | Instruções de sistema ou arquivo carregado no início | Marketing, a cada mudança de posicionamento |
| Sob demanda | Fichas de produto, preço vigente, casos, FAQ por serviço, condições comerciais | Base consultável ou busca no momento da pergunta | Dono de cada documento, com data de validade |
| Fora | Versões antigas, campanhas encerradas, rascunhos, texto-molde, dados pessoais, regras redundantes | Não chega: é removido ou arquivado fora da base | Revisão trimestral da base inteira |
Modelo de curadoria elaborado pela Alliance Comunicação a partir dos princípios do artigo da Anthropic sobre engenharia de contexto.
Qual é a altitude certa para as instruções da IA?
A Anthropic usa a imagem da "altitude certa" para as instruções de sistema. Baixo demais, o prompt vira um código frágil de regras se-então, difícil de manter e que quebra no primeiro caso não previsto. Alto demais, vira orientação vaga, como "seja profissional", que não dá ao modelo sinal concreto nenhum.
Traduzido para a marca: em vez de "seja cordial" (alto demais) ou de doze regras sobre como responder a cada tipo de reclamação (baixo demais), escreva o critério e mostre um exemplo. "Reconheça o problema antes de explicar a política; não use 'infelizmente' mais de uma vez" é uma instrução que o modelo consegue aplicar a casos que você não previu.
O artigo também sugere organizar as instruções em seções nítidas, com títulos ou marcações, e começar com um prompt mínimo, acrescentando instruções conforme as falhas observadas. É o oposto do hábito comum de começar com tudo e torcer.
O que é contaminação de contexto e como evitar?
Chama-se de contaminação de contexto a situação em que uma informação errada, velha ou conflitante entra na janela e passa a influenciar as respostas seguintes. Pode vir de um documento desatualizado, de uma resposta equivocada da própria IA que ficou no histórico ou de duas fontes que dizem coisas diferentes sobre o mesmo fato.
Na marca, os casos mais comuns são previsíveis: a tabela de preço de março convivendo com a de outubro; o nome antigo de um produto que foi rebatizado; um caso de cliente que deixou de ser cliente. A prevenção é a mesma em todos: uma fonte por fato, com dono e data.
Em conversas longas, a técnica de compactação ajuda: quando o histórico cresce, resume-se o que foi decidido e recomeça-se a partir do resumo, descartando o que já não serve. Muitas ferramentas fazem isso sozinhas; vale saber que existe para entender por que a IA às vezes "esquece" um detalhe do começo da conversa.
Como fazer engenharia de contexto para a marca na prática?
1. Inventarie o que a IA lê hoje
Liste instruções, arquivos anexados, bases conectadas e integrações de cada assistente da empresa. Na maioria dos casos, ninguém sabe ao certo, porque cada pessoa foi acrescentando coisas sem registro.
2. Classifique cada item em sempre, sob demanda ou fora
Use a tabela das três camadas. O que é verdadeiro para toda resposta vai para o núcleo; o que serve a algumas perguntas vira documento consultável; o que é velho, duplicado ou sensível sai.
3. Reescreva o núcleo para a IA
Frases curtas, uma regra por linha, critério em vez de adjetivo, exemplos de "assim sim, assim não". Coloque o que é inegociável no início, e não no meio de um documento longo.
4. Dê dono e validade a cada documento sob demanda
Preço tem dono no comercial; ficha técnica, no produto; política de troca, no atendimento. Cada documento leva data de revisão. Documento sem dono é o primeiro a ficar velho.
5. Teste com perguntas reais e corrija pelo erro
Monte um conjunto fixo de perguntas tiradas do atendimento e do comercial, incluindo as armadilhas: promoção encerrada, produto descontinuado, pedido fora de escopo. Rode a cada mudança de contexto e acrescente instrução só quando aparecer uma falha concreta.
Como medir se a curadoria do contexto funcionou?
- Taxa de acerto no conjunto de perguntas fixas: quantas respostas saem corretas, no tom certo e sem informação vencida.
- Erros de informação vencida: quantas vezes a IA citou preço, campanha ou produto que não existe mais.
- Encaminhamentos corretos: se a IA passa para um humano quando deveria, e só quando deveria.
- Tamanho do núcleo: acompanhe se ele cresce a cada mês. Núcleo que só aumenta é sinal de que regras estão substituindo critério.
- Tempo desde a última revisão de cada documento: o indicador mais simples de risco de contaminação.
Nenhum desses indicadores exige ferramenta paga. Uma planilha com as perguntas, as respostas e a data do teste já mostra se a mudança de contexto melhorou ou piorou o resultado.
Por onde começar hoje?
Comece pelo que sai. Abra o assistente de IA mais usado na empresa, liste o que está anexado a ele e remova versões antigas e material de campanhas encerradas. É a mudança com menor esforço e efeito mais visível, porque tira da frente do modelo justamente o que o leva a errar com segurança.
Depois, escreva o núcleo em poucas páginas e separe o resto em documentos com dono. Se quiser apoio para estruturar isso, a base de conhecimento de marca para IA da Alliance faz exatamente essa curadoria. E se a pergunta é mais ampla, sobre onde a IA e o marketing da empresa estão desalinhados, o diagnóstico de marketing gratuito leva cerca de 30 minutos e aponta as lacunas por área.