A engenharia de prompts é uma solução de 2024 para um problema de 2006 e disseram-nos que, se encontrássemos as palavras certas, a IA de repente passaria a atuar como um parceiro cênico. Mas, na realidade, um prompt é apenas uma solicitação superficial que atinge uma confusão profunda. A maioria das organizações está tratando o Copilot como uma varinha mágica agora. Elas acham que o truque do pensamento passo a passo é uma estratégia real, mas na verdade é apenas um paliativo. Porque se seus dados forem um desastre caótico de arquivos não mapeados, nenhuma formulação inteligente salvará o resultado. Você está essencialmente pedindo a um gênio para vasculhar uma lixeira. Estamos afastando da era da improvisação. Os dias de hacks e de prompts individuais estão acabando porque eles simplesmente não escalam. O futuro não depende de quão bem você fala com a máquina, mas sim de quão bem você arquiteta o sistema por trás dela. Estamos entrando na era da orquestração. A podridão estrutural, porque o contexto colapsa. Você provavelmente já viu a demonstração em que o Copilot fez uma reunião perfeitamente. Parece mágica no vídeo, mas quando você tenta no seu próprio locatário, ele erra completamente o alvo ou extrai dados de três anos atrás. Isso não é uma falha de IA, é podridão estrutural. O primeiro modo de falha é o colapso do contexto. Isso ocorre devido à proliferação do Teams SharePoint. Na maioria das organizações, o trabalho fica espalhado por muitos lugares. Você tem um chat no Teams, um componente loop para brainstorming e um site do SharePoint para a política final. Mas no momento em que essas três coisas divergem, a IA perde a fonte da verdade. Você faz a mesma pergunta duas vezes e obtém duas respostas diferentes porque o contexto está fragmentado. Copilot está essencialmente adivinhando qual versão da verdade você quer. Se o chat disser uma coisa e o documento disser outra, o sistema falha. Ele não consegue reconciliar o conflito porque não há hierarquia em seus dados. A segunda falha é a política com o escopo incorreto. É aqui que a confiança vai por água abaixo. Vejo dois extremos aqui. Primeiro, a abordagem acessível e acessível. A T fica nervosa e bloqueia tudo. Eles aplicam rótulos do preview a cada pasta, então o Copilot se torna inútil. Você pede ao Copilot um resumo do projeto e ele diz que não consegue encontrar nenhum arquivo. Você protegeu seus dados com sucesso, mas também lobotomizou sua IA. Ela não tem RAM para trabalhar. O outro extremo é pouco restritivo. Você tem links abertos para todos circulando desde 2019. Isso leva a vazamentos de dados catastróficos. Não porque um hacker entrou, mas porque a IA foi muito prestativa. Ela encontrou uma planilha de salários executivos que alguém deixou em uma pasta pública há cinco anos. No momento em que isso acontece, a confiança desmorona. E quando a confiança acaba, a adoção para. A terceira falha é o conhecimento órfão. Esta é a mais perigosa para sua tomada de decisão. Pense em quantos arquivos duplicados existem no seu Android. Rascunho V1, Rascunho Final e Rascunho Final V2, Mirko. Para um humano, a data de modificação importa, mas para um modelo de linguagem, dados obsoletos são tratados com a mesma autoridade que as notas de ontem. Copilot não sabe que a estratégia de 2022 está obsoleta se ainda estiver em um site do SharePoint com muito tráfego. Ele vê as palavras-chave e a relevância, então as inclui no resumo. Isso torna a IA um amplificador de alucinações. Ela não está inventando coisas do nada, está apenas extraindo de uma realidade que não existe mais. Dados desatualizados são piores do que a ausência. Se a IA não encontrar nada, você mesmo vai procurar. Mas se a IA encontrar coisa errada e apresentá-la com segurança, você toma uma decisão errada. Criamos hierarquias para um mundo que não existe mais? Nós as criamos para pessoas que navegam em pastas, mas o Copilot não navega, ele recupera. E a recuperação requer um tipo diferente de integridade. Ela requer um substrato que seja limpo, mapeado e governado. Se você não consertar a podridão, o prompt não importa. Você está essencialmente tentando construir um arranha-céu em um pântano. Você pode comprar o vidro mais caro para janelas, mas o prédio ainda vai afundar. A maioria das organizações está obcecada com Glass Atomim. Elas estão treinando pessoas para escreverem melhores prontos e criando folhas de dicas para a interface, mas a interface é apenas a ponta do iceberg. O trabalho real, o trabalho duro está por baixo. Trata-se de passar de uma pilha de arquivos não mapeados para um índice semântico rígido. Trata-se de garantir que quando a IA buscar um fato, ela encontre um único sinal de alta fidelidade. Porque na realidade o trabalho não começa mais com a navegação, mas com o contexto. E se esse contexto for quebrado, seu colega de trabalho de IA será apenas mais uma fonte de ruído e uma sala já barulhenta. Precisamos de um novo. Precisamos ir além da conversa. Precisamos começar a construir a estrutura de decisão. Substituir o prompt pela estrutura de decisão. Temos que parar de pensar em prompts como a principal alavanca para o sucesso da IA, porque um prompt é apenas uma conversa. É essencialmente um pedido de favor, mas você não administra uma empresa multibilionária com favores e bate-papos casuais. Administra com sistemas. É por isso que estamos nos afastando da mentalidade chatbot e caminhando de direção que chamamos de estudo-decisão. Uma estrutura não é uma conversa, mas sim uma estrutura multidimensional e estruturada, onde cada saída é suportada por entradas definidas e verificadas e verificadas. Ela marca a mudança da improvisação individual para a orquestração corporativa. No modelo antigo, você simplesmente esperava que o funcionário soubesse como fazer a pergunta certa. No modelo de estrutura, o sistema é projetado para que a resposta certa seja o único resultado lógico. Pense nessa estrutura em quatro camadas distintas e tenha em mente que se você perder uma, toda a estrutura de confiança desmorona. A primeira camada são os sinais. Esses são os feeds brutos. Estamos falando sobre os e-mails, as transcrições de reuniões e os fluxos contínuos de dados que fluem pelo seu locatário a cada segundo. A maioria das pessoas pensa que esses são os dados, mas na realidade são apenas ruído até serem detectados. Em uma estrutura de decisão, você não deixa os sinais flutuarem. Você identifica quais são de alta fidelidade e decide quais fluxos realmente importam para o resultado comercial que está tentando alcançar. A camada dois é onde a mágica acontece e nós a chamamos de camada e contexto. Não se trata apenas de todo o SharePoint, que é uma receita garantida para uma alucinação. Trata-se de bibliotecas selecionadas e conectores de gráfico configurados especificamente. Você está criando um limite digital orientando a IA a olhar apenas para cá ou consultar o orçamento do terceiro trimestre. Você é essencialmente criando um já de murada da verdade. Ao usar conectores de gráfico para trazer dados externos do seu CRM ou de um banco de dados SQL legado, você está fundamentando a IA em uma realidade que se estende muito, além de apenas alguns documentos do Word. A camada três é o nó de decisão, e é aqui que o Copilot realmente se encaixa. Mas neste modelo, o Copilot não está apenas pensando sozinho. Ele está aplicando um conjunto específico de lógica e regras ao contexto refinado que você forneceu na camada dois. É aqui que você incorpora seus assopers corporativos. É aqui que o prompt realmente reside, mas não é mais uma frase independente. É um conjunto de instruções que informa o sistema para pegar os sinais da camada um, filtrá-los pelo contexto na camada dois, e aplicar sua lógica padrão de avaliação de risco para gerar um resultado. O nó de decisão é o motor, mas a rede é o sistema de combustível e a direção. Camada quatro é a ação, que é a saída final e governada. Como você controlou as entradas e a lógica pode realmente confiar no que sai da máquina? Pode ser um relatório, uma recomendação ou um e-mail rascunhado por um cliente. Mas ao contrário de uma resposta aleatória, esta ação é totalmente auditável? Você pode rastreá-la pela rede para ver exatamente qual o sinal e qual parte do contexto criar naquela frase específica. A mudança aqui é fundamental porque o prompt é ad hoc e individual. Depende da pessoa sentada à mesa ter um bom dia e se lembrar de incluir os detalhes certos em sua mensagem. A rede de decisão é estruturada e compartilhada. É uma parte da infraestrutura organizacional. Quando você cria uma estrutura para um briefing de decisão executiva, não importa quem aciona a solicitação porque a lógica é a mesma, as fontes são as mesmas e o nível de confiança é o mesmo e o nível de confiança é o mesmo. Estamos essencialmente construindo uma máquina para pensar. Estamos mudando de um mundo em que usamos IA para um mundo em que arquitetamos IA. É assim que se é dimensionado. Não é possível dimensionar mil pessoas diferentes escrevendo mil prompts diferentes. Contudo, você pode escalar dez estruturas bem projetadas que lidam com dez processos de negócios. Porque no final do dia, seu conselho não se importa se seus funcionários são bons e dão prompts. Eles se importam se as decisões tomadas são precisas, rápidas e seguras. A estrutura lhe dá essa certeza. Ela transforma a caixa preta da IA em um pipeline transparente e governado. Você não está mais apenas falando com uma máquina, está projetando a maneira como sua empresa pensa e isso começa percebendo que o prompt é apenas a menor parte do sistema. Ancorando a arquitetura além da interface. Se você quiser entender por que seu piloto de IA atual parece uma série de brinquedos desconectados, é preciso analisar a interface. Copilot é uma bela porta de entrada. Ele foi projetado para ser convidativo e foi criado para fazer você se sentir como se estivesse tendo uma conversa humana. Mas uma porta não é uma cara. Se você se concentrar apenas no balão de bate-papo, estará perdendo toda a base que realmente faz a máquina funcionar. O trabalho real, que é o trabalho pesado da inteligência empresarial, acontece no substrato. Você não está apenas usando um aplicativo ou acionar uma solicitação. Você está orquestrando uma pilha enorme e interconectada de serviços da Microsoft que devem ser acionados em perfeita sincronia para fornecer uma única frase precisa. Pense no Microsoft Graph e seus conectores como o sistema nervoso central dessa arquitetura. Eles são os canos. Sem eles, a IA é efetivamente cega. É apenas um modelo com alto QI, mas nenhuma memória local. Quando você faz uma pergunta, o gráfico não procura apenas um arquivo. Ele mapeia o relacionamento. Entre você, seu gerente, as três reuniões que você teve esta manhã e a versão específica do plano de projeto que você editou à meia-noite. Os conectores de gráfico são a ponte para o seu mundo externo. Eles extraem dados do Gira, Se Esforço ou dos seus servidores SQL personalizados para que a IA pare de adivinhar e comece a saber. Se esses canais estiverem entupidos ou não mapeados, o colega de trabalho será apenas um estranho em seu escritório sem acesso ao arquivo. Temos também o Microsoft Purview, que funciona como filtro. Antigamente, a segurança era sobre quem podia abrir uma pasta específica. No mundo da IA, a segurança é sobre o que o modelo pode aprender. Está um regulador silencioso que define os limites da imaginação da IA. Ele informa ao Copilot que ele pode saber, e mais importante, o que ele deve ignorar completamente. Ao aplicar um rótulo de confidencialidade, você não está apenas marcando um documento para conformidade. Você está criando, essencialmente, uma zona de exclusão aérea. Se os rótulos do Purview estão uma bagunça, o mapa interno da IA também está. Não é possível ter um colega de trabalho confiável se o sistema não tiver um conjunto rígido de proteções éticas e legais incorporadas diretamente no fluxo de recuperação. Mas mesmo com os dados e filtros certos, o sistema precisa saber quem está perguntando. Esse é o Microsoft EntraID. A identidade é o contexto definitivo. Um CEO que pede um resumo das mudanças de pessoal deve obter uma resposta muito diferente de um gerente júnior que pede a mesma coisa. O EntraID fornece a realidade baseada em função que molda o resultado. A IA não vê apenas um prompt. Ela vê um conjunto de permissões, um departamento e um histórico de acesso. Se o seu gerenciamento de identidade for desleixado e pessoas mantiverem privilégios de três cargos atrás, o Copilot se tornará o espião interno mais eficiente do mundo. Ele revelará exatamente o que essas pessoas não devem ver, porque você disse ao sistema que elas tinham permissão para ver. Para evitar que o caos de arquivos brutos envenene o modelo, usamos o Microsoft Fabric e o Unlake, essa é a sua camada de dados estruturada. A maioria das empresas tenta alimentar o Copilot com uma dieta de arquivos Excel bagunçados e CSVs aleatórios. É assim que você tem alucinações. O Unlake atua como um lago lógico único unificado para todos os seus dados. Ele organiza o caos do Excel em um formato que a IA pode digerir sem se confundir, com erros de formatação ou links quebrados. Ele transforma seus números brutos em um produto refinado. Por fim, temos o Copilot Studio. Esta é a bancada de trabalho. É aqui que você realmente cria os limites de decisão. Não esperamos apenas que a IA siga suas regras. Se incorpora a lógica aqui. Você define os tópicos específicos, as ações externas e os fluxos de trabalho de várias etapas que vão além de um simples bate-papo. O que deseja contratar? Quando você percebe que o Copilot é apenas a interface para todo esse conjunto, sua estratégia muda. Você para de treinar as pessoas sobre como digitar e começa a treinar seus arquitetos sobre como construir. Você não está comprando uma ferramenta. Você está projetando um funcionário digital. E esse funcionário é tão inteligente quanto a arquitetura que você fornece. O passo a passo concreto, o briefing de decisão executiva. Para transformar isso de uma estrutura conceitual em uma realidade tangível. Vamos analisar um cenário específico de alto risco. Vamos criar um briefing de decisão executiva automatizado. Este é o momento em que a teoria se torna prática. Na maioria das empresas, preparar uma reunião do conselho ou um grande giro envolve uma semana de trabalho manual. Você tem analistas caçando os últimos números de vendas. Gerentes vasculhando conversas de e-mail para descobrir o verdadeiro motivo da paralisação de um projeto e executivos tentando conciliar três versões diferentes de um slide deck. É um processo definido pelo atrito. Mas quando aplicamos a arquitetura que discutimos, o prompt se torna a menor e menos importante parte de toda a operação. Primeira fase é entrar. Não estamos apenas abrindo um chat para perguntar o que aconteceu neste mês. É uma solicitação de baixa fidelidade que convida a uma resposta igual. Em vez disso, apontamos nossas cartas de decisão para fontes ligadas por grafos. Definimos o limite. Dizemos ao sistema para extrair os dados financeiros brutos do Microsoft Fabric, os marcos do projeto de uma biblioteca específica do SharePoint e a análise de sentimento das últimas quatro reuniões de liderança por meio de transcrições do Teams. Estamos essencialmente fornecendo a IA um mapa específico e selecionado até o território. Não estamos pedindo a verdade. Estamos fornecendo a verdade e pedindo para ela sintetizá-la. Em seguida vem a orquestração. Isso acontece dentro do Copilot Studio. É aqui que você passa de uma conversa para uma transformação. Nós definimos a lógica. Não estamos confiando na inteligência geral da IA para decidir o que um executivo precisa saber? Criamos um fluxo de trabalho que diz Identifique qualquer projeto em que o gasto esteja 10% acima do orçamento. Faça uma referência cruzada com registro de risco em nosso banco de dados SQL externo. Destaque o gerente específico responsável. Isso não é um prompt. É um conjunto de instruções arquitetônicas rígidas. A IA está agindo como um processador, não um criador. Ela está pegando os sinais brutos e os executando em seu filtro corporativo para criar uma recomendação. Mas a etapa mais crítica é a validação. Antes que uma única palavra chegue à tela do executivo, o sistema executa uma verificação de conformidade automatizada. Ele usa o Microsoft Purview para verificar o rascunho em busca de dados confidenciais que não pertençam a esse briefing específico. Se o nome de projeto for mencionado e ainda estiver sob um NDA estrito, ou se um valor salarial específico for acidentalmente retirado de uma planilha bruta, o sistema o sinalizará. Ele não apenas gera conteúdo. Ele o controla em tempo real. É assim que você resolve a lacuna de confiança. Você não espera que a IA seja segura. Você garante a segurança dela por meio de uma série de verificações e balanços programáticos. O resultado final é um relatório de alta fidelidade. Não é um resumo genérico que requer uma reescrita humana de três horas para torná-lo útil, porque você controlou as entradas e definiu a lógica. O resultado é um documento preciso e acionado. Parece ter sido escrito por um sócio sênior que está na empresa há uma década. Ele entende o contexto? Respeita os limites. E se concentra nas métricas que realmente impulsionam o negócio? Essa é a diferença entre uma demonstração bacana e um colega de trabalho de nível empresarial. Na demonstração, você faz uma pergunta e recebe um parágrafo. Na arquitetura empresarial, você projeta um sistema e recebe uma decisão. Ao analisar esse passo a passo, você percebe que a pessoa que acionou o briefing não precisava ser um engenheiro de prompt. Ela não precisava de uma lista de palavras-chave mágica. Ela só precisava clicar em um botão que acionava uma estrutura pré-projetada. A arquitetura fez o trabalho, o gráfico forneceu a memória, a visualização forneceu a segurança, o fábrico forneceu a estrutura e o copilot forneceu a voz. É assim que você supera o hype. Você para de tratar a IA como um mecanismo de busca e começa a tratá-la como uma fábrica especializada em inteligência. Você não está mais apenas conversando com um bot. Você está executando um pipeline automatizado e sofisticado que transforma o ruído organizacional bruto em um sinal executivo claro. E essa mudança só acontece quando você para de ficar obcecado com as palavras na caixa e começa a projetar os canais atrás da parede. Essa é a arquitetura do colega de trabalho. É assim que o trabalho realmente muda. Medindo sucesso, confiança na velocidade e decisão. Como você realmente prova que tudo isso está funcionando? Se você for até o seu conselho e falar sobre engajamento aprimorado de IA ou sobre o número total de prontos enviados, você vai perdê-los. Eles ouviram falar sobre o potencial da IA por 3 anos. Eles estão cansados de ouvir que a tecnologia é revolucionária. Eles querem saber se o investimento está realmente fazendo a diferença no resultado final. Para responder a isso, temos que parar de medir como as pessoas falam com a máquina e começar a medir a velocidade do resultado. Precisamos de uma nova métrica. Eu a chamo de velocidade e confiança na decisão. Esse é o único número que realmente importa em um mundo pós-prompter. É a medida do tempo que uma equipe leva para chegar a uma ação final comprometida que não precisa ser revisada na maioria das organizações. Velocidade é uma ilusão. Você pode obter um primeiro rascunho em 30 segundos, mas se esse rascunho exige 4 horas de verificação de fatos humanos e 3 reuniões para corrigir as alucinações, você não ganhou nada de fato. Você apenas mudou o trabalho de escrever para editar. A velocidade de confiança na decisão monitora toda a jornada do sinal inicial à aprovação final. Para monitorar isso de forma eficaz, analisamos 3 pilares específicos. Primeiro, o tempo para a decisão. Essa é a duração bruta entre o momento em que uma necessidade comercial é identificada e o momento em que a ação final aprovada é tomada. No antigo modelo de dados não mapeados, esse processo é prejudicado pela pesquisa. As pessoas gastam metade do tempo apenas tentando obter a versão correta de um arquivo. Em uma estrutura de decisão estruturada, esse tempo de pesquisa cai para zero. O sistema já sabe onde está a verdade. Não estamos medindo a velocidade dos tipos de ar. Estamos medindo o quanto do intermediário humano podemos eliminar. Se sua arquitetura for sólida, você verá a lacuna entre uma solicitação e uma resolução diminuir pela metade porque a fase de construção de confiança é automatizada. O segundo pilar é a taxa de trabalho. Essa é a porcentagem de resultados de ar que exigem que um humano intervém e corrija um erro factual ou uma falha lógica. Esse é o teste definitivo do seu índice semântico. Se sua taxa de retrabalho for alta, sua arquitetura está falhando. Isso significa que seu contexto é muito amplo, seus dados estão desatualizados ou seus rótulos de escopo estão deixando ruído no sinal. Uma implementação bem-sucedida não apenas torna as pessoas mais rápidas, mas também as torna mais precisas. Queremos ver uma tendência de queda aqui. Quando a taxa de retrabalho quase zera, você terá um colega de trabalho de nível empresarial. Você mudou da IA como um brinquedo para a IA com uma infraestrutura confiável. Terceiro pilar é a contagem de exceções. Este é o mais técnico dos três, mas é vital para TI e conformidade. Monitoramos a frequência com que a IA tenta acessar dados restritos que o escopo bloqueia ou quando ela não encontra os dados necessários por um conector de gráfico falho. Contagens altas de exceções indicam uma arquitetura com muito atrito. Isso significa que seus limites digitais são mal definidos. Ao monitorar essas exceções, você pode ajustar a sua rede em tempo real, testar essencialmente depurando a inteligência da sua empresa. Ao apresentar essas métricas, você muda a conversa. Você não está mais falando sobre ferramentas legais? Você está falando sobre eficiência operacional. Uma arquitetura bem-sucedida geralmente produz uma redução de 20% a 40% do tempo total de decisão no primeiro mês. Isso não é apenas um ganho de produtividade, é uma vantagem competitiva. Significa que sua empresa pode girar mais rápido, responder as mudanças do mercado com agilidade e executar com mais certeza que as demais. Eficiência não é digitar mais palavras em uma caixa de chat. Significa precisar digitar com menos frequência porque o sistema já entende a meta. Plano de prova de 30 dias. Se isso parecer complicado, lembre-se de que você não precisa ferver o oceano no primeiro dia. A arquitetura é construída em etapas. Se pode provar este modelo em exatamente 30 dias, se for disciplinado quanto ao escopo. Nas semanas 1 e 2, sua única tarefa é mapear a base do caos. Não mude nada ainda. Escolha um fluxo de trabalho comum e confuso, como um relatório semanal de status ou uma avaliação de risco de fornecedor. Messa o tempo atual para a decisão. Conte o ciclo de retravação. Documente cada vez que alguém pergunta se tem a versão correta da planilha. Esses dados são sua alavanca, porque mostram ao conselho exatamente quanto custa sua dívida arquitetônica em horas e frustração. Na semana 3, você apresenta a estrutura de decisão. Você não faz isso para toda a empresa. Você faz isso para aquele fluxo de trabalho específico. Defina suas fontes de dados aprovadas no SharePoint. Limpe as duplicatas obsoletas e mapeie seus sinais externos por meio de um conector de gráfico. Defina a lógica no Coparato Stoom. Você está criando um pod de verdade para esta tarefa. Na semana 4, executa a comparação. Você deixa a equipe usar a estrutura em vez da caixa de bate-papo bruta. E aí que você verá as conversas. Podemos confiar nisso? Você não precisa aparecer. A taxa de retrabalho espancará, porque a IA finalmente está fundamentada em uma realidade rígida e verificada. No final do mês, você pega essas três métricas. Tempo para decisão, taxa de retrabalho e contagem de sessões. E mostra o conselho de diferença. Comece pequeno, mas sempre construa com a arquitetura final em mente. Cada biblioteca que você limpa e cada conector que mapeia é um tijolo na fundação da sua futura agência. Se essa mudança de prompt para a arquitetura mudou a forma como você pensa sobre IA, siga me Mirko Peters no LinkedIn. Siga no LinkedIn. Passo meu tempo diagnosticando esses sistemas para que pare de adivinhar e comece a construir. Inscreva-se no podcast M305FM para mais informações aprofundadas sobre a realidade estrutural do local de trabalho moderno. Compartilhe isso com sua equipe, especialmente se você estiver se afogando na armadilha do prompt perfeito. Depois de consertar a base, sua IA deixa de ser um chatbot e começa a ser um colega de trabalho. Para obter instruções avançadas sobre conectores de gráfico, confira este vídeo e inscreva-se para mais informações.