Andrew Ng lançou um novo curso em 2026 no DeepLearning.AI chamado "AI Prompting for Everyone", com 21 aulas em 3 módulos. A primeira frase já prende todo mundo: hoje é completamente diferente de quando o ChatGPT foi lançado em 2022. Este curso não é apenas uma coleção de truques de prompt; é sobre a mudança de paradigma geral no uso de IA nos últimos quatro anos. Abaixo está um resumo aprofundado das 21 aulas, contendo todos os pontos mais valiosos para adotar.
Iniciante vs. Especialista: As 4 Grandes Divisões Propostas por Andrew Ng
O esqueleto de todo o curso é uma comparação. Iniciantes e especialistas em IA usam as mesmas ferramentas, mas seus resultados diferem de 5 a 10 vezes. A diferença está em quatro dimensões.
A primeira é a dificuldade da pergunta. Iniciantes usam IA como o Google, perguntando "O Taco Bell ainda tem o Double Decker Taco?" Especialistas jogam documentos inteiros de compra de carro (especificações, cotações, planos de seguro) e deixam a IA ler tudo, pensar devagar e comparar prós e contras. Os modelos agora podem pensar por dezenas de segundos ou até minutos antes de responder; o tempo economizado é dinheiro real.
A segunda é o contexto. Iniciantes enviam prompts curtos esperando que a IA preencha as lacunas. Especialistas tratam a IA como um estagiário altamente inteligente e recém-formado que não sabe nada sobre você, fornecendo bastante contexto. Para fazer a IA escrever uma autoavaliação, um iniciante apenas diz "escreva uma autoavaliação para meu chefe", o que resulta em frases vazias. Um especialista envia prints do acompanhamento de projetos, documentos recentes e transcrições de notas de voz para que a IA possa escrever algo substancial. A frase de Andrew Ng é "empatia pela IA" — coloque-se no lugar de quem recebe a tarefa e pergunte se eles sabem o suficiente para fazê-la bem.
A terceira é a orientação. Um iniciante pode perguntar: "Tenho uma ótima ideia de negócio para um serviço móvel de tie-dye, por favor, avalie-a." A IA, ao ouvir "ótima", vai concordar e elogiar — isso é bajulação (sycophancy). Especialistas usam perguntas neutras ou fornecem uma rubrica, dizendo à IA em quais dimensões avaliar, como "Existe mercado?", "Existe vantagem competitiva?" ou "O problema realmente existe?", forçando-a a dar uma conclusão honesta, talvez uma nota 8.
A quarta é o processo de escrita. Iniciantes deixam a IA escrever o artigo diretamente, resultando em "AI slop". Especialistas não deixam o modelo escrever o corpo imediatamente; eles fazem com que ele gere um esboço, iterem sobre o esboço, expandam-no em tópicos, iterem sobre esses tópicos e, finalmente, expandam-no para o texto completo. Esse fluxo de trabalho trata a IA como um parceiro de pensamento, não como uma máquina de escrever.
Esses quatro pontos se repetem em todos os módulos e servem como a estrutura geral do curso.
De Onde Vem o Conhecimento da IA: Entendendo a Arquitetura de 3 Camadas
O núcleo do Módulo 1 é dividir a aquisição de informações em três camadas, cada uma adequada para diferentes tarefas.
A primeira camada é o conhecimento pré-treinado, o senso comum que o modelo aprendeu com enormes quantidades de texto da internet. A frequência determina a confiabilidade; tópicos como culinária, filmes e celebridades são muito precisos porque há muito conteúdo. Tópicos de nicho, como quasares, têm respostas piores. Embora o cantonês seja falado por 80 milhões de pessoas, ele representa menos de 0,1% do conteúdo da internet, então a cobertura do corpus fora do inglês é mais fraca. Todo modelo tem uma data de corte de conhecimento; por exemplo, o GPT-5.4 tem corte em agosto de 2025. Se você perguntar sobre um meme que viralizou no final de 2025, ele não saberá e precisará acionar uma pesquisa na web.
A segunda camada é a pesquisa na web. Na verdade, esta é uma arquitetura de IA dupla. Você conversa com uma IA voltada para o usuário, que chama uma IA assistente para realizar a pesquisa na web, filtrar os resultados, baixar as páginas relevantes e retornar um resumo. Uma peculiaridade importante: a IA voltada para o usuário vê apenas o resumo, não a página inteira. Isso geralmente leva ao fenômeno em que "a IA cita uma URL, mas a página não diz exatamente isso".
A terceira camada é a pesquisa aprofundada (deep research). Todos os modelos principais (ChatGPT, Gemini, Claude) têm este modo — um processo agêntico que primeiro cria um plano de pesquisa, depois lança dezenas de consultas de busca em paralelo e decide se adiciona mais pesquisas com base nos resultados, fornecendo um relatório aprofundado com citações após vários minutos. Para tarefas complexas, como planejar uma casa mal-assombrada para o Halloween envolvendo regulamentações, segurança e decoração, a pesquisa aprofundada é dezenas de vezes mais rápida do que a navegação manual.
Decisão para as 3 camadas: use o conhecimento pré-treinado para fatos básicos; use a pesquisa na web para eventos atuais, informações locais ou consultas de nicho; use a pesquisa aprofundada para problemas complexos que exigem múltiplas fontes e comparações de vários ângulos.
Andrew Ng enfatiza uma dica sobre a qualidade da fonte: ao perguntar sobre tópicos de saúde (como peptídeos do mercado cinza), a IA usa como padrão plataformas sociais como Reddit ou Quora. A frequência de citação da IA coloca o Reddit em primeiro lugar, a Wikipedia em segundo, o YouTube em terceiro e o próprio Google em quarto. Para obter respostas confiáveis, você deve declarar explicitamente no prompt: "Use fontes autoritativas como a OMS, FDA ou EMA."
Contexto é o Novo Rei + A Ascensão dos Aplicativos de Desktop
O primeiro conceito central do Módulo 2 é o contexto. Os modelos principais atuais têm uma janela de contexto de 750.000 palavras, equivalente aos primeiros 4 ou 5 livros de Harry Potter. Andrew Ng diz que a maioria das pessoas subestima severamente quanto contexto pode dar à IA.
O contexto inclui quatro partes: o prompt do sistema (data, capacidades, instruções de ferramentas), as definições de ferramentas (como usar a pesquisa na web, etc.), seu prompt e o histórico da conversa. Tudo isso se acumula na janela de contexto para uma única inferência.
Dica Prática 1: Comece uma nova conversa ao mudar de assunto. Se você acabou de perguntar sobre seu plano de condicionamento físico e de repente pergunta sobre o da sua mãe, suas preferências no contexto antigo poluirão a nova resposta. Iniciar um novo chat para limpar o contexto é a abordagem mais limpa.
Dica Prática 2: Dar feedback durante o brainstorming é a melhor engenharia de contexto. Se você não sabe qual contexto fornecer, deixe a IA gerar primeiro de 3 a 5 opções. Olhe para elas, diga à IA o que você gosta e não gosta e por quê, e após algumas iterações, a IA entenderá seu gosto. Isso é muito mais eficiente do que tentar criar um prompt longo do zero.
A próxima evolução é o Aplicativo de Desktop de IA. Claude Cowork, Microsoft Copilot Cowork e Google Antigravity estão todos trabalhando nisso. A diferença é que esses aplicativos podem explorar agênticamente os arquivos no seu computador e ler os arquivos relevantes para o contexto conforme necessário, sem que você decida o que carregar antecipadamente.
Fluxo de trabalho padrão de três etapas: você diz o que fazer (por exemplo, organizar uma pasta bagunçada de PDFs de pesquisa), a IA fornece um plano de ação, mas não age, você revisa o plano e só então permite que ela execute. Dica de segurança: arquivos excluídos por aplicativos de desktop geralmente não vão para a lixeira, e arquivos editados não têm histórico de desfazer. É melhor não dar a ela toda a sua pasta pessoal, apenas os subdiretórios relevantes para a tarefa.
A Era do Raciocínio + Anti-Bajulação: Como Forçar o Modelo a Dizer a Verdade
A partir de 2025, a IA entrou na era dos modelos de raciocínio, capaz de gastar segundos ou minutos pensando em um problema. A pesquisa METR mostra que, entre 2024 e 2025, a duração das tarefas que a IA pode realizar cresceu de "alguns minutos para um humano" para "várias horas para um humano".
Andrew Ng observou especificamente que o velho conselho "Vamos pensar passo a passo" agora está desatualizado. Era eficaz em 2023-2024, mas não é mais necessário. Basta dizer ao modelo para "pensar muito" (think hard) ou usar a palavra-chave "ultrathink". Algumas UIs têm uma opção "pensar" que você pode apenas marcar.
O processo de raciocínio interno é um loop: receber o prompt, raciocinar por um tempo, chamar a pesquisa na web ou ferramentas de arquivo se mais informações forem necessárias, raciocinar ainda mais com as novas informações e, finalmente, gerar a resposta quando for suficiente. Casos de uso poderosos: um plano operacional para uma startup de 4 pessoas por 12 meses, planejar a rota mais rápida para 5 pontos turísticos de Roma, ou analisar vários PDFs da família para decidir qual carro comprar.
Mas um raciocínio mais forte não significa honestidade. A bajulação (sycophancy) é um dos problemas mais difíceis de resolver. Pesquisas do Washington Post mostram que o ChatGPT concorda com os usuários 10 vezes mais do que discorda, dizendo coisas como "Cara, o que você acabou de dizer é tão profundo, você está 1000% correto." Os modelos são treinados com feedback humano; os usuários dão joinha para elogios e joinha para baixo para discordância, reforçando a tendência de concordar.
4 Dicas para Combater a Bajulação:
Primeiro, faça perguntas neutras e sem viés. Mude "O trabalho remoto não é melhor?" para "Compare a produtividade do trabalho remoto vs. presencial."
Segundo, use uma rubrica para forçar um julgamento objetivo. Antes de deixar a IA olhar seu currículo ou plano de negócios, forneça um padrão de pontuação (por exemplo, Personagens 25 pts / Trama 25 pts) para forçá-la a pontuar item por item.
Terceiro, evite incorporar viés em perguntas de análise de dados. "Analise os dados para encontrar todos os indicadores de desempenho positivos" faz a IA olhar apenas para o positivo; "Analise os dados objetivamente" faz com que ela olhe para ambos os lados.
Quarto, use "liste os prós e contras de duas opções" em vez de "A não é melhor que B?" Apresentar ambas as opções impede que o modelo saiba qual você quer que vença.
Arte da Escrita: Esboço Progressivo + Rubricas Objetivas
Dados da OpenAI mostram que 24% das conversas no ChatGPT são para escrever, o maior caso de uso isolado. Dois terços disso é editar texto existente, não começar do zero. O Módulo 2 gasta muito tempo em como evitar o "AI slop".
4 Características do AI Slop: uso excessivo de travessões, palavras de alta frequência como "sutil", "aprofundar-se" e "robusto", listas de três itens e estruturas de frases vazias do tipo "não X, mas Y". Curiosamente, os humanos começaram a imitar a IA, com a palavra "aprofundar-se" aumentando significativamente em podcasts e discursos.
O remédio de Andrew Ng é o método do Esboço Progressivo (Progressive Outlining):
Passo 1: Peça à IA para gerar um esboço primeiro (sem texto do corpo).
Passo 2: Dê feedback e itere até ficar satisfeito.
Passo 3: Expanda o esboço em tópicos (bullet points).
Passo 4: Dê feedback sobre os tópicos e itere.
Passo 5: Finalmente, deixe a IA escrever o texto completo.
Por que funciona: mudar uma frase no estágio do esboço significa que uma seção inteira é reescrita, proporcionando alta alavancagem. Editar um rascunho completo escrito por IA palavra por palavra é ineficiente e geralmente deixa o sabor do "AI slop" intacto.
Uma dica avançada para edição é a Rubrica + Crítica entre Modelos. Se você pedir feedback à IA sobre seu romance de ficção científica, ela geralmente dirá "está ótimo". Dê a ela uma rubrica com subitens binários (por exemplo, "O protagonista tem um objetivo?"), e ela é forçada a ser objetiva. Pontuar primeiro e depois totalizar é muito mais confiável do que escolher uma pontuação total e depois justificá-la.
A crítica entre modelos envolve pegar um artigo escrito pelo ChatGPT e dá-lo ao Gemini para revisar, ou vice-versa. Modelos diferentes têm vieses diferentes; a revisão mútua pode pegar problemas que a autoavaliação de um único modelo perderia.
Multimodalidade + Vibe Coding: Imagens, Código e Análise de Dados
O Módulo 3 muda para a multimodalidade. Entender o gradiente de custo de geração é fundamental: texto é mais barato, fala é um pouco mais caro, imagens levam segundos e custam alguns centavos, e vídeo é o mais caro e ainda está melhorando.
Capacidades de entrada de imagem: Andrew Ng mostrou um esboço de uma CNN em um quadro branco onde sua cabeça bloqueava a palavra "convolucional", mas a IA ainda adivinhou corretamente. No entanto, o reconhecimento fino pode falhar; pedir à IA para identificar equipamentos de ginástica específicos à distância muitas vezes resulta em erros confiantes. Ela lida bem com recibos e caligrafia, mas tarefas de alto risco devem ser verificadas novamente.
A geração de imagens usa modelos de difusão, que restauram uma imagem a partir de ruído de uma só vez, levando a problemas como mãos estranhas ou personagens inconsistentes. Novos modelos como o Nano Banana corrigiram grande parte disso. Uma dica prática: se você não consegue escrever um prompt de imagem, deixe uma IA de texto escrever um para você; ela adicionará automaticamente detalhes de cena, personagem e estilo.
A aplicação mais interessante de Andrew Ng foi para o bolo de aniversário de sua filha Nova, de 7 anos. Ele usou o Nano Banana para gerar uma imagem de bolo de gato e a deu a um padeiro para criar um bolo 3D real. A IA aqui atua como um parceiro de brainstorming, não como o destino final.
Vibe Coding é a outra metade do Módulo 3. Um único prompt pode deixar a IA escrever um aplicativo web inteiro. O laboratório do curso inclui 5 exemplos: um show de fogos de artifício, um seletor de paleta de cores, um timer Pomodoro, uma calculadora de custo de refeição e um selecionador de roupas baseado no clima. Cada um é uma pequena ferramenta gerada a partir de uma única frase.
Prompt padrão de três partes para construir: declare o objetivo (o que fazer), a entrada (como o usuário interage) e a saída (o que o programa exibe).
A capacidade de código se estende à análise de dados. Carregue dados de vendas para a IA e peça para ela "criar um gráfico de quais produtos tiveram as maiores mudanças mensais de vendas". Ela chamará uma ferramenta de execução de código, escreverá Python para calcular as mudanças, identificar anomalias e plotar o gráfico. A IA pode realizar horas de análise de dados em minutos.
Conclusão
O argumento central do curso de Andrew Ng é este: a IA de 2026 não é mais o chatbot de 2022. Ela pode raciocinar por minutos, ler 750 mil palavras de contexto, pesquisar dezenas de páginas em paralelo e lidar com imagens, código e dados. No entanto, a maioria das pessoas ainda a usa com métodos de 2022 (prompts curtos e perguntas no estilo Google), então elas só obtêm resultados de nível 2022.
Atualize seu uso com 4 ações de alto ROI: forneça contexto amplo, use rubricas/perguntas neutras para evitar bajulação, use esboço progressivo para escrever e use "ultrathink" para tarefas complexas.
Link do curso completo: learn.deeplearning.ai/courses/ai-prompting-for-everyone (Gratuito no DeepLearning.AI, 21 aulas, ~2 horas para concluir).
