A entrega do agente EMBAIXADOR
O problema inicial
As Subhomes do iFood , Promoções, Hits, Turbo e Gourmet recebem diariamente uma demanda alta de copies para banners, headlines e seções de destaque. Cada uma dessas frentes tem regras técnicas próprias de tom, linguagem e restrições editoriais.
Com uma equipe pequena de Content Design e ciclos de produção curtos, manter a consistência em escala era um desafio crescente. A solução não era contratar mais pessoas, era construir um assistente que incorporasse o know-how editorial e conseguisse operar com a mesma qualidade de um especialista.
O Embaixador nasceu disso: um agente de IA desenvolvido com lógica de Prompt Engineering estruturado, capaz de gerar copies com regras técnicas, adaptar o tom por público-alvo e ensinar boas práticas quando consultado, tudo sem precisar de um briefing completo a cada uso.
Desafios antes do agente
Inconsistência de linguagem entre frentes Cada pessoa da equipe gerava copies com vocabulário diferente para a mesma vertical, o que criava ruído na experiência do usuário dentro do app.
Uso genérico de palavras Alguns copies eram genéricos, perdendo a especificidade que aumenta CTR e relevância percebida pelo usuário.
Ausência de adaptação por público Copies para usuários churn, às vezes, eram iguais aos de usuários ativos, sem diferenciação de gatilho emocional, tom ou estratégia de reengajamento.
Retrabalho constante nas revisões Sem um checklist claro de validação, copies chegavam ao refinamento com erros recorrentes: adjetivos genéricos ("delicioso", "gostoso"), personalização excessiva para público geral e estruturas que escapavam do tom da subhome.
A arquitetura do PROMPT por dentro
O modelo de prompt OCANES é um acrônimo que estrutura as cinco camadas do prompt. Cada letra corresponde a uma responsabilidade distinta, como se fossem módulos de um sistema editorial.
Define quem o assistente é e o que ele deve fazer. A persona é explícita: um especialista em UX Writing e Copywriting do iFood, com foco exclusivo nas Subhomes.
A missão é dual: Modo Geração (criar copies otimizados) e Modo Consulta (ensinar regras e boas práticas com exemplos comparativos). Essa separação garante que o assistente saiba quando executar e quando explicar, sem misturar os dois.
Mapeia os quatro tipos de conteúdo das Subhomes (Promoções, Hits, Turbo e Gourmet), com as regras específicas de cada um: tom de voz, vocabulário permitido, estrutura preferida e características do público.
Também define linguagem neutra de gênero como padrão absoluto em todas as frentes, uma decisão editorial de inclusão que precisa ser automática, não opcional.
Descreve o passo a passo operacional do assistente: coletar as 5 informações obrigatórias, identificar o público-alvo, planejar especificidade antes de gerar, adaptar ao segmento e revisar linha por linha antes de enviar.
A etapa de coleta obrigatória evita que o assistente gere copies sem contexto suficiente, um erro comum em uso de IA sem estrutura que resulta em outputs genéricos e inutilizáveis.
Toda boa prática é ensinada com um contra-exemplo explícito. O prompt não apenas diz o que fazer, ele mostra o que evitar, com o mesmo briefing aplicado de duas formas distintas.
Essa camada foi essencial para treinar o assistente a reconhecer padrões ruins antes de gerar, e não apenas após a revisão. A lógica é de prevenção, não de correção.
Define o formato de entrega (sempre 3 opções com justificativas) e o checklist de validação que o assistente deve aplicar internamente antes de enviar qualquer resposta.
O checklist é organizado em 5 passos: validar coleta, identificar contexto, verificar especificidade universal, adaptar ao público e eliminar palavras genéricas. Se qualquer linha falhar, o assistente deve refazer antes de enviar, nunca externalizar o erro para o usuário corrigir.
Como o público muda o conteúdo
Uma das camadas mais refinadas do prompt OCANES é a adaptação por segmento de público. O mesmo desconto de 50% exige linguagem completamente diferente dependendo de com quem o app está falando.
Público: Novos Tom convidativo, sem pressão. Uso da palavra "primeiro" como marco positivo. Foco na descoberta, não na urgência. A cópia apresenta possibilidades, não cobra ação.
Público: Ativos Personalização explícita é bem-vinda: "seus favoritos", "que você ama", "que você sempre pede". O vínculo com o histórico do usuário reforça pertencimento e recompensa a lealdade.
Público: Churn Memória afetiva, não culpa. Termos como "aqueles pratos" e "experimenta de novo" resgatam um vínculo emocional. Proibido usar a palavra "volta", pois ela cria atrito ao soar como cobrança.
Público: Todos Menos personalização, mais benefício direto. Troca "seus favoritos" por "pratos selecionados", "que você ama" por "que valem a pena". Inclusivo e acessível para qualquer perfil.
Da v1 à v8.3: como o prompt evoluiu
Cada versão do OCANES foi uma resposta a um problema concreto encontrado em uso real. O processo não foi teórico, foi iterativo, como qualquer produto.
Por que o OCANES funciona
Checklist interno antes do output O assistente valida internamente cada resposta antes de enviar. Isso evita que o erro chegue até o usuário, pois o controle de qualidade é embutido no processo, não terceirizado para revisão humana.
Fluxo de escape para contextos não mapeados O prompt prevê situações fora do escopo das 4 subhomes. Em vez de inventar uma resposta, o assistente sinaliza que o contexto não está mapeado e pede mais informações, reduzindo alucinações e outputs inúteis.
Modo dual: geração vs. consulta A separação explícita entre "gerar copies" e "ensinar regras" evita que o assistente misture os dois modos e produza outputs híbridos, nem copy pronto nem explicação didática. Cada modo tem comportamentos distintos.
Proibições explícitas com contexto Cada restrição de vocabulário vem acompanhada do motivo. "Não use 'volta' para Churn porque soa como cobrança." Isso treina o assistente a entender a lógica, não apenas memorizar a regra, gerando melhor generalização para casos edge.
Coleta obrigatória antes da geração Sem as 5 informações do briefing (subhome, tipo de conteúdo, oferta, público e canal), o assistente não gera nada. Essa etapa de fricção intencional garante contexto suficiente e elimina o output genérico por falta de dado.
Exemplos comparativos como regra de treinamento Cada boa prática tem um contra-exemplo com o mesmo briefing. Isso ensina o modelo a reconhecer o padrão errado antes de gerá-lo, prevenção e não correção. Técnica central de Prompt Engineering para reduzir erros recorrentes.
O que este projeto ensina sobre Prompt Engineering
Prompt é produto: precisa de versioning Da mesma forma que um produto de software evolui por releases, o OCANES foi versionado com histórico das mudanças e motivo de cada alteração. Sem essa disciplina, as versões se perdem e o aprendizado vai junto.
Regras genéricas geram outputs genéricos "Use um tom amigável" não funciona. "Use 'pratos top' no lugar de 'restaurantes' na linha de suporte de banners Hits" funciona. Especificidade no prompt gera especificidade no output, a relação é direta.
O assistente de IA aprende pelo contraste Mostrar o que é errado tem mais impacto do que descrever o que é certo. Os exemplos "bom vs. ruim" foram a parte mais eficaz do prompt para eliminar padrões ruins sem precisar de reforço constante.
A qualidade de um assistente de IA reflete a qualidade do briefing O OCANES só consegue gerar copies consistentes porque o prompt força a coleta de contexto antes de qualquer geração. Um assistente sem essa etapa vai produzir o output mais provável, não o mais útil.