O que mudou esta semana
O cenário da IA avançou rápido esta semana. Aqui estão seis novidades que importam se você escreve prompts para viver, ou só quer resultados melhores dos modelos de IA.
1. O GPT-5.4 é o novo padrão
A OpenAI aposentou o GPT-5.1 em 11 de março e migrou os usuários para o GPT-5.4. O novo modelo favorece prompts estruturados: pense em esquemas JSON, scaffolding XML e o framework CTCO (Context, Task, Constraints, Output) em vez de uma linguagem conversacional.
O que fazer: Fixe seus aplicativos de produção em snapshots específicos do modelo. Se você depende de saídas estruturadas como SQL ou JSON, o GPT-5.4 pode gerá-las diretamente sem wrappers de markdown. Basta pedir.
2. O Claude 4.6 introduz o parâmetro de esforço
O Claude Opus 4.6 e o Sonnet 4.6 da Anthropic agora vêm com raciocínio adaptativo: o modelo decide quando e com que profundidade raciocinar. Mas há uma pegadinha: o Sonnet 4.6 usa esforço alto por padrão, o que pode disparar a latência se você estiver migrando do Sonnet 4.5 sem ajustar as configurações.
O que fazer: Defina o parâmetro de esforço explicitamente. Use esforço alto para tarefas de raciocínio complexas e reduza para tarefas mais simples em que a velocidade importa mais.
3. GEPA: uma forma melhor de otimizar prompts automaticamente
O GEPA (Genetic-Pareto Reflective Prompt Evolution) foi aceito como apresentação oral na ICLR 2026. É um otimizador evolutivo de prompts que dobra os ganhos do MIPROv2 (o melhor método anterior) usando muito menos recursos computacionais do que as alternativas de aprendizado por reforço.
O que fazer: Se você usa o DSPy, experimente o dspy.GEPA como seu primeiro otimizador. Funciona melhor quando você tem métricas de qualidade mensuráveis para otimizar.
4. A engenharia de contexto agora é uma disciplina real
A mudança da engenharia de prompts para a engenharia de contexto já não é só um modismo. Boas práticas concretas agora estão documentadas em toda a indústria:
- A recuperação just-in-time supera encher todo o seu prompt com a base de conhecimento inteira. Identifique a intenção primeiro, depois busque só o que é relevante.
- Mantenha as seleções de ferramentas abaixo de 30. Aplicar RAG às descrições de ferramentas gera uma precisão de seleção de ferramentas 3 vezes melhor.
- Preste atenção a onde você coloca informações críticas. Os modelos mostram uma curva de atenção em formato de U: a precisão cai mais de 30% para informações enterradas no meio de contextos longos. Coloque o que é importante no início ou no fim.
5. A orquestração multiagente se torna mainstream
Sistemas multiagente já não são experimentais. Papéis de agente especializados (Planner, Implementer, Tester, Reviewer) trabalhando em equipes coordenadas agora são a arquitetura padrão para sistemas de IA em produção. O MCP (Model Context Protocol) ultrapassou 10.000 servidores públicos ativos e é suportado por ChatGPT, Cursor, Gemini e VS Code.
O que fazer: Se você está construindo com agentes, foque em definições de papéis claras e protocolos de transferência entre agentes, em vez de amontoar instruções detalhadas em cada um.
6. Os modelos de pesos abertos estão diminuindo a diferença
O Llama 4 é lançado em configurações de até 128x17B parâmetros com raciocínio forte. O Mistral Small 3.2 atinge 92,9% no HumanEval Plus rodando 3 vezes mais rápido que o Llama 3.3 70B. Para a maioria dos casos de uso empresariais, um bom prompting com exemplos few-shot em modelos de pesos abertos já resolve o trabalho sem a necessidade de fine-tuning.
A conclusão
O tema em comum entre as seis novidades é o mesmo: estrutura vence criatividade. Seja com prompts estruturados para o GPT-5.4, configurações explícitas de esforço para o Claude 4.6, ou papéis de agente bem definidos em sistemas multiagente, os modelos estão cada vez melhores em seguir instruções claras, e os melhores resultados vêm de dar a eles exatamente isso.