Em uma palestra de engenharia recente, Tariq Shihipar, membro da equipe técnica da Anthropic, confirmou algo que teria soado como heresia dezoito meses atrás: a empresa apagou 80% dos system prompts do Claude Code. O motivo não foi qualidade. Os prompts não estavam quebrados, e os usuários não estavam reclamando. O motivo foi que o novo modelo Fable 5 simplesmente os havia superado — nas palavras de Shihipar, o modelo é “realmente mais imaginativo do que os exemplos que damos a ele”, então os exemplos haviam se transformado, silenciosamente, em restrições.
Essa única exclusão é o sinal mais claro até agora de que a engenharia de prompts, a habilidade definidora da primeira geração da IA aplicada, está entrando em seu crepúsculo. O ofício não vai desaparecer da noite para o dia, mas a curva de valor já atingiu o pico. O que substituiu a antiga certeza é uma nova regra que todo construtor precisa internalizar: à medida que a capacidade dos modelos sobe, o retorno marginal das instruções cai — e, passado certo ponto, as instruções passam a custar mais do que entregam.
O Momento em Que os Exemplos Viraram Algemas
Por dois anos, a resposta da indústria a toda deficiência dos modelos foi a mesma: escrever mais prompt. O modelo não sabe como seu projeto está organizado? Escreva um AGENTS.md. O modelo está usando mal uma ferramenta? Estenda a descrição da ferramenta. O modelo está passivo demais? Adicione incentivos comportamentais. O modelo está se desviando? Prenda mais uma restrição no system prompt. Cada acréscimo tinha uma razão defensável, e é exatamente por isso que a pilha não parava de crescer.
A pilha funcionava — até que deixou de funcionar. Quando os modelos eram fracos, a qualidade do prompt determinava diretamente a qualidade da saída; um system prompt bem ajustado podia elevar o desempenho do mesmo modelo em 30%. A Cursor construiu sua vantagem inicial exatamente sobre isso, rodando extensivos testes A/B em system prompts ajustados por modelo e medindo ganhos de benchmark de 10 a 30%. Mas cada um desses ativos meticulosamente ajustados estava indexado a uma geração específica de modelo. Quando o modelo avançava, o ajuste se invertia: o prompt que maximizava o modelo do ano passado virava um teto para o deste ano.
O Fable 5 tornou essa inversão inegável. Quando o comportamento nativo de um modelo excede a imaginação de suas instruções escritas, as instruções param de guiar e começam a prender. Os engenheiros da Anthropic fizeram a coisa rara — perceberam e apagaram.
Dívida de Prompt: O Passivo que Ninguém Audita
O system prompt do Claude Code conta a história em números. Com todas as ferramentas e funcionalidades incluídas, ele já chegou a 65.000 tokens; mesmo com a maioria das funcionalidades desativadas, ainda carregava 12.000. Antes de o modelo escrever uma linha de código, ele já carregava um manual de instruções. Para comparação, o Pi, um agente de código leve, inicializa com menos de mil tokens de contexto — não porque precise de menos instruções, mas porque deliberadamente se apoia na capacidade do modelo em vez de regras escritas.
A dívida de prompt é mais perigosa que a dívida de código porque nunca se anuncia. Código podre aparece por meio de testes que falham, funcionalidades quebradas e relatórios de bugs. Prompts podres degradam o modelo em silêncio. Os usuários relatam que o produto “parece menos inteligente ultimamente”, e as equipes respondem ajustando parâmetros de inferência ou culpando o provedor do modelo, quando o defeito real é um system prompt que não corresponde mais ao modelo que serve. Não existe linter para instruções obsoletas, nem suíte de testes que falhe quando um prompt sobrevive à sua geração de modelo. O passivo fica invisível no balanço até que alguém o audite — e quase ninguém audita prompts.
Os 80% apagados pela Anthropic merecem ser lidos como a primeira baixa proeminente de dívida de prompt nesta indústria. Não será a última.
Três Eras do Prompting: Remendar, Poda, Soltar
Se dermos um passo atrás, os últimos três anos da prática de prompting se dividem em três eras distintas.
Modo remendo, aproximadamente de 2023 a 2024. Os modelos eram fracos e imprevisíveis, então os prompts funcionavam como remendos comportamentais. Cada peculiaridade ganhava uma regra, cada regra gerava uma exceção, e os system prompts cresciam em depósitos estratificados de correções acumuladas. O ofício era real, os ganhos eram reais, e a dívida se acumulava despercebida por baixo.
Modo poda, de 2024 a 2025. Os modelos ficaram competentes o suficiente para que os praticantes percebessem retornos decrescentes da verbosidade. A cultura de testes A/B da Cursor se espalhou; as equipes começaram a perguntar quais instruções eram realmente essenciais e quais eram mantas de segurança psicológicas. A pergunta da era mudou de “como faço o modelo obedecer” para “quais das minhas palavras ainda justificam seus tokens”.
Modo soltar, de 2025 em diante. Os modelos ficaram capazes o suficiente para que as instruções funcionem melhor como direção do que como prescrição. Você especifica o objetivo e as restrições que importam; o modelo preenche todo o resto, frequentemente melhor do que seus exemplos fariam. A exclusão feita no Fable 5 é o artefato fundador dessa era. A habilidade prática não é mais codificar procedimentos — é expressar a intenção com tanta precisão que o próprio julgamento do modelo pode assumir.
O fio condutor das três eras: o valor de um prompt migra do controle preciso em direção ao alinhamento de intenção. Você para de ensinar ao modelo como fazer seu trabalho e começa a dizer a ele, com clareza crescente, qual é o trabalho.
O Mercado Já Votou
Se a engenharia de prompts ainda estivesse se valorizando, você não veria o comportamento que o mercado está exibindo. A OpenAI comprime o raciocínio interno de seus modelos em taquigrafia tersa porque cada token de raciocínio economizado se multiplica por toda a cadeia de execução de um agente — seu Codex 5.5 obteve pontuações de benchmark mais altas que o Claude Opus 4.8 consumindo cerca de 20.000 tokens contra os 50.000 do Opus. Empresas que antes incentivavam uso ilimitado agora impõem limites rígidos; a Uber limita cada engenheiro a US$ 1.500 em tokens mensalmente, e Amazon, Adobe, Atlassian e Citigroup já apertaram os controles de gastos com IA. E um plugin chamado Caveman — que reduz a saída do modelo a uma tersura cavernícola — viralizou ao cortar tokens de saída em 65 a 75%, rendendo uma contribuição de código de um diretor de engenharia da OpenAI pelo caminho.
Cada um desses pontos de dados repricing o mesmo ativo: palavras. Quando o mercado começa a cobrar dinheiro real por linguagem supérflua, uma disciplina construída sobre o acúmulo de linguagem está estruturalmente em retirada. A economia por trás dessa mudança mereceria uma análise própria, mas a direção não está em disputa — a verbosidade que elevava pontuações de benchmark em 2024 agora eleva faturas em 2026.
O Que Isso Significa para Quatro Papéis
Se você constrói ferramentas de IA: pare de entregar competitividade como texto de prompt. Tudo o que seu produto alcança por meio de instruções cuidadosamente empilhadas pode ser apagado ou invertido por uma atualização de modelo. Coloque seu esforço de engenharia onde ele se acumula — seleção de modelos, arquitetura, gestão de contexto e governança de custos — e trate cada prompt que você envia como dívida técnica com vencimento atrelado ao próximo lançamento de modelo.
Se você é um usuário pesado de IA: seu instinto de adicionar instruções agora está te custando. Audite seus arquivos CLAUDE.md, configurações de agentes e descrições de ferramentas, e separe o necessário do que foi adicionado “por precaução”. Depois, faça você mesmo o experimento de exclusão: enxugue seus prompts agressivamente e meça. Como a Anthropic, você provavelmente descobrirá que o modelo precisa de muito menos andaimes do que você construiu — e, em vários pontos, seu andaime é justamente o que está segurando o modelo.
Se você toma decisões em uma empresa: não responda às contas crescentes de IA com proibições brutas de uso; responda com estrutura. Crie níveis de modelos para que tarefas rotineiras rodem em inferência barata, estabeleça orçamentos que tornem o consumo de tokens visível e — o mais importante — exija dos prompts a mesma disciplina de ciclo de vida que você aplica ao código: propriedade, revisão e aposentadoria programada. O limite de US$ 1.500 da Uber não é o destino final; é o primeiro instrumento grosseiro do que se tornará uma pilha padrão de governança.
Se você é engenheiro de prompts: o título não está condenado, mas a descrição do cargo se inverteu. As pessoas recompensadas nesta era não serão as que escrevem as instruções mais longas, mas as que escrevem as mais enxutas — praticantes capazes de expressar a intenção com tanta precisão que o modelo não precisa de mais nada, e que sabem qual vinte por cento do prompt antigo estava fazendo o trabalho. O melhor engenheiro de prompts é cada vez mais aquele cujos prompts são invisíveis.
A Anthropic apagou 80% de seus prompts e o produto ficou melhor. Em algum lugar dessa frase está toda a trajetória deste campo: o andaime sempre foi temporário, e os modelos finalmente o superaram.
