Relatório de Qualidade de Prompts: O Que 1.000 Prompts Avaliados Revelam (2026)

Este é o Relatório de Qualidade de Prompts do PromptEval. Mais de 1.000 prompts reais já foram avaliados no PromptEval, enviados por usuários reais em casos de uso que vão de suporte ao cliente a saúde e programação. Cada um foi avaliado de 0 a 100 em quatro dimensões estruturais: clareza, especificidade, estrutura e robustez. Todo número abaixo vem desse conjunto. Nenhum texto de prompt é armazenado; a análise é anônima e agregada.

Só 8% dos mais de 1.000 prompts avaliados chegaram a "bom" (75 ou mais). Menos de 1% chegaram a "excelente".Fonte: Relatório de Qualidade de Prompts do PromptEval, 2026

Como as notas se distribuem

Veja como as notas se distribuem no conjunto. A barra do "bom" é 75, o ponto em que um prompt é claro, específico e aguenta variação.

Cerca de 92% dos prompts nunca chegam a "bom", e quase nenhum chega a "excelente". Isso inclui prompts de gente que claramente domina as ferramentas. A diferença não é talento. São algumas peças faltando que se repetem.

O que separa um prompt bom de um ruim

Para cada elemento estrutural, comparamos a nota média dos prompts que o tinham contra os que não tinham. São médias do conjunto, não um experimento controlado, então leia como correlação. Mas as diferenças foram grandes e consistentes.

Prompts que definem o formato de saída tiram, em média, 27 pontos a mais do que os que não definem (58 contra 31). É o indicador isolado mais forte dos dados.Fonte: Relatório de Qualidade de Prompts do PromptEval, 2026

A ordem importa. A maior diferença por larga margem é não dizer ao modelo qual formato a resposta deve ter. Foi também o elemento mais pulado de todo o conjunto. Isso bate com o que os principais guias de prompt dizem há anos: Anthropic e OpenAI defendem definir o formato de saída, dar um papel ao modelo e mostrar exemplos, e o few-shot está documentado desde o paper do GPT-3 (Brown et al., 2020). O que os dados acrescentam é o preço de cada um.

O ponto fraco universal: robustez

No conjunto inteiro, uma dimensão saiu fraca com muito mais frequência que as outras três. Em 9 de cada 10 prompts, a menor das quatro notas era a robustez: como o prompt lida com input ruim, ambíguo ou inesperado.

Em 9 de cada 10 prompts avaliados, a robustez era a mais fraca das quatro dimensões.Fonte: Relatório de Qualidade de Prompts do PromptEval, 2026

Quase ninguém escreve a linha "se o input não trouxer a pergunta de fato, faça uma pergunta de esclarecimento em vez de adivinhar". Aí o prompt funciona na demonstração e desmorona na primeira vez que um usuário real cola algo bagunçado. Se quiser o detalhamento completo dessa falha, cobrimos robustez e edge cases aqui.

Prompts curtos quase nunca vencem

Tamanho não é virtude por si só, mas o dado é direto sobre o piso.

A nota sobe de forma constante com o tamanho, não porque encher ajuda, mas porque você não consegue encaixar um formato definido, algumas restrições e um exemplo em uma frase. Um prompt de uma linha tirou 27 de média, na faixa de reprovado.

Algumas áreas escrevem prompts melhores que outras

Quebrando por caso de uso, o padrão é revelador. Áreas em que uma resposta errada tem custo real escreveram os prompts mais cuidadosos.

Prompts de marketing e criativos tiraram as menores notas, quase sempre porque se apoiam em palavras de qualidade vagas como "envolvente" ou "impactante" em vez de um formato concreto. O modelo não consegue otimizar contra uma vibe.

Antes e depois, com a nota

Aqui vai um prompt fraco e o mesmo pedido reconstruído com as alavancas acima. O salto mostra de onde vieram os pontos.

Antes (nota 34): "Escreva uma resposta de suporte para esta mensagem do cliente." Sem papel, sem formato, sem restrições e sem tratamento para uma mensagem que não é de fato um pedido de suporte.

Depois (nota 78): "Você é um agente de suporte de um produto SaaS. Dada uma mensagem, responda em 2 a 3 frases, cordial e específico, e nunca prometa reembolso ou prazo. Se a mensagem não for um pedido de suporte, responda apenas com: 'Pode me dizer com o que você precisa de ajuda?'"

Mesma tarefa. O papel, o formato ("2 a 3 frases"), a restrição ("nunca prometa reembolso") e a regra de edge case juntos subiram 44 pontos, de reprovado para bom.

O que os dados significam para seus prompts

Levando o dado a sério, a maioria dos prompts fracos sobe uma faixa com quatro adições:

• Formato: diga a forma exata da resposta (tamanho, estrutura, campos). O que mais vale.
• Restrições: uma ou duas regras de "não faça" que cercam os jeitos de dar errado.
• Papel: uma linha dizendo ao modelo quem ele é e para quê.
• Edge case: o que fazer quando o input é ruim ou está faltando. A linha que ninguém escreve.

Você não precisa adivinhar se o seu prompt tem esses quatro. Cole ele no avaliador gratuito do PromptEval e recebe uma nota de 0 a 100 nas quatro dimensões, com as lacunas apontadas. Três checagens por mês, sem cartão. É o jeito mais rápido de ver qual dos quatro está faltando antes que custe um output ruim. Para o método por trás da nota, este guia mostra como avaliar a qualidade de um prompt, e este explica as quatro dimensões.

Perguntas frequentes

Qual é o erro mais comum em prompts de IA?

Deixar o formato de saída indefinido. Nos nossos dados de mais de 1.000 prompts, os que especificavam o formato tiraram em média 58 contra 31 sem ele, a maior diferença de qualquer elemento isolado.

Por que meus prompts funcionam no teste mas falham com input real?

Porque a maioria não tem regra para input ruim ou ambíguo. Em 9 de cada 10 prompts que avaliamos, a robustez era a dimensão mais fraca. Funciona com o input limpo da demonstração e quebra no primeiro real bagunçado.

Prompts mais longos funcionam melhor?

Em média sim, mas não porque o tamanho ajuda. Prompts com menos de 200 caracteres tiraram 27; acima de 2.000, tiraram 67. Um bom prompt precisa de espaço para formato, restrições e um exemplo.

Como sei se o meu prompt é bom?

Avalie contra as quatro dimensões estruturais: clareza, especificidade, estrutura e robustez. Um prompt que define o formato, coloca restrições, atribui um papel e trata edge cases fica na faixa boa. Só cerca de 8% dos que avaliamos chegaram lá.