50 prompts ChatGPT para Google Ads: templates JSON

Nos testes blind comparativos que conduzimos continuamente nas contas observadas nos benchmarks públicos em 2026 — dados Google Ads agregados — aplicados aos LLMs principais (GPT-5, Claude Opus 4.7, Gemini 2.5 Pro), um prompt em prosa ingênuo do tipo « escreva 15 headlines RSA para CRM B2B » produz 40 a 55% de output diretamente utilizável — o resto para corrigir ou descartar por redundância, fora de tema, estouro de caracteres, ou alucinações sobre features inexistentes. Conforme as verticais testadas, o gap se situa entre 28% (verticais técnicas B2B onde a IA mais alucina) e 67% (verticais B2C grande público onde a linguagem é mais padronizada). O mesmo caso em prompt JSON estruturado com constraints character_max, theme_distribution, excluded_terms, format_output sobe para 75 a 88% de output aproveitável. O ganho não está na qualidade do modelo — está na precisão das constraints. Um LLM 2026 segue constraints JSON drasticamente melhor que constraints em prosa. ChatGPT não é mágico no Google Ads; estruturado, ele se torna produtivo.

Este artigo entrega 30 prompts JSON agrupados por caso de uso: 6 RSA generation, 5 negativos discovery, 4 auditoria narrativa, 5 reporting executivo, 5 otimização tática, mais 5 bônus anexos. Todos testados em contas reais e calibrados nos 3 LLMs principais de 2026. Para a redação RSA pura, veja nosso método de redação RSA. Para a auditoria completa de uma conta, nossa checklist de auditoria Google Ads. E para o reporting de clientes, nosso guia reporting 10 KPIs. Nosso calculador CTR gratuito compara sua taxa de cliques às medianas do Brasil 2026 por vertical.

Por que prompts JSON estruturados (vs prosa)

Um prompt JSON estruturado é um prompt formatado em JSON com chaves explícitas para o role do modelo, o contexto de negócio, as constraints (character count, exclusões, format output), os exemplos few-shot e as instruções de validação. Comparado a um prompt em prosa em linguagem natural, ele força o modelo a seguir regras verificáveis — o que é muito mais robusto nos LLMs 2026, otimizados para seguir estruturas formalizadas via seu fine-tuning RLHF.

Diferenças observadas em blind test sobre 200 prompts pareados (RSA, negativos, auditoria):

Os 6 componentes críticos de um prompt JSON Google Ads:

• role — quem é o modelo ("Você é um especialista senior em Google Ads"). Define o tom e a profundidade.
• context — dados de negócio da conta (vertical, ICP, budget, objetivos). Curto mas preciso, sem prosa vaga.
• task — a missão específica com verbo de ação.
• constraints — regras duras (character count, formato, exclusões). É aqui que a mágica opera.
• examples (opcional) — 2 a 4 exemplos few-shot do estilo esperado. Aumenta a qualidade em 15-25%.
• output_format — JSON, markdown, CSV. Impor o formato facilita o parsing automatizado.

Referência oficial para ir mais longe: a documentação de prompt engineering da OpenAI em platform.openai.com, o guia Anthropic em docs.anthropic.com e a documentação Google AI Studio em ai.google.dev. Os três convergem sobre o valor dos prompts estruturados — JSON ou XML — vs prosa livre.

O gap de output aproveitável (40-55% vs 75-88%) não vem de uma diferença de modelo ou de capacidade bruta do LLM. É o mesmo GPT-5, o mesmo Claude Opus 4.7, o mesmo Gemini 2.5 Pro que produzem os dois resultados. A variável explicativa é a estrutura formal das constraints. Um LLM 2026 foi fine-tuned por RLHF em milhões de exemplos de estruturas formais (JSON, XML, function calling, tool use). Quando você fornece uma lista de constraints em prosa livre, ele as interpreta com variância importante. Quando você fornece as mesmas constraints em JSON, ele as trata como um schema a validar — e a taxa de cumprimento sobe mecanicamente. É uma propriedade emergente do training pós-2024, não uma mágica de prompt.

RSA generation: 6 prompts por formato

A geração de RSA é o caso de uso N1 onde a IA faz economizar tempo mensurável. A chave: não pedir "escreva 15 headlines", mas impor uma matriz temática rigorosa (cf. método RSA) com character count, distribuição temática e exclusões de termos.

O formato Responsive Search Ad combina até 15 títulos e 4 descrições que o Google permuta dinamicamente na exibição. A máquina de aprendizado do Google Ads otimiza as combinações título/descrição conforme o usuário, a consulta e o contexto de leilão — mas ela só pode fazê-lo corretamente se receber variedade temática suficiente. Nos dados Google Ads agregados 2025-2026, as RSAs com menos de 10 títulos ou com diversidade temática pobre (3 temas ou menos dos 7 esperados) limitam seu Ad Strength a "Average" e seu CTR abaixo da mediana da vertical. Os seis prompts abaixo visam automatizar a produção preservando a diversidade temática — chave do Quality Score no Search.

Prompt 1 — RSA Search padrão 15 headlines + 4 descrições

{
  "role": "Voce e um copywriter Google Ads senior, lusofono, expert RSA.",
  "context": {
    "vertical": "SaaS B2B CRM",
    "icp": "PMEs 20-200 funcionarios, setor servicos",
    "differentiadores": ["LGPD compliant", "Sem fidelidade", "Made in Brazil"],
    "competitors": ["HubSpot", "Pipedrive", "Salesforce Essentials"],
    "ton": "profissional direto, factual, evidence-based"
  },
  "task": "Gere 15 headlines RSA e 4 descricoes para ad group 'CRM B2B PME'.",
  "constraints": {
    "headline_max_chars": 30,
    "description_max_chars": 90,
    "theme_distribution": {
      "keyword_principal": 3,
      "beneficios_numeros": 3,
      "proof_points": 2,
      "cta_direct": 2,
      "oferta_urgencia": 2,
      "diferenciacao": 2,
      "brand_solo": 1
    },
    "no_repetition_keyword_exact": true,
    "no_external_benchmarks": true,
    "include_keyword_in_3_headlines": "CRM B2B"
  },
  "examples_few_shot": [
    {"headline": "CRM B2B PME · Demo 15 min", "theme": "keyword_cta"},
    {"headline": "Ganhe 8h/semana em 2026", "theme": "beneficio_numero"}
  ],
  "output_format": "JSON array com keys: headline, theme, char_count"
}

Prompt 2 — RSA Display assets simplificados

{
  "role": "Copywriter Display Google Ads.",
  "task": "Gere 8 headlines (30 char max) e 4 descricoes (90 char max) para campanha Display retargeting cart abandonners.",
  "context": {
    "vertical": "E-commerce moda feminina",
    "audience": "Cart abandonners ultimos 7 dias",
    "incentive": "-15% codigo WELCOME15",
    "deadline": "48h"
  },
  "constraints": {
    "tone": "urgencia sem pressao abusiva",
    "headline_themes": ["incentive", "deadline", "produto_esquecido", "social_proof"],
    "no_caps_lock": true,
    "no_emojis": true
  },
  "output_format": "JSON object com arrays headlines e descriptions"
}

Prompt 3 — RSA PMax asset group completo

{
  "role": "PMax asset group designer.",
  "task": "Gere asset group completo para PMax campanha 'Sneakers Premium Homens'.",
  "constraints": {
    "headlines_short": {"count": 5, "max_chars": 30},
    "headlines_long": {"count": 5, "max_chars": 90},
    "descriptions": {"count": 5, "max_chars": 90},
    "callouts": {"count": 4, "max_chars": 25},
    "structured_snippets": {"count": 3, "header": "brands", "values_max": 4},
    "image_brief": "5 prompts para gerar imagens via DALL-E ou Midjourney: produto lifestyle, close-up detalhe, video 6s loop, square 1:1, 9:16 vertical"
  },
  "context": {
    "vertical": "E-commerce sneakers premium",
    "price_range": "R$900-2.500",
    "audience": "Homens 25-45 urbanos, premium-conscious"
  },
  "output_format": "JSON object estruturado por asset type"
}

Prompt 4 — RSA brand defense (concorrente biddando na sua marca)

{
  "role": "Brand defense PPC strategist.",
  "task": "Gere 15 headlines RSA para campanha Brand Defense — um concorrente esta biddando no nosso nome de marca.",
  "context": {
    "brand_name": "AcmeCRM",
    "competitor_name": "RivalCRM",
    "differentiadores_vs_competitor": ["10 anos mais antigo", "Nota 4.8/5", "Suporte BR 7d/7"]
  },
  "constraints": {
    "headline_max_chars": 30,
    "include_brand_in_5_headlines_minimum": true,
    "tone": "confiante sem agressivo (sem bashing direto)",
    "implicit_comparison": true,
    "no_competitor_name_mention": true
  },
  "output_format": "JSON array com headline, theme, brand_present"
}

Prompt 5 — RSA variação sazonal

{
  "role": "Seasonal campaign copywriter.",
  "task": "Adapte RSA existente em versao Black Friday.",
  "input_existing_rsa": "[Cole aqui os 15 headlines atuais]",
  "constraints": {
    "preserve_brand_voice": true,
    "preserve_3_brand_headlines": true,
    "remplacer_oferta_urgencia_por": "Black Friday -40% ate 30 nov",
    "remplacer_proof_por": "Best-sellers do ano 2026",
    "adicionar_contador_urgencia": "Faltam X dias"
  },
  "output_format": "JSON com original + nova versao side-by-side"
}

Prompt 6 — RSA multi-idioma coerência brand voice

{
  "role": "Multilingual copywriter EN/PT/ES/FR.",
  "task": "Adapte a RSA seguinte em 4 idiomas preservando a matriz tematica e o tom brand.",
  "input_rsa_pt": "[Cole aqui os 15 headlines PT + 4 desc]",
  "constraints": {
    "no_literal_translation": true,
    "preserve_theme_distribution": true,
    "preserve_proof_points_numeros": true,
    "adapt_idiomas_local": true,
    "respect_char_count_per_language": {
      "PT": 30, "EN": 30, "ES": 30, "FR": 30
    },
    "warn_if_translation_doesnt_fit_char_count": true
  },
  "output_format": "JSON object com key por locale"
}

Para esses 6 prompts, o ganho de tempo observado conforme os benchmarks públicos que acompanhamos: produção inicial 45-60 min vs 2-3h em humano puro, com depois 15-20 min de edição humana para calibrar mensagem-mercado. ROI de produtividade confirmado em ad groups padronizados (e-com mass market, lead gen volume); benefício marginal em ad groups estratégicos (brand premium, B2B nicho).

Um ponto de vigilância operacional: a brand voice não se aprende a um LLM em um único prompt. Para alcançar uma coerência durável em um volume de RSAs (tipicamente 50 a 200 por mês em uma conta mid-market), é preciso ou constituir uma biblioteca de 8 a 12 exemplos few-shot representativos e injetá-los sistematicamente no bloco examples_few_shot, ou usar o sistema Projects do ChatGPT (ou Claude Projects) para armazenar um brief de brand voice compartilhado entre todos os prompts. Nas contas observadas nos benchmarks públicos do Google Ads, a segunda abordagem reduz a variância de tom entre RSAs na ordem de 60-70% em comparação com prompts isolados. Ela implica porém uma disciplina de governança: a atualização do brief de brand voice deve ser rastreada e versionada da mesma forma que o código.

Negativos discovery: 5 prompts por fonte

O discovery de negativos por IA é um caso de uso de alta alavancagem — uma conta mid-market tem tipicamente 200 a 800 palavras-chave negativas a descobrir escondidas no seu search query report. Fazer manualmente = 4 a 8h. Com um prompt JSON bem construído + clustering, 30 a 45 min. Para a mecânica completa de discovery + clustering, veja nosso artigo negativos IA discovery + clustering.

A disciplina "negativos" é um dos indicadores de maturidade de uma conta Google Ads. Conforme as verticais, o gap de CPA entre uma conta com uma lista de negativos compartilhada atualizada e uma conta sem negativos sistemáticos se situa entre 15 e 28% — para o mesmo budget, o mesmo Smart Bidding, as mesmas RSAs. A razão é mecânica: sem filtro negativo, o broad match empurra o budget para consultas informacionais ou fora de tema ("como fazer", "gratuito", "definição"), que consomem cliques sem converter. Os cinco prompts abaixo abordam as cinco fontes de sinal complementares: search query report do Google Ads (a base), GA4 bounce rate, Meta Ads search bar, exclusões trademark de concorrentes, e clustering temático por embeddings. Combinar as cinco proporciona uma disciplina de descoberta muito mais robusta que uma abordagem somente search query. Para o cálculo rápido com benchmarks 2026 por vertical, veja nosso calculador CPA gratuito.

Prompt 7 — Negativos desde search query report (bulk 500 linhas)

{
  "role": "PPC negative keywords analyst.",
  "task": "Analise o search query report anexo e identifique os negativos candidatos.",
  "input_csv": "[Cole search query report CSV: query, impressions, clicks, conversions, cost]",
  "context": {
    "vertical": "SaaS CRM B2B",
    "icp_keywords_positive": ["CRM", "software", "PME", "B2B"],
    "icp_keywords_negative": ["gratuito", "open source", "tutorial", "como fazer"],
    "intent_filter": "transacional somente"
  },
  "constraints": {
    "min_impressions_threshold": 50,
    "min_clicks_threshold": 5,
    "max_conv_rate_threshold": 0.005,
    "exclude_brand_terms": ["AcmeCRM", "Acme"],
    "match_type_recommendation": "broad ou phrase conforme volume",
    "no_external_benchmarks": true
  },
  "output_format": "JSON array com query, recommended_negative, match_type, reason, priority"
}

Prompt 8 — Negativos desde GA4 landing page bounce

{
  "role": "GA4 + Google Ads correlation analyst.",
  "task": "Cruze as consultas Google Ads com os bounce rates GA4 por landing page para detectar mismatches.",
  "input_ga4_csv": "[Page path, sessions, bounce rate, avg session duration]",
  "input_gads_csv": "[Search query, landing page, impressions, clicks, conversions]",
  "constraints": {
    "bounce_rate_threshold": 0.75,
    "min_sessions_for_signal": 30,
    "correlation_window_days": 30
  },
  "task_detail": "Identifique as consultas Google Ads que levam a landing pages com bounce > 75% — candidatas a negativos.",
  "output_format": "JSON array com query, landing_page, bounce_rate, sessions, recommended_action"
}

Prompt 9 — Negativos Meta Ads search bar interest analysis

{
  "role": "Cross-channel negative keywords strategist.",
  "task": "Analise as consultas Meta Ads search bar para identificar intents nao pertinentes para Google Ads.",
  "input_meta_search_terms": "[Cole export Meta Ads Search bar terms]",
  "context": {
    "google_ads_vertical": "Lead gen corretor imobiliario",
    "google_ads_icp": "Compradores primeiro imovel 28-45 anos"
  },
  "constraints": {
    "intent_categories_to_extract": ["info_only", "wrong_persona", "wrong_geography", "wrong_product"],
    "exclude_already_in_negative_list": "[Cole lista atual]"
  },
  "output_format": "JSON object grouped by intent_category"
}

Prompt 10 — Negativos concorrentes trademark exclusion

{
  "role": "Trademark negative keywords legal-aware.",
  "task": "Gere lista exaustiva de palavras-chave negativas para excluir minhas campanhas das buscas de marcas concorrentes.",
  "context": {
    "competitors_to_exclude": ["HubSpot", "Pipedrive", "Salesforce", "Zoho", "monday.com"],
    "include_misspellings": true,
    "include_branded_keyword_combos": true
  },
  "constraints": {
    "match_types": ["exact", "phrase"],
    "exclude_generic_terms": ["CRM", "software"],
    "include_typo_variants": true
  },
  "output_format": "JSON array com negative_keyword, match_type, reason"
}

Prompt 11 — Negativos clustering temático embeddings

{
  "role": "Embeddings + clustering negative keywords specialist.",
  "task": "Agrupe a lista de 500 search queries nao convertidas por clusters semanticos para agrupar os negativos.",
  "input_queries": "[Cole lista 500 search queries CSV]",
  "constraints": {
    "embedding_model": "text-embedding-3-small (sugerido)",
    "clustering_algorithm": "DBSCAN ou KMeans k=15",
    "min_cluster_size": 5,
    "output_one_negative_per_cluster": true
  },
  "task_detail": "Para cada cluster, proponha UM negativo phrase-match que cubra 80%+ do cluster.",
  "output_format": "JSON array com cluster_id, sample_queries, recommended_negative_phrase, coverage_estimate"
}

Nas contas que acompanhamos, esses 5 prompts permitem descobrir tipicamente 150 a 400 negativos candidatos por auditoria trimestral, dos quais 60-75% retidos após revisão humana. Economia de tempo massiva vs revisão manual.

A granularidade de aplicação permanece uma decisão humana. Um negativo detectado por IA pode ser aplicado em quatro níveis distintos: conta (via uma lista compartilhada), campanha, ad group, ou grupo de campanhas via uma lista compartilhada com escopo restrito. Um negativo amplo ("gratuito", "tutorial") se coloca sistematicamente no nível conta; um negativo vertical-específico ("advogado divórcio" em uma conta multi-práticas) se coloca no nível campanha; um negativo de intent fino se coloca no nível ad group. Documentada na página oficial do Google Ads sobre listas compartilhadas, esta hierarquia evita conflitos onde um negativo pertinente em B2C se aplica por erro a uma campanha B2B onde faz perder volume.

Auditoria narrativa: 4 prompts por dimensão

A auditoria narrativa por IA é diferente da auditoria com números (que se gera via script ou API). A narrativa produz a prosa que contextualiza os números para um stakeholder de negócio. É onde o Claude Opus 4.7 se destaca particularmente — sua coerência de longa distância supera o GPT-5 e o Gemini nos relatórios em prosa de 2-5 páginas.

Uma auditoria narrativa se distingue de uma auditoria com números pela sua função: produzir um texto explicativo que o destinatário possa ler e arbitrar, e não uma sequência de KPIs. As quatro dimensões auditadas abaixo (estrutura, criativo, tracking, budget) cobrem juntas na maioria dos casos mais de 80% dos problemas operacionais de uma conta Google Ads mid-market. Para enquadrar essas auditorias, dois princípios devem ser respeitados estritamente: injetar diretamente os dados da conta no prompt (export CSV ou JSON, não uma descrição em prosa), e proibir benchmarks externos (no_external_benchmarks: true). Sem essas duas regras, o LLM produz uma auditoria falsamente convincente que mistura observações verdadeiras sobre seus dados e alucinações sobre benchmarks inexistentes. A fronteira entre auditoria útil e auditoria perigosa está neste detalhe.

Prompt 12 — Auditoria estrutura da conta

{
  "role": "Senior Google Ads auditor com 10 anos de experiencia.",
  "task": "Analise a estrutura da conta anexa e produza um relatorio narrativo de 800 palavras.",
  "input_account_structure_csv": "[Cole export campaigns + ad_groups + keywords counts]",
  "dimensions_to_audit": [
    "naming_convention_consistency",
    "campaign_budget_allocation",
    "ad_group_size_balance",
    "match_types_distribution",
    "shared_negative_lists_usage"
  ],
  "constraints": {
    "tone": "factual, sem complacencia, sem alarmismo",
    "include_priority_actions": "top 3 quick wins + top 2 estrategicos",
    "no_external_benchmarks": true,
    "use_only_provided_data": true
  },
  "output_format": "Markdown estruturado: Executive Summary, Findings por dimensao, Priority Actions, Risks"
}

Prompt 13 — Auditoria criativa (RSA, Ad Strength, pinning)

{
  "role": "Creative Google Ads auditor.",
  "task": "Auditoria de qualidade criativa da conta anexa, foco RSA e Asset Reports.",
  "input_rsa_export": "[Cole export RSA todas campanhas: ad_group, headlines, descriptions, ad_strength, pinning]",
  "input_asset_report": "[Cole Asset Report: asset, performance_label]",
  "checks": [
    "headlines_count_per_rsa (target 15)",
    "thematic_diversity (7 temas esperados)",
    "pinning_excessive (warning se >1 pin por RSA)",
    "ad_strength_poor_count",
    "low_performing_assets_count"
  ],
  "output_format": "Tabela CSV (ad_group, issue, severity, recommended_fix) + paragrafo sintese"
}

Prompt 14 — Auditoria tracking conversões

{
  "role": "Conversion tracking auditor.",
  "task": "Detecte as anomalias de tracking na conta.",
  "input_conversions_export": "[Cole export Tools > Conversions]",
  "input_gtm_setup": "[Cole resumo GTM tags]",
  "checks": [
    "duplicates_conversion_actions",
    "missing_enhanced_conversions",
    "inconsistent_attribution_models",
    "stale_conversion_actions_no_data",
    "consent_mode_status"
  ],
  "constraints": {
    "include_remediation_steps": true,
    "include_estimated_signal_loss_percent": true
  },
  "output_format": "Markdown relatorio com secoes por check"
}

Prompt 15 — Auditoria budget pacing

{
  "role": "Budget pacing analyst.",
  "task": "Detecte over/underspend por campanha nos ultimos 30 dias.",
  "input_daily_spend_csv": "[Cole export daily spend por campanha 30d]",
  "input_target_budgets": "[Daily budget target por campanha]",
  "checks": [
    "deviation_from_target_per_day",
    "weekday_vs_weekend_pattern",
    "early_month_overspend",
    "ramping_campaigns_unstable"
  ],
  "constraints": {
    "tolerance_threshold_percent": 8,
    "flag_if_consecutive_overspend_days": 3
  },
  "output_format": "Markdown com tabela desvio + paragrafo explicativo"
}

Para a auditoria completa, veja nossa checklist de auditoria Google Ads. Os prompts acima se encadeiam em um workflow de auditoria semi-automatizado, com validação humana entre cada etapa.

Reporting executivo: 5 prompts por stakeholder

O reporting é o outro caso de uso onde a IA economiza massivamente tempo — um account manager gasta em média 6 a 12h/mês nos relatórios de clientes. Com prompts por persona stakeholder, cai para 1-2h. Veja nosso guia reporting cliente 10 KPIs para os indicadores a incluir.

A regra de ouro do reporting executivo é que um relatório não se resume aos números: se resume ao framework mental do destinatário. Um CEO quer uma visão de negócio em 1 página (300 palavras máximo, sem jargão, com um número headline e um plano). Um CFO quer payback period e ratio LTV:CAC, em vocabulário de finanças não de marketing. Uma equipe de sales quer a qualidade dos leads expressa em MQL-SQL-deal, não em CTR. Um diretor de marketing quer as anomalias semanais, os testes propostos e os ratios contextuais. Nas contas observadas nos benchmarks públicos do Google Ads, o gap entre um reporting genérico (o mesmo relatório para todos os stakeholders) e um reporting personalizado por persona se mede na duração de atenção do destinatário — que passa em média de 90 segundos para 4-6 minutos por relatório. O ROI real não está nas horas economizadas pelo account manager mas nas decisões mais refinadas tomadas pelos destinatários.

Prompt 16 — Reporting CEO executive summary

{
  "role": "CEO-grade executive reporter.",
  "task": "Sintese 1 pagina exec summary a partir dos dados mensais anexos.",
  "input_monthly_data": "[Cole dashboard data: spend, conversions, CPA, ROAS, vs target]",
  "audience": "CEO nao-tecnico, atencao 2 minutos",
  "constraints": {
    "max_length_words": 300,
    "no_jargon": true,
    "structure": ["headline_metric_vs_target", "what_drove_change", "next_month_plan"],
    "tone": "factual sem embellissement",
    "include_risks": true
  },
  "output_format": "Markdown 1-page com 3 secoes"
}

Prompt 17 — Reporting marketing team weekly

{
  "role": "Performance marketing weekly briefer.",
  "task": "Brief semanal operacional para a equipe de marketing.",
  "input_weekly_data": "[CSV ultimos 7 dias vs 7 dias anteriores]",
  "audience": "Marketing team mid-level, tecnico-friendly",
  "constraints": {
    "max_length_words": 500,
    "include_anomalies_first": true,
    "include_test_recommendations": "1-2 por semana",
    "use_jargon_authorized": ["CTR", "CPA", "ROAS", "LTV", "Smart Bidding"]
  },
  "output_format": "Markdown: Highlights / Lowlights / Anomalias / Testes propostos"
}

Prompt 18 — Reporting sales team lead quality

{
  "role": "MQL/SQL pipeline analyst.",
  "task": "Brief para a equipe de sales sobre a qualidade dos leads Google Ads.",
  "input_crm_export": "[Cole export CRM com source = Google Ads]",
  "audience": "Sales team, foco qualidade nao quantidade",
  "metrics_to_include": [
    "MQL_count",
    "SQL_conversion_rate_from_MQL",
    "deal_velocity_days",
    "closed_won_count",
    "average_deal_value"
  ],
  "constraints": {
    "include_lead_scoring_distribution": true,
    "flag_underperforming_campaigns_lead_quality": true
  },
  "output_format": "Markdown report sales-friendly"
}

Prompt 19 — Reporting CFO LTV:CAC

{
  "role": "CFO-grade financial reporter PPC.",
  "task": "Relatorio financeiro foco payback period e LTV:CAC.",
  "input_data": "[CAC por coorte mensal ultimos 12 meses + LTV coorte 12m]",
  "audience": "CFO, foco cash flow e margens",
  "constraints": {
    "include_payback_period_calculation": true,
    "include_ltv_cac_ratio_per_cohort": true,
    "include_blended_vs_paid_only_cac": true,
    "no_marketing_jargon": true,
    "use_finance_vocabulary": true
  },
  "output_format": "Markdown estruturado secoes financas"
}

Prompt 20 — Reporting agency client monthly QBR

{
  "role": "Agency QBR reporter.",
  "task": "Quarterly business review report para cliente de agencia.",
  "input_quarter_data": "[Cole data trimestre + comparativo Q-1 + comparativo Y-1]",
  "audience": "Client decision-maker + equipe ops",
  "constraints": {
    "include_strategic_recommendations_top_3": true,
    "include_competitive_benchmark_directional_only": true,
    "include_next_quarter_roadmap": true,
    "tone": "partner nao vendor",
    "max_length_words": 1500
  },
  "output_format": "Markdown long form QBR-style"
}

Otimização tática: 5 prompts por decisão

A otimização tática por IA é o caso de uso mais delicado — é onde a IA pode dar recomendações de alto impacto, mas também recomendações perigosas se mal enquadrada. Sempre validar humanamente antes da execução. Para a mecânica geral de otimização, veja nosso guia completo Performance Max 2026.

A distinção crítica entre prompts de análise e prompts de decisão deve ser explícita no seu workflow. Os prompts de análise (seções RSA, negativos, auditoria, reporting acima) produzem conteúdo que você valida antes da publicação ou difusão. O custo de um prompt analítico ruim é um atraso de edição. Os prompts de decisão (os cinco abaixo) produzem recomendações que, executadas, modificam duravelmente a performance da conta: uma mudança prematura Target CPA para Target ROAS pode custar três semanas de relearning; uma consolidação de ad groups mal calibrada pode quebrar audiências pertinentes; uma pausa de campanha baseada em 30 dias de ruído pode cortar uma trajetória de aprendizado saudável. Para esses cinco prompts, a regra absoluta é pedir explicitamente ao modelo um score de confiança e um plano de rollback. Abaixo de 0.75 de confiança, não se faz deploy. Sem rollback documentado, também não se faz deploy.

Prompt 21 — Decisão rebid Smart Bidding (Target CPA → Target ROAS)

{
  "role": "Smart Bidding strategy advisor.",
  "task": "Aconselhe sobre a mudanca Target CPA para Target ROAS para a campanha anexa.",
  "input_campaign_data": "[Cole 90d data: conversions, value, CPA, ROAS, learning phase status]",
  "decision_criteria": [
    "min_50_value_based_conv_per_week",
    "value_signal_reliability",
    "learning_phase_stable_30_days",
    "target_ROAS_realistic_vs_history"
  ],
  "constraints": {
    "give_go_no_go_recommendation": true,
    "include_target_ROAS_initial_value": true,
    "include_rollback_plan": true,
    "include_monitoring_metrics_first_14_days": true
  },
  "output_format": "JSON: recommendation, target_ROAS_initial, rollback_trigger, kpi_to_monitor"
}

Prompt 22 — Decisão reestruturação (consolidação ad groups)

{
  "role": "Account restructure strategist.",
  "task": "Identifique os ad groups a consolidar para atingir limiar de sinal Smart Bidding.",
  "input_ad_groups_data": "[Cole export ad groups: conv 30d, spend, estrutura tematica]",
  "criteria": {
    "min_conv_per_ad_group_week": 5,
    "thematic_proximity_threshold": 0.75,
    "preserve_separate_match_types": true,
    "preserve_separate_audiences": true
  },
  "constraints": {
    "max_ad_groups_per_consolidation": 4,
    "preserve_naming_convention": true,
    "include_keyword_remap_plan": true
  },
  "output_format": "JSON array com consolidation_group, source_ad_groups, target_ad_group_name, keywords_to_migrate"
}

Prompt 23 — Decisão lançamento novo negativo

{
  "role": "Negative keyword scope advisor.",
  "task": "Para cada negativo candidato anexo, aconselhe a granularidade de aplicacao.",
  "input_negatives_candidates": "[Cole lista negativos candidatos com query history]",
  "decision_levels": ["account_level", "campaign_level", "ad_group_level", "shared_negative_list"],
  "criteria": {
    "applies_to_all_campaigns": "account_level",
    "applies_to_specific_vertical": "campaign_level",
    "applies_to_specific_match_type_intent": "ad_group_level",
    "reusable_pattern": "shared_negative_list"
  },
  "output_format": "JSON array com negative, recommended_level, justification"
}

Prompt 24 — Decisão pausar campanha

{
  "role": "Campaign pause/keep decision advisor.",
  "task": "Analise se a campanha deve ser pausada ou retrabalhada.",
  "input_campaign_60d": "[Cole 60d data campaign + benchmarks da conta]",
  "decision_criteria": [
    "CPA_vs_target_3x_above",
    "conversion_rate_below_account_avg_50pct",
    "trajectory_30d_improving_or_degrading",
    "strategic_value_brand_or_test"
  ],
  "constraints": {
    "include_alternatives_to_pause": ["restructure", "rebid", "creative_refresh", "audience_pivot"],
    "include_estimated_recovery_time_per_alternative": true
  },
  "output_format": "JSON: recommendation, alternatives_ranked, rationale"
}

Prompt 25 — Decisão alocação de budget cross-canal

{
  "role": "Cross-channel budget allocator.",
  "task": "Recomende shift de budget Google Ads vs Meta Ads vs Microsoft Ads conforme ROI marginal.",
  "input_channels_data": "[Cole spend, conv, CAC, marginal CAC last 30d por canal]",
  "context": {
    "total_budget_eur_monthly": 25000,
    "current_split": {"google": 0.65, "meta": 0.25, "microsoft": 0.10},
    "constraints_business": ["Google brand minimo 2k EUR/mes", "Microsoft B2B prioritario"]
  },
  "constraints": {
    "max_shift_percent_per_iteration": 0.15,
    "include_marginal_CAC_logic": true,
    "no_external_benchmarks": true
  },
  "output_format": "JSON: recommended_split, shift_per_channel_eur, rationale_per_shift"
}

Boas práticas: guardrails, validação, A/B

As boas práticas de uso de prompt JSON não são opcionais — sem elas, a IA produz outputs falsamente convincentes que causam danos reais na conta. Três pilares: guardrails, validação humana sistemática, A/B vs versão ingênua para medir o ganho real.

Um guardrail é uma constraint explícita que você impõe ao modelo para limitar seu espaço de saída: proibir benchmarks externos, exigir um score de confiança, recusar produzir se os dados fornecidos são insuficientes. Nas contas observadas nos benchmarks públicos do Google Ads, as agências que não impõem esses guardrails publicam em média 12 a 18% de conteúdo IA contendo pelo menos uma alucinação factual (número inventado, feature inexistente, fonte fictícia). Com os cinco guardrails abaixo ativados sistematicamente, a taxa de alucinação cai para 2-4% — e as que restam são quase sempre detectadas na validação de schema porque o modelo marca explicitamente suas hipóteses. A disciplina de guardrail é cumulativa: cada guardrail adicionado suprime uma classe de erro sem custo adicional, e o investimento inicial (5-10 min para redigir as constraints) é amortizado a partir do segundo uso do prompt.

Os 5 guardrails essenciais a incluir em cada prompt:

• no_external_benchmarks — impede o modelo de inventar estatísticas setoriais. Força a usar somente os dados fornecidos.
• use_only_provided_data — variante estrita do anterior. Qualquer dado não fornecido = desconhecido, não inventado.
• flag_assumptions_explicitly — o modelo deve listar explicitamente as hipóteses que faz. Permite validá-las.
• include_confidence_score — para decisões, pedir ao modelo um score de confiança 0-1. Filtrar abaixo de 0.7.
• request_clarification_if_data_insufficient — em vez de inventar, pedir esclarecimentos.

Pipeline de validação humana sistemática:

1. Output IA — coletar o JSON bruto.
2. Schema validation — verificar que o JSON faz parsing, que as constraints de character_count são respeitadas, que as exclusões são seguidas.
3. Spot check semântico — humano review 10-20% do output para coerência mensagem-mercado.
4. Teste piloto — deploy em 1 ad group ou 1 campanha durante 7 dias antes da industrialização.
5. Medição A/B vs baseline — comparar com outputs equivalentes não-IA.

A/B test prompt ingênuo vs prompt estruturado — metodologia clara:

# Pseudo-codigo workflow A/B prompt comparison
import openai

def run_ab_prompts(naive_prompt, structured_prompt, n_runs=20):
    naive_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": naive_prompt}]
    ) for _ in range(n_runs)]

    structured_outputs = [openai.chat.completions.create(
        model="gpt-5", messages=[{"role": "user", "content": structured_prompt}]
    ) for _ in range(n_runs)]

    metrics = {
        "char_count_compliance": compare_char_compliance(naive_outputs, structured_outputs),
        "theme_diversity": compare_diversity(naive_outputs, structured_outputs),
        "human_edit_time_avg": measure_edit_time(naive_outputs, structured_outputs),
        "hallucination_rate": detect_hallucinations(naive_outputs, structured_outputs),
    }
    return metrics

Testes de qualidade realizados em 200 pares de prompts (RSA, negativos, auditoria):

Para automatizar o deploy de prompts em pipeline de produção, veja nossos artigos complementares RSA IA + ad rotation, negativos IA discovery + clustering, e imagens IA para Google Ads. Para a automação do lado da infraestrutura (n8n, Zapier, MCP), veja n8n Google Ads e Google Ads API Python.

Para os anunciantes que querem implantar essa disciplina de IA sem construir a infraestrutura de prompt eles mesmos, nosso audit SteerAds integra os 30 prompts acima no seu pipeline e entrega um relatório pronto para ação em 72h, com validação humana sistemática e teste piloto A/B em 1 ad group antes da industrialização. Os 30 prompts JSON não são um produto finalizado — são templates a adaptar ao seu contexto vertical, sua brand voice e sua maturidade de tracking. A disciplina que conta não é o prompt em si mas o workflow ao redor: guardrails, validação, medição A/B, iteração mensal. Sem essa disciplina, o ChatGPT permanece efetivamente uma mágica — que funciona uma vez em duas e custa caro quando erra — veja também Microsoft Advertising Research para mais detalhes.

Fontes

Fontes oficiais consultadas para este guia:

• anthropic.com
• platform.openai.com
• modelcontextprotocol.io
• schema.org

FAQ