02 - Deliverable-first, não scene-first

TL;DR

A diferença entre image prompt que funciona e image prompt que dá voltas mora numa virada simples: descreva o entregável (poster, infográfico, slide, thumbnail, mockup, hero), não a cena. Cena (“dois empreendedores apertando a mão em escritório moderno”) deixa o modelo escolher tudo o que importa pra entregável: formato, hierarquia, audiência, espaço pra texto. Entregável (“poster 11×17 pra evento de tecnologia, título ‘AI Summit 2026’ no topo, hero abstrato no centro, data e local rodapé”) carrega essas constraints embutidas. O modelo já entra calibrado. O template @hooeem (Goal / Deliverable / Canvas / Audience / Subject / Composition / Style / Text / Constraints / Iteration) operacionaliza essa virada.

Por que scene-first falha

O prompt “scene-first” descreve o que está acontecendo na imagem como se fosse roteiro:

“Two business people shaking hands in a modern office, sunlight coming through window, laptop on desk, professional atmosphere.”

Problemas:

1. Sem âncora de formato. O modelo escolhe um aspect ratio default (1:1 no DALL-E, 1:1 no Midjourney sem --ar). Se você precisava de 16:9 pro hero do post, foi pro lixo.
2. Sem hierarquia. O modelo distribui peso visual uniforme; tudo importa igual. Hero claro? Subtítulo? Espaço pra overlay? Inexistente.
3. Sem decisão de canal. O mesmo “two business people” funciona como capa de ebook, slide de deck, thumbnail YouTube ou banner LinkedIn? Cada um quer composição diferente.
4. Sem texto. Se você precisa de título embutido, o modelo não sabe.
5. Iteração às cegas. Não saiu como queria — mas qual variável mudar? Aspect ratio? Estilo? Composição? Vira reroll.

Resultado típico: 5 a 15 gerações até chegar perto, com 60-70% delas inutilizáveis por motivo de formato.

Por que deliverable-first funciona

Prompt “deliverable-first” começa pelo objeto:

“Poster pra evento de tecnologia ‘AI Summit 2026’. Canvas vertical 11×17. Hero abstrato (network neural fluido em gradiente azul/violeta) ocupa centro. Título ‘AI Summit 2026’ em sans-serif bold no topo, branco sobre fundo escuro, ocupa ~15% da altura. Subtítulo ‘Building the next decade’ abaixo do título, 50% do tamanho. Data e local (‘March 15-17 · São Paulo’) no rodapé centralizado. Espaço negativo nas laterais. Estilo: limpo, corporativo-moderno, paleta dark mode.”

A diferença não é só tamanho — é estrutura. O entregável carrega:

• Formato (11×17 vertical) → o modelo já entra com aspect ratio certo
• Hierarquia (hero centro, título topo, info rodapé) → distribuição de peso visual
• Audiência implícita (evento de tecnologia → vibe corporativa-moderna)
• Canal implícito (poster → portrait, alta densidade, sobrevive de longe e de perto)
• Texto (palavras exatas, posição, tamanho relativo)

O modelo perde menos graus de liberdade. As gerações convergem. A iteração vira: “tá quase — só o tamanho do título; mantenha o resto”.

O template canônico (Goal / Deliverable / Canvas / Audience / Subject / Composition / Style / Text / Constraints / Iteration)

Versão do template apresentado por @hooeem, com gloss curto em cada campo:

Goal

Pra que serve esta imagem. Não é “um poster bonito” — é “promover o AI Summit 2026 em redes sociais e print”. A meta enquadra todas as decisões abaixo.

Deliverable

O tipo do entregável. Vocabulário curto: poster | infográfico | slide | thumbnail YouTube | mockup mobile | mockup desktop | hero README | hero blog | carousel slide | social card | ebook cover | sticker | icon. Esse é o anchor mais importante — modelos modernos têm prior forte pra cada palavra.

Canvas

Aspect ratio + orientação + resolução-alvo. Exemplos: 16:9 landscape, 9:16 portrait (story), 1:1 square, 11:17 portrait print, 4:5 portrait (Instagram feed). Modelos como Midjourney usam --ar 16:9; DALL-E e Imagen aceitam descrição textual ou parâmetro.

Audience

Pra quem é. Engenheiro sênior? Recrutador? Audiência geral de LinkedIn? Comunidade open-source? Isso afeta tom visual: sério/lúdico, técnico/abstrato, denso/limpo.

Subject

O que aparece. Aqui sim entra a “cena” — mas como subordinada ao entregável, não como protagonista. “Network neural fluido em gradiente” no exemplo do poster.

Composition

Hierarquia visual. Onde fica cada elemento. “Hero centro, título topo, info rodapé”. Use vocabulário de composição: rule of thirds, centered, top-heavy, left-aligned, negative space at right. O modelo entende essas convenções.

Style

Linguagem visual. Paleta de cor (dark mode, pastel, monochrome blue), tipo de ilustração (flat, isometric, 3D rendered, watercolor, photorealistic, vector), mood (corporate-modern, playful, vintage, cyberpunk). Quanto mais específico, melhor.

Text

Palavras exatas que devem aparecer, com posição e tamanho relativo. Em 2026, texto ainda é o ponto fraco da maioria dos modelos (Ideogram, Imagen 4 quando disponível e FLUX lideram). Se texto é crítico, escolha modelo ou pré-aceite que vai rodar texto no Figma/Canva depois.

Constraints

O que não pode aparecer. “Sem pessoas”, “sem stock photo vibe”, “sem texto borrado”, “sem moldura/borda decorativa”. Modelos respondem melhor a constraints explícitas que a tom geral.

Iteration

Plano de iteração — qual variável você mudaria primeiro se o output não bater. Não vai no prompt, mas vai no seu caderno (ou no Keep/Change/Do-not da próxima geração — ver 06 - Iteração visual — controlled changes).

Comparação lado a lado

Mesmo objetivo: hero pra post de blog sobre RAG.

Versão scene-first (anti-padrão)

“Librarian in a library full of books with computer chips, neural network glowing around, futuristic mood.”

Output esperado: 1:1, bibliotecário central, sem espaço pra título, cores aleatórias, retrato estilo render genérico. Uso direto no post: zero.

Versão deliverable-first

“Hero image pra post de blog técnico sobre RAG (Retrieval-Augmented Generation). Canvas 16:9 landscape, 1920×1080. Audiência: engenheiros de IA. Subject: metáfora visual de bibliotecário-IA — figura abstrata sugerindo arquivista digital, com elementos de busca e conexão. Composição: figura à esquerda ocupando ~40% do canvas, espaço negativo à direita pra overlay de título. Estilo: ilustração vetorial flat, paleta azul-profundo + ciano, mood técnico-elegante, sem ser corporativo genérico. Sem texto na imagem. Sem stock photo vibe. Sem bibliotecário humano realista.”

Output esperado: 16:9, hero à esquerda, espaço à direita, paleta consistente. Uso direto no post: alta probabilidade.

Quando scene-first é ok

Casos onde “descrever a cena” basta:

• Exploração inicial. Você não sabe o que quer ainda; quer ver opções.
• Imagem de uso único, descartável. Ilustração rápida pra apresentação interna que ninguém vai revisar.
• Estudo de estilo. Está testando como um modelo responde a um conceito; output não vai virar entregável final.

Pra qualquer entregável que sai pro mundo (post público, README, deck pra cliente, asset de marketing), volte pro template deliverable-first.

O hábito a internalizar

Antes de escrever o prompt, responda em voz alta:

1. O que estou entregando? (poster, hero, thumbnail, …)
2. Em que formato? (aspect ratio, resolução)
3. Pra quem? (audiência)
4. Onde vai aparecer? (canal — README, Twitter, deck)

Só depois descreva o subject. Esse hábito de quatro perguntas previne 80% do retrabalho de image prompting.

Fontes

• @hooeem — Become an AI Engineer, cap #16 (Image Prompting). Template canônico Goal/Deliverable/Canvas/etc.
• OpenAI — Image generation guide (docs). Recomendações de prompt estruturado pro DALL-E.

Veja também

• 01 - Image prompting como engenharia — por que a virada metodológica importa
• 04 - Anatomia de um prompt visual — canvas, composição, estilo — desdobra cada campo do template em técnica
• 05 - Templates por entregável — poster, infográfico, mockup, thumbnail — templates prontos por tipo de entregável
• 06 - Iteração visual — controlled changes — como ajustar quando o primeiro output não bate