As habilidades (skills) do Gemini servem para ensinar à IA como você quer que determinada tarefa seja feita. Em vez de repetir as mesmas instruções toda vez que iniciar uma conversa, você pode criar uma habilidade com essas orientações e reutilizá-la sempre que precisar.
As habilidades (skills) do Gemini servem para ensinar à IA como você quer que determinada tarefa seja feita. Em vez de repetir as mesmas instruções toda vez que iniciar uma conversa, você pode criar uma habilidade com essas orientações e reutilizá-la sempre que precisar.
Imagine, por exemplo, que você usa o Gemini para revisar textos e sempre precisa explicar o mesmo estilo de escrita. Dá para transformar essas instruções em uma skill e recorrer a ela em outros chats. O mesmo vale para preparar reuniões, organizar informações ou seguir um determinado padrão de resposta.
As habilidades ficam integradas aos chats do Gemini. Você pode chamá-las manualmente digitando / seguido do nome da skill. Em uma etapa futura, também será possível usar @. O Gemini ainda pode identificar sozinho quando uma habilidade é relevante para a tarefa e acioná-la automaticamente.
Também é possível combinar várias habilidades no mesmo trabalho. Esse sistema permite juntar diferentes conjuntos de instruções para lidar com tarefas que envolvem mais de uma etapa.
Como criar habilidades no Gemini? Você não precisa começar com um arquivo ou configurar nada complicado. Veja as maneiras de criar skills no Gemini:
Criar uma habilidade conversando com o Gemini Abra uma conversa no Gemini e explique o que você quer que a habilidade faça. Você pode escrever algo como:
Em contexto
- Tema: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Fonte: Canaltech
- Publicado: 11/10/2026
Continuar lendo na fonte original →
Trecho publicado automaticamente pelo radar do site. O texto completo pertence ao veículo e está vinculado acima.
Por qué importa
Cada semana hay un anuncio que promete cambiarlo todo, y cada semana la mayoría de las organizaciones sigue peleando con lo mismo: datos desordenados, procesos que nadie documentó y una expectativa que corre más rápido que la capacidad. Esta nota se entiende mejor con eso puesto encima.
Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.
Lo que suele salir mal
El punto donde suele romperse es el traspaso a operación. El equipo que hizo el piloto sabe interpretar los resultados; el equipo que lo recibe, no. Sin capacitación y sin criterios escritos, la gente empieza a aceptar todo lo que el modelo dice o a ignorarlo por completo, y ambas cosas son igual de caras.
Qué mirar
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
- El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.
- Dónde quedan los datos y bajo qué contrato, sobre todo si hay información de clientes de por medio.
Cómo leo esta entrada
Yo lo usaría para una conversación de talento más que de compra. La capacidad que hace falta instalar no es la de operar una herramienta, que cambia cada seis meses, sino la de formular bien el problema y evaluar la respuesta. Esa sí se queda en la casa.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
