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.
Why it matters
Every week there is an announcement that promises to change everything, and every week most organisations are still fighting the same battle: messy data, processes nobody documented, and expectations running faster than capability. This story reads better with that in the background.
The first thing I look at is not model capability but the data feeding it. Almost every project I have seen fail did not fail on the algorithm. It failed because the data lived in three systems with three different definitions and nobody wanted to be the one to fix that.
What usually goes wrong
The point where it usually breaks is the handover to operations. The team that built the pilot knows how to read the results; the team receiving it does not. Without training and written criteria, people start accepting everything the model says or ignoring it entirely, and both are equally expensive.
What to watch
- Who reviews the model outputs and how often — the point at which AI becomes auditable.
- Cost per query at real volume, not pilot volume: the variable that produces the most surprises.
- Where the data ends up and under what contract, especially when customer information is involved.
How I read this entry
I would use it for a talent conversation rather than a purchasing one. The capability that needs installing is not operating a tool, which changes every six months, but framing the problem well and judging the answer. That one stays in the house.
The original story is published in another language; the excerpt is quoted as the publisher delivers it and the commentary is written in English.
Comments
No comments yet. Yours can be the first.
Living through this in your own team?
Open the chat and tell me how you're handling it. I'm interested in comparing notes.
