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 que importa
Toda semana há um anúncio que promete mudar tudo, e toda semana a maioria das organizações continua brigando com o mesmo: dados desorganizados, processos que ninguém documentou e uma expectativa que corre mais rápido que a capacidade. Esta notícia se entende melhor com isso ao fundo.
O que olho primeiro não é a capacidade do modelo, e sim o dado que o alimenta. Quase todos os projetos que vi fracassar não fracassaram pelo algoritmo: fracassaram porque o dado estava em três sistemas com três definições diferentes e ninguém quis ser quem arrumaria isso.
O que costuma dar errado
O ponto em que costuma quebrar é a passagem para a operação. A equipe que fez o piloto sabe interpretar os resultados; a que recebe, não. Sem capacitação e sem critérios escritos, as pessoas passam a aceitar tudo o que o modelo diz ou a ignorá-lo por completo, e as duas coisas custam igual.
O que observar
- Quem revisa as saídas do modelo e com que frequência — o ponto em que a IA se torna auditável.
- O custo por consulta em volume real, não o do piloto: é a variável que mais dá surpresas.
- Onde ficam os dados e sob qual contrato, sobretudo quando há informação de clientes envolvida.
Como leio esta publicação
Eu usaria isto para uma conversa de talento mais do que de compra. A capacidade que precisa ser instalada não é operar uma ferramenta, que muda a cada seis meses, e sim formular bem o problema e avaliar a resposta. Essa fica em casa.
Esta publicação é um trecho da fonte original, selecionada pelo radar do site. O comentário acima é próprio e não pertence ao veículo citado.
Comentários
Ainda não há comentários. O primeiro pode ser o seu.
Está vivendo isso na sua equipe?
Abra o chat e me conte como estão lidando com isso. Tenho interesse em comparar notas.
