Faça o perfil dos dados antes de perguntar qualquer coisa
O jeito mais comum de uma análise de planilha dar errado não tem nada a ver com IA. É que o arquivo contém 14 linhas com um espaço extra no nome da região, dois formatos de data, uma linha de subtotal que alguém deixou no meio e 300 células em branco na coluna que você está prestes a calcular a média. Se você fizer sua pergunta primeiro, vai receber uma resposta confiante calculada em cima de lixo.
Por isso, o primeiro prompt é o mesmo em todo arquivo.
Prompt: o perfil
Faça o perfil deste arquivo antes de analisarmos qualquer coisa. Retorne: contagem de linhas, nomes das colunas com tipo inferido, a contagem e o percentual de valores ausentes por coluna, o número de linhas duplicadas exatas, os valores distintos de toda coluna com menos de 25 valores distintos, o mínimo e o máximo de toda coluna numérica e de data, e qualquer coluna em que os valores pareçam inconsistentes (formatos misturados, espaços em branco extras, unidades misturadas, formatos de data misturados). Não analise nem interprete ainda. Apenas me diga o que há no arquivo e o que parece errado nele.
Esse único prompt já detecta a maior parte do que arruinaria a análise. A lista de valores distintos, em particular, é onde você descobre que "UK", "U.K." e "United Kingdom" são três regiões separadas nos seus dados.
Prompt: corrija o que foi encontrado
Padronize os problemas identificados: remova espaços em branco, unifique [coluna] em um único formato e consolide estas variantes: [liste-as]. Mostre o mapeamento aplicado em uma tabela antes de aplicá-lo. Não descarte nenhuma linha sem me dizer qual e por quê.
Faça perguntas que produzam respostas verificáveis
Perguntas vagas recebem respostas vagas. Os prompts que funcionam nomeiam a coluna, a operação e o formato de saída, e pedem para mostrar o raciocínio.
Prompt: agregação com o raciocínio exposto
Agrupe por [coluna] e calcule [métrica]. Retorne uma tabela em Markdown com o grupo, a contagem de linhas nele e a métrica. Abaixo da tabela, indique exatamente como você calculou a métrica, quais linhas você excluiu e por quê, e como tratou os valores em branco. Ordene de forma decrescente por [coluna].
Prompt: a pergunta de coorte
Para cada [dimensão de coorte, por exemplo mês de cadastro], calcule [métrica] em [intervalo]. Mostre o tamanho da coorte junto de cada número. Sinalize qualquer coorte com menos de [n] linhas como pequena demais para interpretar, em vez de reportar um percentual para ela.
Essa última instrução evita o resultado mais enganoso da análise de planilhas: uma coorte de quatro usuários reportada como "75% de retenção" ao lado de uma coorte de nove mil.
Prompt: caça a anomalias
O que há de suspeito nestes dados? Procure por: valores fora de uma faixa plausível, descontinuidades súbitas em uma série temporal, colunas em que a distribuição muda no meio do caminho, linhas que são duplicatas exatas ou quase exatas, valores que parecem arredondados demais, e qualquer coisa que sugira uma mudança na forma como os dados foram coletados. Para cada achado, cite as linhas específicas.
Esse é o prompt de maior valor desta página, e ele não tem equivalente em um fluxo de planilha comum. Ele costuma encontrar o dia em que o rastreamento quebrou, o fornecedor que passou a reportar em outra moeda e a importação duplicada que inflou um trimestre.
Prompt: a especificação do gráfico
Recomende o gráfico certo para esta pergunta e este formato de dados, e explique por que a alternativa óbvia é pior aqui. Depois me dê a especificação: tipo de gráfico, x, y, séries, agregação, ordem de classificação e tratamento dos eixos. Não use eixo duplo. Não trunque o eixo de um gráfico de barras.
Onde a aritmética realmente falha
Isso merece uma resposta direta, porque "IA é ruim em matemática" é verdadeiro e ao mesmo tempo pouco útil.
Um modelo de linguagem raciocinando sobre números em texto está fazendo completação de padrões, não cálculo. Ele é confiável para descrever estrutura, categorizar linhas e identificar qual cálculo você precisa. É muito menos confiável para executar uma longa cadeia de aritmética em centenas de linhas, e falha silenciosamente: a saída é uma tabela bem formatada de números errados, sem nenhum sinal de alerta.
As regras práticas:
- Peça o método, não só o resultado. "Indique exatamente como você calculou isso e o que excluiu" torna o erro visível quando ele existe.
- Confira um grupo manualmente. Escolha o menor grupo da tabela de saída e verifique na planilha real. Se bater, o método provavelmente está certo; se não bater, nada na tabela pode ser confiado.
- Compare qualquer coisa relevante com um segundo modelo. Dois modelos independentes chegando ao mesmo número é uma evidência bem melhor do que um modelo repetindo a si mesmo. A visualização lado a lado do Whizi existe exatamente para isso.
- Fique atento à contagem duplicada. Linhas de subtotal deixadas no arquivo e junções um-para-muitos são os dois culpados mais comuns, e o modelo não vai saber que estão errados.
- Para qualquer coisa que precise ser exata, peça a fórmula ou o código.
Me dê a fórmula do Exceloume dê o código em pandascoloca a aritmética em um motor determinístico, e você mantém o modelo para a parte em que ele é bom, que é saber qual cálculo rodar.
Esse último ponto é a resposta real para trabalhos financeiros ou de relatório. Use o modelo para desenhar a análise, use sua planilha ou um script para executá-la.
Qual modelo lê qual arquivo, e a partir de quando o arquivo é grande demais?
CSV e Excel sobem direto, e os três modelos dividem o trabalho de forma clara.
| Modelo | Janela de contexto | Créditos por mensagem | Use para |
|---|---|---|---|
| GPT-5.6 Terra | 1M tokens | 4 | Formatos rígidos: tabelas limpas, JSON, mapeamentos exatos de colunas |
| Claude Sonnet 5 | 1M tokens | 10 | A checagem cruzada em agregações de várias etapas |
| Gemini 3.5 Flash | 1M tokens, cerca de 1.900 páginas de manuscrito | 8 | Os maiores arquivos, ou uma planilha mais um PDF na mesma conversa |
Os números de contexto e créditos vêm do índice de custo de modelos do Whizi, preços de lista obtidos em 2026-08-20.
Algumas notas práticas:
- Entregue um retângulo limpo. Uma linha de cabeçalho, nenhuma célula mesclada, nenhuma linha em branco de espaçamento, nenhuma anotação na coluna K. Relatórios formatados com múltiplos cabeçalhos confundem a extração mais do que qualquer limite de tamanho de arquivo.
- Envie a planilha bruta, não a de apresentação. A versão com formatação e subtotais é a que produz contagem duplicada.
- Arquivos muito largos se beneficiam de uma lista de colunas primeiro. Pergunte o que cada coluna significa antes de analisar, se os nomes forem crípticos, e diga ao modelo o que ele errou.
- Para arquivos muito grandes, use o Gemini 3.5 Flash, que lê o mesmo contexto de 1M tokens que o Claude Sonnet 5 e o GPT-5.6 Terra pelo menor custo por resposta dos três. Além disso, amostre de forma deliberada:
analise uma amostra aleatória de 5000 linhas e me diga o erro amostral que devo esperar em cada númeroé melhor do que truncar silenciosamente. - Remova dados pessoais primeiro. Nomes, e-mails e identificadores quase nunca são necessários para a análise, e removê-los é mais rápido do que discutir se você tinha permissão para enviá-los.
A mecânica dos uploads está coberta em enviando documentos.
A sequência completa de oito passos em um arquivo real
O fluxo inteiro em um arquivo real, em ordem:
- Envie o arquivo. Rode o prompt de perfil. Leia os valores distintos e as contagens de valores ausentes com atenção.
- Corrija o que foi encontrado, revisando a tabela de mapeamento antes de aplicá-la.
- Peça um resumo do que os dados representam e as três perguntas que o modelo acha que você deveria estar fazendo. Esse passo é rápido e costuma reformular a análise.
- Faça sua pergunta real, exigindo o método e as exclusões na resposta.
- Rode o prompt de anomalias, sempre. É aí que estão as surpresas.
- Confira o menor grupo manualmente.
- Compare o número principal com um segundo modelo.
- Peça a especificação do gráfico, ou a fórmula, se o número precisar ser exato e reproduzível.
Os passos 1, 5 e 6 são os que as pessoas pulam, e são os que separam uma análise que você consegue defender de um palpite bem formatado.
- Faça o perfil do arquivo antes de fazer qualquer pergunta analítica
- Leia a lista de valores distintos para pegar grafias variantes e formatos misturados
- Exija o método e as exclusões junto com cada número
- Sinalize grupos pequenos como pequenos demais, em vez de reportar um percentual para eles
- Sempre rode o prompt "o que há de suspeito nestes dados"
- Confira o menor grupo manualmente antes de confiar na tabela
- Compare números relevantes com um segundo modelo
- Peça a fórmula ou o código quando o número precisar estar exatamente certo
Perguntas frequentes
Qual o tamanho máximo da minha planilha?
Depende do plano e do modelo, e o limite prático é a janela de contexto do modelo, não um teto de tamanho de arquivo. Claude Sonnet 5, GPT-5.6 Terra e Gemini 3.5 Flash leem um contexto de 1M tokens no Whizi, cerca de 1.900 páginas de manuscrito de dados. Além disso, amostre de forma deliberada e peça ao modelo para indicar o erro amostral, em vez de deixar o arquivo ser truncado silenciosamente, que é o modo de falha que produz respostas confiantes sobre uma fração dos seus dados.
A IA consegue detectar erros na minha planilha?
Sim, e é um dos prompts de maior valor disponíveis. Perguntar o que há de suspeito nos dados costuma revelar importações duplicadas, o dia em que o rastreamento quebrou, unidades ou moedas misturadas, linhas de subtotal deixadas dentro dos dados e distribuições que mudam no meio do arquivo. Peça para citar as linhas específicas, para você poder verificar cada achado em vez de simplesmente confiar na lista.
Posso confiar nos números que ela me dá?
Confie na estrutura, verifique a aritmética. Modelos de linguagem são fortes em identificar qual cálculo é necessário e descrever o que há em um conjunto de dados, e mais fracos em longas cadeias de aritmética em muitas linhas, onde falham silenciosamente com uma resposta errada bem formatada. Confira o menor grupo manualmente, compare números principais com um segundo modelo e, para qualquer coisa que precise ser exata, peça a fórmula do Excel ou o código em Python e rode você mesmo.
Qual modelo é melhor para trabalhar com planilhas?
GPT para raciocínio estruturado, formatos de saída rígidos e tabelas ou JSON limpos. Claude como a checagem cruzada em agregações de várias etapas, porque costuma cometer erros diferentes em vez dos mesmos erros. Gemini quando o arquivo é muito grande ou quando você quer analisar uma planilha junto com um PDF ou relatório na mesma conversa.
Funciona com fórmulas do Excel e várias planilhas?
Ele lê os valores em vez de executar sua pasta de trabalho, então os resultados das fórmulas aparecem, mas a lógica da fórmula ativa não. Para pastas de trabalho com várias planilhas, diga qual planilha você quer dizer e descreva como as planilhas se relacionam, ou exporte a planilha que importa como CSV. Arquivos feitos para apresentação, com células mescladas e subtotais dentro dos dados, causam muito mais problemas do que arquivos grandes.