Prompts de IA para revisar análises e evitar erros

A maioria das pessoas que usam IA no dia a dia pede resposta pronta: digita a pergunta, aceita o que vem, aplica. Quando funciona, maravilha, a IA vira a solução de todos os problemas. Quando não funciona, colocam 100% da culpa na ferramenta e até acabam chamando ela de “burra”.

O ponto que vejo quase ninguém comentar é que o salto de qualidade não está em pedir resposta melhor, está em pedir uma coisa diferente: em vez de “me responde”, “me contradiz”.

Essa virada de chave separa quem acaba usando IA como se fosse um Google melhorado de quem usa como parceira de raciocínio. Para quem trabalha com dados em área de negócio (BI, Analytics, Marketing, Operações, Supply Chain, Atendimento), essa virada rende muito mais que economia de tempo. Ela reduz o número de análises que quebram na hora da apresentação, o número de KPIs que a diretoria contesta com uma pergunta simples, o número de dashboards que precisam ser refeitos porque alguém apontou um furo óbvio duas horas depois. E, para mim, o maior benefício de todos é que você deixa de delegar a “inteligência” para a IA e passa a usar essas conversas como oportunidade de crescer junto dentro das decisões.

Neste artigo, trago cinco prompts prontos para copiar e usar como referência inicial, cada um pensado para uma situação específica de rotina de dados, aplicados a cinco áreas de negócio diferentes. Todos funcionam nas ferramentas mais usadas hoje (Claude, ChatGPT, Gemini, Copilot), com melhor resultado quando o setup da sua ferramenta já está configurado (voltamos nisso daqui a pouco).

Por que “me contradiz” gera análise melhor que “me responde”

Toda vez que você pede para a IA responder algo, ela busca a resposta mais provável no espaço de possibilidades que ela conhece. Isso funciona bem para pergunta fechada (o que significa uma medida, como funciona uma fórmula DAX). Funciona mal para análise, porque análise não é achar a resposta certa, é escolher a interpretação certa entre várias defensáveis.

Quando você inverte o pedido e diz “assuma que minha análise está errada e me mostre por quê”, a IA para de buscar a resposta mais provável e passa a buscar as brechas mais plausíveis. Para quem trabalha com dado, esse segundo modo é o que gera valor.

Estes cinco prompts que serão apresentados aqui funcionam em qualquer ferramenta de IA generativa: Claude, ChatGPT, Gemini, Copilot. Funcionam ainda melhor quando você já configurou o essencial: personalização de perfil, memória, Projects ou Gems, modo de raciocínio, conectores. Se ainda não tem esses pontos configurados, ou não faz nem idéia do que significam, não fique preocupado! Temos um artigo específico sobre isso aqui no Blog: 5 configurações-chave para transformar Claude, ChatGPT ou Gemini em copiloto de dados (clique aqui para acessar). Quem configura esses pontos, extrai muito mais desses prompts.

Antes de usar os prompts de IA: 3 ajustes que economizam tempo

Antes de colar qualquer um dos prompts, seguem três coisas que podem interferir na qualidade da resposta e vale a pena cuidar:

Contexto denso, não resumido. Quanto mais você conta sobre a análise real (números, período, metodologia, o que a área espera), mais afiada a crítica volta. Colar duas linhas de contexto e esperar crítica de qualidade não funciona.

Não aceite a primeira resposta. Depois da IA listar as críticas, sempre vale pedir: “e o que eu ainda estou deixando passar?” A segunda rodada costuma trazer algo que a primeira omitiu.

Sinalize a área e o público final. Analista de marketing tem contexto diferente de analista de operações. Diretor financeiro pergunta diferente de comitê de S&OP. Isso vai nos prompts abaixo, mas vale reforçar em qualquer variação sua.

Prompts de IA 1: revisar análise antes de apresentar para diretoria (BI e Analytics)

Cenário: você é analista de BI. Fechou um dashboard de desempenho financeiro do trimestre. Vai apresentar amanhã para a diretoria e acha que está tudo OK.

Por que a IA ajuda aqui: por mais que você tenha revisado sozinho, você já conhece a análise e esse é um viés que pode ser um problema. Você não vai fazer as perguntas que uma pessoa que está vendo aquilo pela primeira vez faria. A IA no papel de diretor cético faz esse trabalho por você, e a depender de como você preparar o seu prompt, faz o trabalho crítico de uma maneira até mais forte que o pior diretor de onde você trabalha.

Prompt para copiar:

Estou preparando um dashboard para apresentar amanhã ao CFO da minha empresa.

Contexto da análise (em 3 a 5 linhas):
[descreva o que o dashboard mostra, o período coberto e a decisão que ele apoia]

Números principais que aparecem:
[liste 3 a 5 números que a diretoria vai ver primeiro]

O que eu quero concluir com a apresentação:
[uma frase objetiva]

Aja como CFO experiente, cético e com pressa. Me faça as cinco perguntas mais difíceis que você faria nessa apresentação. Para cada pergunta:
1. Escreva a pergunta exatamente como o CFO faria.
2. Explique o que ele suspeitaria se a resposta não convencer.
3. Sugira o que eu deveria ter pronto (dado, gráfico, comentário) para responder.

Não me elogie a análise. Só ataque.

Como ler a resposta: sua meta não é responder todas as cinco perguntas com dado. Sua meta é identificar as duas ou três em que você não teria resposta boa hoje, e trabalhar em cima delas antes da reunião. Se sua análise sobrevive a essas duas ou três, você chega na apresentação em posição muito diferente. 

Prompts de IA 2: defender um KPI que contradiz a expectativa da liderança (Marketing)

Cenário: você é analista de marketing. Levantou que o CAC do trimestre subiu 30% em relação ao anterior. A gerente da área esperava queda porque investiu em otimização de campanha em um canal específico. Você vai levar o número mesmo assim.

Por que a IA ajuda aqui: quando o número contraria expectativa, a defesa que você mais precisa é a interna. Você precisa saber onde sua análise pode estar errada antes que a gerente encontre o erro na reunião. Não porque você quer esconder o furo, mas porque você quer entender se realmente é furo ou se é achismo dela.

Prompt para copiar:

Sou analista de marketing e vou apresentar amanhã que o CAC deste trimestre subiu 30% comparado ao trimestre anterior.

Minha gerente esperava queda porque investiu em otimização de campanha no canal [nome do canal].

Minha metodologia foi (em 3 linhas):
[descreva como você calculou CAC e comparou os períodos]

Antes de eu apresentar, questione essa análise como alguém tentando invalidá-la:
1. Que dado alternativo poderia contar história diferente do mesmo período?
2. Qual das minhas suposições está mais frágil?
3. O que eu estaria assumindo sobre esse período que talvez não seja verdade?
4. Existe explicação sazonal ou de mix (produto, região, público) que descole o resultado da campanha otimizada?
5. Como um gerente de marketing experiente refutaria essa análise em uma reunião?

Aponte cada ponto e me sugira o que checar antes de apresentar.

Como ler a resposta: preste atenção especialmente na pergunta 4. Sazonalidade, mix de produtos e mudança de público costumam ser os culpados invisíveis quando comparação de período contradiz expectativa. Se você quer entender de forma técnica como comparações de período são calculadas em Power BI (YTD, YoY, MoM, QoQ, LY), tem um artigo aqui no blog só sobre isso, e vale a leitura porque a maioria dos furos que a IA vai apontar tem raiz em erro de janela de comparação.

Prompts de IA 3: investigar causa raiz (Operações)

Cenário: você é analista de operações. O lead time de produção subiu de 12 para 16 dias no mês. O time inteiro está atribuindo ao atraso do fornecedor X, que de fato demorou três dias a mais do combinado. Você suspeita que o culpado óbvio não explica tudo, até mesmo porque temos diversas estratégias dentro da cadeia para evitar ou diminuir efeitos como esse, como por exemplo um buffer de inventário. 

Por que a IA ajuda aqui: em análise de causa raiz, o pior inimigo é a hipótese que todo mundo aceita cedo demais. Quando a área inteira convergiu em uma causa, quem precisa desconstruir essa convergência é você. A IA ajuda a gerar hipóteses concorrentes rápido, sem viés de time.

Prompt para copiar:

Sou analista de operações. Nosso lead time de produção subiu de 12 para 16 dias neste mês.
O time inteiro está atribuindo ao atraso do fornecedor X, que de fato demorou 3 dias a mais que o combinado.

Antes de fechar essa conclusão, gere cinco hipóteses alternativas que possam explicar (ou co-explicar) esse aumento:
- Uma hipótese ligada a mudança interna de processo
- Uma ligada a mix de produtos produzidos
- Uma ligada a disponibilidade de mão de obra
- Uma ligada a manutenção ou equipamento
- Uma ligada a demanda (pull do cliente)

Para cada hipótese:
1. Descreva ela em uma frase.
2. Me diga que dado eu precisaria olhar para confirmar ou descartar.
3. Estime a plausibilidade em alta, média ou baixa, e por quê.

Depois, indique qual das cinco eu deveria testar primeiro, considerando custo de coleta do dado versus impacto na conclusão.

Como ler a resposta: o valor deste prompt não está em achar a hipótese certa na primeira tentativa. Está em provar ou descartar a hipótese óbvia. Se, depois de testar duas hipóteses alternativas, ambas ficam descartadas, você fecha com muito mais segurança na hipótese do fornecedor. Se uma delas ganha corpo, você mudou a conclusão da análise. Para quem trabalha com Power BI e quer levar esse tipo de investigação para dentro do próprio modelo, escrevi sobre como agentes de IA podem atuar diretamente no Power BI via MCP, o que muda o jogo em cima de análises exploratórias.

Prompts de IA 4: dimensionar escopo de projeto sem contexto (Atendimento)

Cenário: você é coordenadora de dados. A gerente da área de atendimento pediu “um dashboard novo para acompanhar a jornada do cliente” e quer em três dias. Você suspeita que é maior do que parece, mas não consegue articular por quê antes de responder sim ou não.

Por que a IA ajuda aqui: pedido vago é o principal gerador de retrabalho em rotina de dados. Antes de aceitar o prazo, você precisa mapear o que está implícito no pedido, o que é decisão de escopo escondida e o que a pessoa que pediu não sabe que precisa decidir. A IA no papel de especialista experiente em dashboards ajuda a fazer esse mapeamento em minutos.

Prompt para copiar:

Sou coordenadora de dados. A gerente de atendimento me pediu "um dashboard novo para acompanhar a jornada do cliente" e quer em 3 dias.

Isso foi o que ela disse literalmente:
[cole o pedido dela: email, mensagem, transcrição de reunião]

Como especialista experiente em dashboards e projetos de dados, aponte:
1. Quais suposições implícitas estão nesse pedido (o que ela está assumindo que já existe ou que é simples e talvez não seja).
2. Quais decisões de escopo precisam ser tomadas antes de qualquer linha do dashboard ser desenhada (o que "jornada do cliente" pode significar, por exemplo).
3. Quais fontes de dado prováveis vão ser necessárias e quais riscos de disponibilidade existem em cada uma.
4. Três perguntas que eu preciso fazer para ela antes de dizer sim ao prazo.
5. Uma proposta de escopo mínimo entregável em 3 dias e um escopo completo que ela provavelmente quer, mas não sabe pedir.

Sem consultar nada externo, só com o pedido acima.

Como ler a resposta: o item 4 (as três perguntas para ela) é o que muda sua reunião com a gerente. Chegar lá com essas três perguntas mostra que você entendeu o pedido, e força a conversa a sair do “quero um dashboard” para o “qual dashboard”.

Um ponto adicional que costuma passar batido em projetos assim: se os dados envolvem informação sensível de cliente (dados de contato, tickets abertos com conteúdo pessoal, histórico de reclamação), vale checar antes se a sua empresa tem política de uso de IA aprovada e se você está autorizada a colar esse tipo de dado em uma ferramenta de IA. Se ainda não tem, os 12 elementos essenciais de uma política de uso de IA estão detalhados aqui.

Prompts de IA 5: escolher entre visualizações defensáveis (Supply Chain)

Cenário: você é analista de supply chain. Precisa apresentar cobertura de estoque de 40 SKUs para o comitê semanal de S&OE. Três formatos plausíveis passam na sua cabeça: barras horizontais ordenadas, tabela com heatmap por categoria, gráfico de bolhas cruzando cobertura e giro. Cada um conta uma história diferente.

Por que a IA ajuda aqui: escolha de visualização é decisão de comunicação, não de técnica. A pior forma de decidir é escolher aquela que você acha mais bonita. A melhor forma é entender o que cada uma perde em relação às outras. Pedir para a IA defender a pior versão de cada opção obriga você a enxergar os trade-offs.

Prompt para copiar:

Sou analista de supply chain. Preciso apresentar a cobertura de estoque de 40 SKUs para o comitê semanal de S&OP.

O comitê é composto por: diretor de operações, gerente de compras, gerente de vendas, diretor financeiro. O foco do comitê nesta semana é decidir se autoriza compra emergencial para 4 SKUs em cobertura crítica.

Três formatos que eu tinha em mente:
A) Barras horizontais ordenadas por cobertura (menor para maior)
B) Tabela com heatmap de cobertura por categoria de produto
C) Gráfico de bolhas com cobertura no eixo Y, giro no eixo X, tamanho da bolha = valor de estoque em reais

Assuma que cada uma dessas escolhas é a errada, e defenda por quê:
- Por que a A é a pior escolha nesse contexto?
- Por que a B é a pior?
- Por que a C é a pior?

Depois, com base nas três críticas, indique:
1. Qual visualização eu perderia menos ao escolher, considerando o foco do comitê.
2. Qual pergunta do comitê minha escolha responde primeiro.
3. Qual pergunta ela deixa de responder, e como eu compenso isso na fala.

Como ler a resposta: nenhuma das três é a resposta certa por si. A resposta certa é a que responde primeiro à pergunta central do comitê da semana (autorizar compra emergencial de quatro SKUs). Ao ler a crítica de cada uma, você entende qual delas melhor destaca esses quatro SKUs sem esconder o resto do quadro. Provavelmente será a A com marcação visual dos quatro críticos, mas a resposta pode ser outra dependendo do contexto que você deu.

O que separa quem usa esses prompts de IA bem de quem usa mal

Três erros aparecem toda vez que alguém copia esse tipo de prompt sem calibrar.

Erro 1: contexto de menos. Se você cola o prompt e enche de placeholder sem preencher, a IA vai responder com crítica genérica. A qualidade do output está em proporção direta com a qualidade do contexto que você entregou. Vale colar o dado real (dentro do que a política da sua empresa permite), a metodologia real, o público real.

Erro 2: parar na primeira resposta. A primeira lista de críticas costuma ser a mais óbvia. Uma segunda rodada com “e o que eu ainda estou deixando passar?” ou “aponte um ponto cego que ninguém pensou” tende a trazer o mais valioso. Analista bom pergunta duas vezes.

Erro 3: usar prompt de crítica em análise já decidida. Se você já apresentou o dashboard, se a decisão já foi tomada, se o KPI já está no report da liderança, não faz sentido pedir crítica agora. Prompt de sparring serve antes, não depois. Depois, o que faz sentido é aprender com o que quebrou, não desconstruir o que já foi comunicado.

Próximo passo

Esses cinco prompts de IA são a ponta prática de uma forma diferente de trabalhar com IA. A pessoa que consegue aplicar isso na rotina de dados sai de um lugar bem diferente da pessoa que usa IA só para gerar resumo automático de dashboard.

Se você quer se aprofundar em IA aplicada a dados, indo além dos prompts prontos e entrando na estrutura completa de como usar Power BI e IA na análise real do seu trabalho, esse é o núcleo da nossa Formação em Dados e Inteligência Artificial. É onde a gente ensina a fazer a conexão que separa quem usa dado bem de quem usa dado com IA melhor ainda.

Conhecer a Formação em Dados e Inteligência Artificial

Perguntas frequentes

Esses prompts funcionam melhor em qual ferramenta: Claude, ChatGPT ou Gemini?

Os cinco funcionam nas três. O que muda é a natureza da resposta. Claude tende a ser mais estruturado quando você pede crítica em lista numerada. ChatGPT tende a diversificar mais os ângulos. Gemini responde melhor quando você conecta com dado do Google Workspace. Se quiser entender melhor as diferenças entre elas, o guia completo sobre Claude já publicado no blog mostra o comparativo.

Preciso configurar a ferramenta antes de usar esses prompts?

Não é obrigatório, mas ajuda. Sem configuração, você precisa colar mais contexto em cada prompt. Com configuração de perfil e Projects ativos, boa parte do contexto (função, empresa, ferramenta, estilo de resposta) já vem carregada e o prompt fica mais curto e a resposta mais afiada.

Posso colar dados sensíveis da minha empresa nesses prompts?

Depende da política interna. Sem política aprovada, a regra prática é: não cole dado que identifica cliente, dado financeiro confidencial ou informação estratégica. Sinalize com dado despersonalizado, ou substitua nome real por rótulo genérico. Se a empresa tem plano enterprise contratado, a garantia contratual permite mais liberdade. Voltamos nesse ponto em detalhe no artigo sobre política de uso de IA na empresa.

Esses prompts servem para outras áreas além das cinco citadas?

Sim. As situações (revisar, defender, investigar, dimensionar, escolher visualização) são universais para quem trabalha com dados em qualquer função. Escolhi BI, Marketing, Operações, Atendimento e Supply Chain como exemplos porque são as áreas que mais me procuram nas turmas da Formação, mas o mesmo esqueleto funciona para RH, Financeiro, Vendas, Jurídico, tudo. Trocar o público final e o vocabulário da área basta.

Quanto tempo leva para essa forma de usar IA virar hábito?

Duas semanas, com aplicação em uma análise real por dia. A dificuldade não é técnica, é comportamental: você precisa parar de tratar a IA como buscador e passar a tratá-la como parceira crítica. Depois que o hábito pega, é difícil voltar.

Como sei se a IA está me contradizendo bem ou está inventando problema?

Sinal de crítica boa: cada ponto vem com uma sugestão do dado que você deveria olhar para checar. Sinal de crítica ruim: pontos vagos, sem indicação clara do que testar. Se a resposta ficou vaga, refaça o prompt com mais contexto ou peça: “para cada crítica que você me deu, me diga exatamente que dado eu precisaria olhar para confirmar ou descartar.”