O melhor prompt para analisar uma planilha no ChatGPT não começa com “encontre insights”. Ele começa impondo uma ordem de trabalho: primeiro entender a estrutura, depois diagnosticar problemas, em seguida propor o plano, só então calcular e validar. Essa sequência reduz um risco comum em análises assistidas por IA: receber uma conclusão aparentemente convincente sem saber quais abas, filtros, fórmulas, exclusões ou suposições produziram o resultado.
A documentação atual da OpenAI reforça essa cautela. O ChatGPT pode analisar arquivos .xls, .xlsx e .csv, criar tabelas e gráficos e executar cálculos, transformações e análises estatísticas baseadas em Python. Ao mesmo tempo, a própria documentação recomenda revisar código, resultados e premissas. No ChatGPT para Excel e Google Sheets, em beta e disponível globalmente segundo a documentação consultada em 31 de agosto de 2026, a recomendação é ser explícito sobre o que preservar, pedir um plano antes de grandes edições e revisar fórmulas, cálculos, citações e células alteradas antes de confiar no resultado.
Prompt pronto: análise de planilha com diagnóstico, validação e rastreabilidade
Envie a planilha ou CSV e cole o prompt abaixo. Troque apenas o trecho entre colchetes se quiser indicar uma pergunta específica.
Atue como analista de dados responsável por uma análise auditável e reproduzível desta planilha/CSV.
Objetivo principal: [descreva a pergunta de negócio ou escreva “descobrir o que os dados permitem concluir com segurança”].
Regra de operação: comece em modo somente leitura. Não altere, sobrescreva, limpe, preencha, exclua, recodifique ou reordene os dados-fonte sem minha aprovação explícita. Quando precisar transformar dados para analisar, use uma cópia derivada, DataFrame, nova aba ou arquivo de saída e preserve o original.
1. Faça o inventário antes de analisar. Liste arquivos e abas disponíveis; dimensões aproximadas; nomes das colunas; tipos de dados aparentes; chaves ou identificadores possíveis; granularidade de cada tabela; intervalo de datas; unidades; fórmulas relevantes; quantidade de vazios; duplicatas aparentes; e relações possíveis entre abas. Se houver várias tabelas na mesma aba, identifique-as separadamente.
2. Diagnostique a qualidade sem corrigir ainda. Procure valores ausentes, duplicatas, tipos incompatíveis, datas inválidas, categorias grafadas de formas diferentes, outliers, valores impossíveis, quebras de fórmula, totais suspeitos, linhas de subtotal misturadas aos dados e mudanças de unidade ou escala. Separe claramente “problema observado”, “hipótese” e “impacto possível”. Não conserte nada nesta etapa.
3. Defina o que será respondido. Reescreva a pergunta analítica em uma frase. Se o objetivo estiver ambíguo, liste as interpretações possíveis e escolha apenas o que puder ser sustentado pelos dados, marcando as incertezas.
4. Proponha o plano antes de qualquer edição. Mostre a sequência de análises, métricas, filtros, agrupamentos, junções, transformações e gráficos que pretende usar. Para cada cálculo importante, indique colunas de origem, fórmula ou método, denominador e tratamento de valores ausentes. Se alguma etapa exigir alterar a pasta de trabalho, pare e peça aprovação antes dessa alteração.
5. Execute primeiro a análise de forma não destrutiva. Preserve os dados-fonte. Registre contagem de linhas antes e depois de filtros, junções e remoções na cópia derivada. Documente qualquer exclusão e nunca descarte outliers apenas porque parecem estranhos; investigue e mostre o efeito de incluí-los e excluí-los quando isso for relevante.
6. Mantenha rastreabilidade dos resultados. Para cada número-chave, informe a aba/tabela de origem, colunas usadas, filtros aplicados, fórmula ou código, período, unidade e denominador. Se usar Python, mostre o código relevante ou descreva com precisão suficiente as operações para que outra pessoa consiga repeti-las.
7. Faça validação e sanity checks. Reconcilie totais com subtotais quando houver; compare cálculos equivalentes por caminhos independentes quando possível; verifique unidades, sinais, datas, percentuais e casas decimais; teste valores extremos; inspecione amostras de linhas que sustentam as conclusões; e sinalize resultados que mudam muito com pequenas alterações de filtro ou premissa.
8. Entregue um relatório reproduzível. Organize a resposta em: (a) resumo executivo; (b) inventário dos dados; (c) problemas de qualidade; (d) metodologia; (e) resultados com tabelas; (f) anomalias e exceções; (g) premissas e limitações; (h) sanity checks realizados; (i) passos exatos para reproduzir a análise; e (j) perguntas que os dados ainda não conseguem responder.
9. Só altere a planilha se eu aprovar depois. Se eu pedir correções, faça-as em cópia, nova aba ou arquivo de saída sempre que possível. Gere um log de mudanças com localização, valor/estado anterior, valor/estado novo e motivo. Não substitua o original silenciosamente. Se a ferramenta não puder garantir uma alteração não destrutiva, pare e explique a limitação.
10. Antes de encerrar, faça uma revisão final. Confirme se a conclusão realmente decorre dos dados, se nenhum cálculo-chave ficou sem trilha de auditoria, se há alguma suposição não declarada e se uma pessoa diferente conseguiria repetir o resultado com o mesmo arquivo.
Por que esse prompt é mais seguro do que “analise esta planilha”
Um pedido genérico pode produzir uma resposta útil, mas deixa decisões metodológicas implícitas. A IA pode escolher uma aba, interpretar uma coluna, remover linhas, agrupar categorias ou calcular uma média sem que o usuário perceba que havia alternativas igualmente plausíveis. O prompt acima transforma essas escolhas em etapas visíveis.
| Etapa | Saída esperada | Sinal de alerta |
|---|---|---|
| Inventário | Abas, colunas, tipos, chaves, granularidade e período | A análise começa sem mapear o arquivo |
| Diagnóstico | Vazios, duplicatas, erros, outliers e inconsistências | Problemas são “corrigidos” antes de serem quantificados |
| Plano | Métricas, filtros, fórmulas, junções e denominadores | O método fica escondido atrás de uma resposta pronta |
| Execução | Cálculos em cópia derivada e contagens antes/depois | O original é alterado para facilitar a análise |
| Validação | Reconciliações, amostras, checagem de unidade e sensibilidade | Não há teste independente para os números principais |
| Relatório | Resultado, método, limitações e passos de reprodução | A resposta traz conclusão sem trilha de auditoria |
O que significa “inventariar o schema” de uma planilha
Schema, aqui, é o mapa operacional dos dados. Não basta listar nomes de colunas. A análise precisa descobrir o que cada linha representa, quais campos podem identificar registros, como as abas se relacionam, se uma coluna está em reais ou milhares de reais, se a data é de venda ou de pagamento e se existem totais misturados aos registros detalhados.
Esse inventário é especialmente importante em arquivos herdados, planilhas com várias abas e CSVs exportados de sistemas. Duas colunas chamadas “valor” podem significar coisas diferentes; uma linha aparentemente duplicada pode ser uma segunda parcela; e uma data vazia pode significar “não realizado”, não simplesmente “dado faltante”. O prompt manda o ChatGPT tornar essas ambiguidades visíveis antes de tratá-las como fatos.
Diagnóstico não é limpeza automática
Detectar um problema e corrigi-lo são decisões diferentes. Se “São Paulo”, “SP” e “Sao Paulo” aparecem na mesma coluna, a inconsistência é observável. Unificá-las em uma categoria única pode ser razoável, mas já é uma transformação. Em uma análise auditável, a transformação deve ser proposta, justificada e registrada.
O mesmo vale para valores ausentes e outliers. Preencher um vazio com média, zero ou último valor conhecido pode alterar a conclusão. Excluir uma venda muito grande porque “parece erro” pode apagar justamente o evento mais importante do período. O prompt exige que o modelo mostre o problema primeiro e, quando necessário, compare cenários antes e depois da decisão.
O plano deve aparecer antes de a IA mexer nos dados
A orientação oficial do ChatGPT para Excel e Google Sheets recomenda pedir um plano antes de grandes edições e ser específico sobre o que pode ou não ser alterado. Essa é uma regra útil mesmo quando você trabalha no ChatGPT tradicional com um arquivo anexado: faça a IA declarar o método antes de executar a parte irreversível.
Um bom plano não diz apenas “vou analisar tendências”. Ele informa, por exemplo: “vou filtrar pedidos com status concluído, agrupar por mês da data de faturamento, somar receita líquida, dividir clientes únicos por canal e comparar o resultado com o total da aba Resumo”. Esse nível de detalhe torna possível detectar um denominador errado antes que ele contamine o relatório inteiro.
Rastreabilidade: como saber de onde veio cada número
Para um resultado ser reproduzível, outra pessoa precisa conseguir chegar ao mesmo número a partir do mesmo arquivo. Por isso, cada métrica importante deve carregar sua trilha: aba, colunas, filtros, fórmula, unidade, período e denominador. Se houver código Python, a documentação da OpenAI orienta revisar código, resultados e premissas; pedir o código relevante ou uma descrição exata das operações reduz a dependência de uma explicação puramente narrativa.
Isso também ajuda a separar três coisas que frequentemente se confundem:
- fato do arquivo: o valor existe em determinada célula ou linha;
- resultado calculado: o valor foi obtido por soma, média, taxa, junção ou transformação;
- interpretação: o resultado sugere uma causa, tendência ou decisão.
Quanto mais importante a decisão, menos essas três camadas devem aparecer misturadas.
Sanity check: o teste que impede uma análise elegante e errada
Sanity check é uma verificação de plausibilidade. Não prova sozinho que o cálculo está certo, mas encontra erros que uma fórmula formalmente válida pode esconder. Se a soma de vendas por região supera muito o total geral, pode haver duplicação após uma junção. Se uma taxa de conversão passa de 100%, o numerador e o denominador talvez pertençam a universos diferentes. Se a receita mensal muda dez vezes de uma coluna para outra, pode haver unidade em reais de um lado e milhares de reais do outro.
O prompt obriga a procurar esse tipo de inconsistência por reconciliações, cálculos independentes, inspeção de amostras e testes de sensibilidade. É uma etapa pequena que aumenta muito a confiabilidade prática.
Como adaptar o prompt para Excel, CSV e planilhas com várias abas
Para um CSV simples
Acrescente a pergunta de negócio e peça foco em tipos, separador decimal, encoding, datas e duplicatas. Como o CSV não preserva fórmulas ou várias abas, a rastreabilidade deve se concentrar em colunas, filtros e transformações.
Para um Excel com fórmulas
Peça explicitamente um mapa das fórmulas-chave, dependências e células de entrada antes de qualquer correção. Se a análise apontar uma fórmula quebrada, solicite primeiro a explicação da cadeia de referências e o impacto estimado; a correção vem depois.
Para uma pasta com várias abas
Exija que o modelo identifique a função de cada aba e as chaves usadas para relacioná-las. Uma junção errada pode multiplicar linhas silenciosamente. Por isso, peça contagem de linhas antes e depois de cada merge e teste de unicidade das chaves.
Para análise recorrente
Peça que o relatório termine com uma “receita de reprodução”: arquivo de entrada, abas usadas, filtros, transformações, fórmulas, código, ordem das etapas e checks. Assim, na atualização do mês seguinte, você não depende da memória da conversa.
O que o ChatGPT consegue fazer — e o que ainda precisa de revisão humana
Segundo a documentação oficial de análise de dados, o ChatGPT pode inspecionar arquivos, resumir linhas e colunas, identificar tendências e valores discrepantes, criar tabelas e gráficos e executar cálculos e transformações com Python. A mesma documentação alerta que o método escolhido pode não corresponder à intenção do usuário na primeira tentativa e recomenda revisar código, saídas e premissas.
No ambiente nativo de Excel e Google Sheets, a OpenAI também avisa que as saídas podem estar incompletas ou incorretas e orienta revisar fórmulas, cálculos, citações e células alteradas. Para trabalhos importantes, recomenda duplicar o arquivo para facilitar a reversão. Portanto, “usar IA” não elimina controles; muda onde eles precisam aparecer.
Checklist para aceitar ou rejeitar a análise
- O modelo descreveu todas as abas ou tabelas relevantes antes de concluir?
- Informou o que cada linha representa e quais colunas são chaves?
- Quantificou vazios, duplicatas e inconsistências antes de corrigi-los?
- Explicou filtros, fórmulas, denominadores e tratamentos de exceção?
- Preservou o arquivo original ou trabalhou em uma cópia derivada?
- Mostrou contagens antes/depois de filtros e junções?
- Conseguiu reconciliar os principais totais?
- Fez pelo menos uma checagem independente dos números críticos?
- Separou fatos do arquivo, cálculos e interpretações?
- Registrou limitações e perguntas que os dados não respondem?
- Deixou instruções suficientes para repetir a análise?
Um prompt seguro não impede a IA de trabalhar; ele torna o trabalho verificável
A vantagem deste prompt não é tornar o ChatGPT “incapaz de errar”. Nenhum prompt oferece essa garantia. O ganho é obrigar a análise a deixar rastros: primeiro o mapa dos dados, depois os problemas, depois o método, então os cálculos e finalmente as checagens. Se algo estiver errado, você consegue localizar em qual etapa a decisão foi tomada.
Para análises de alto impacto, mantenha uma cópia do arquivo original, revise fórmulas e cálculos críticos e valide resultados contra uma fonte independente quando houver. O objetivo é usar a velocidade da IA sem abrir mão de controle, contexto e reprodutibilidade.
