Skill de marketing que monta relatório: dá para confiar nos números que ela escreve?

Fala aí, beleza? Existe uma diferença enorme entre uma skill que ARRUMA os números que você entregou e uma que preenche o buraco com uma frase plausível

E o problema é que as duas saem com a mesma cara de relatório pronto

Skill de marketing que monta relatório é uma das automações mais tentadoras que existem hoje: você joga as exportações lá, ela devolve tabela organizada, resumo executivo, tudo formatadinho

Também é uma das mais fáceis de aceitar sem conferir, justamente porque a saída sai bem escrita

E o ceticismo do mercado não é pequeno: pesquisa citada pela Supermetrics no 2026 Marketing Data Report aponta que apenas 1% dos profissionais de marketing declara confiança total em IA

Bora entender onde fica a linha, e como escrever a skill pra ela ficar do lado certo dessa linha

Organizar número que existe x inventar interpretação: onde fica a linha

A maior parte da confusão sobre confiar ou não confiar some quando você separa as duas famílias de tarefa

Se liga no ponto central: o risco quase nunca está na conta

Pré-inscrição Formação Claude Code

Domine o Claude Code do básico ao avançado

Você vai aprender a criar sistemas completos com Claude Code, sem precisar ser programador. Inscreva-se para ter acesso a um desconto de lançamento e bônus especiais!

Quero minha vaga

O risco está na FRASE de explicação

Somar coluna é tarefa determinística, ou bate com a planilha ou não bate, e você descobre em dez segundos

Já "a queda de conversão veio da mudança de criativo na campanha X" é uma frase que o modelo consegue produzir com fluência total mesmo quando o dado de suporte simplesmente não está no material

Ela não vem marcada com aviso de risco, vem escrita igual ao resto do relatório, e é aí que mora o perigo

Os três jeitos de o relatório sair errado (e como perceber)

1. Número que não existe na planilha de origem

Sintoma: você abre o relatório, procura o valor na exportação original e não acha, ou acha diferente

Causa: preenchimento de lacuna, o clássico

Faltou a linha de um período, faltou a métrica de um canal, e o texto continuou fluindo como se estivesse tudo lá

Como prevenir: exigir, dentro do SKILL.md, que cada valor do relatório venha acompanhado da origem (arquivo, aba, linha ou coluna)

Sem origem citada, o número não entra no relatório

Isso segue direto a recomendação de exigir citações para afirmações factuais, uma das técnicas listadas na página oficial da Anthropic sobre reduzir alucinações

2. Explicação causal sem dado que a sustente

Sintoma: o relatório tem uma seção de análise linda, com porquês, e nenhum desses porquês aparece no material que você entregou

Causa: instrução vaga no corpo da skill

"Analise os resultados" é um convite aberto pro modelo produzir análise, e ele vai produzir, com ou sem base

Como prevenir: autorizar explicitamente o "não sei"

Essa é uma das três técnicas que a mesma página da Anthropic lista: dar permissão pro modelo dizer que não tem base pra afirmar

Na prática, é uma linha no SKILL.md dizendo que, quando o dado não sustenta a explicação, a saída correta é registrar que não há informação suficiente, e não arriscar hipótese

3. Leitura errada de documento longo

Sintoma: material grande, tipo um dump de várias fontes, e o relatório mistura números de contextos diferentes

Causa: análise feita por cima do documento inteiro, sem ancoragem

Como prevenir: pedir a extração de trechos literais ANTES da análise

A Anthropic recomenda essa técnica de grounding por citação direta especificamente para tarefas com documentos longos, acima de 20 mil tokens

O fluxo vira: primeiro copia o trecho exato da fonte, depois raciocina em cima do trecho copiado

Como estruturar a skill para ela exigir a fonte dos números

Agora a parte prática

Se você conhece um plugin de editor, a ideia de skill é parecida: é uma capacidade que você pluga e que só entra em cena quando o assunto casa

1. Crie a pasta da skill com um SKILL.md dentro

No Claude Code, uma skill é literalmente uma pasta com um arquivo SKILL.md

Skills pessoais ficam em ~/.claude/skills/ e skills de projeto ficam em .claude/skills/, e essas de projeto viajam com o repositório (ótimo quando o relatório é do time inteiro, não só seu)

.claude/skills/relatorio-marketing/SKILL.md

O erro comum deste passo: jogar o arquivo solto na raiz de skills/ em vez de dar uma pasta própria pra cada skill

2. Escreva o frontmatter YAML com os dois campos obrigatórios

O SKILL.md combina frontmatter YAML (entre os marcadores ---) com corpo em Markdown

Obrigatórios são apenas dois: name e description

---
name: relatorio-marketing
description: Monta relatório mensal de marketing a partir de exportações fornecidas pelo usuário, organizando e formatando apenas números presentes nos arquivos de origem. Use quando o usuário pedir consolidação de planilhas ou CSVs de campanhas em um relatório único.
---

O name aceita só letras minúsculas, números e hífens, tem limite de 64 caracteres e precisa ser IGUAL ao nome da pasta

A description tem limite de 1.024 caracteres e precisa dizer o que a skill faz E quando usá-la

O erro comum deste passo: description preguiçosa do tipo "faz relatórios"

Skills funcionam por divulgação progressiva: no começo só name e description entram no contexto, o corpo do SKILL.md só é carregado quando a skill é acionada, e arquivos extras da pasta são lidos sob demanda

Ou seja, description ruim significa skill que nunca é acionada na hora certa, e você nem percebe o porquê

3. No corpo, autorize o "não sei" de forma explícita

Essa é a instrução que quebra o reflexo de sempre entregar uma análise

## Regras de dado

Se uma métrica, período ou dimensão não estiver nos arquivos fornecidos,
escreva "dado não disponível no material de entrada" e siga em frente.
Nunca estime, nunca interpole, nunca complete período faltante.

O erro comum deste passo: deixar a autorização no meio de um parágrafo genérico

Seção própria, frase curta, sem espaço pra interpretação

4. Exija citação de origem para toda afirmação factual

## Citação obrigatória

Todo número do relatório deve vir com a origem entre parênteses:
arquivo, aba e linha/coluna de onde ele foi lido.
Número sem origem citada não entra no relatório.

O erro comum deste passo: aplicar a regra só na tabela e esquecer do resumo executivo, que é justamente onde as frases interpretativas se escondem

5. Peça trechos literais antes da análise

Quando o material é grande, mande a skill primeiro copiar os trechos exatos que sustentam cada seção do relatório, e só depois montar o texto

O erro comum deste passo: pular essa etapa por achar que gasta contexto à toa

Em material longo, é ela que segura a mistura de números de fontes diferentes

6. Restrinja as ferramentas com allowed-tools

O frontmatter aceita o campo opcional allowed-tools, que limita quais ferramentas aquela skill pode invocar

---
name: relatorio-marketing
description: ...
allowed-tools: Read
---

Uma skill que só lê exportação e escreve relatório não tem motivo pra ter passe livre

O erro comum deste passo: montar a lista pensando em conveniência futura em vez do que a skill realmente precisa hoje

7. Se o relatório não pode rodar sozinho, feche o acionamento automático

Com disable-model-invocation: true, o Claude não aciona a skill por conta própria

Combinado com user-invocable: true, ela só roda quando a pessoa digita /nome-da-skill

---
name: relatorio-marketing
description: ...
disable-model-invocation: true
user-invocable: true
---

Tome cuidado aqui: existe um bug reportado na issue 26251 do repositório do Claude Code em que a skill com disable-model-invocation: true acaba não sendo invocada nem quando o usuário digita o slash command explicitamente

O erro comum deste passo: configurar e assumir que funcionou

Teste o slash command na hora, antes de depender dele no fechamento do mês

8. Lembre do ambiente onde a skill roda

A documentação de boas práticas registra que, na API da Anthropic, o ambiente de execução das skills não tem acesso à rede nem instalação de pacotes em tempo de execução, mas roda com sistema de arquivos, comandos bash e execução de código

Ou seja: qualquer skill de relatório que dependa de "buscar o dado que falta" na hora já nasce torta nesse ambiente

O material tem que chegar completo na entrada

Como testar a skill antes de confiar no relatório

Escrever a instrução é metade

A outra metade é medir se ela mudou alguma coisa de verdade, e isso vale em dobro se você pegou a skill pronta de uma dessas listas de skills prontas em vez de escrever do zero

1. Documente a falha primeiro

Antes de qualquer instrução nova, registre o comportamento errado que você quer corrigir, com o material que o produziu

Sem isso você não tem como saber depois se melhorou ou se só ficou diferente

2. Crie a avaliação ANTES da documentação extensa

A documentação oficial de boas práticas recomenda essa ordem: documentar a falha, criar a eval, medir a linha de base sem a skill, escrever a instrução mínima e iterar comparando

O erro comum deste passo: escrever um SKILL.md gigante primeiro e só depois tentar avaliar

Aí você não sabe qual pedaço fez efeito

3. Meça a linha de base sem a skill

Rode o mesmo pedido sem a skill ativa e guarde a saída

É o seu ponto de comparação

4. Monte o seu próprio jeito de rodar as avaliações

A Anthropic afirma na mesma documentação de boas práticas que não oferece hoje uma forma embutida de rodar essas avaliações: quem escreve a skill precisa montar o próprio sistema

O erro comum deste passo: procurar o botão mágico que não existe e desistir de avaliar

5. Use o Skill Creator pra não fazer tudo na unha

O Skill Creator é um plugin oficial da Anthropic, instalado com o comando abaixo

/plugin install skill-creator@claude-plugins-official

Ele tem quatro modos (Create, Eval, Improve e Benchmark) e usa agentes especializados: Executor roda a skill contra prompts de teste, Grader avalia a saída contra as expectativas definidas, Comparator compara versões às cegas e Analyzer sugere melhorias

6. Faça o teste do buraco de propósito

Esse é o teste que eu colocaria em qualquer skill de relatório antes de confiar nela

Pegue uma planilha real, APAGUE uma métrica ou um período de propósito, e mande a skill montar o relatório

Se ela avisar que o dado não está disponível, ótimo

Se ela devolver o relatório completo e bonitinho, você acabou de descobrir exatamente o que ela faz com lacuna 🙂

Onde essa skill vale a pena e onde não vale

Vale muito a pena:

• Consolidar exportações de várias fontes num formato único, que é trabalho braçal puro e sem julgamento envolvido
• Padronizar o relatório mensal recorrente, sempre com as mesmas seções, mesma ordem, mesmo recorte, sem você reconstruir o layout todo mês
• Gerar rascunho de resumo executivo a partir de números já fechados, com os valores vindo prontos da fonte e a skill só cuidando da redação

Se o que você quer é a coleta rodando sozinha antes disso, aí o caminho é outro: vale olhar como montar relatórios automáticos de SEO com n8n e deixar a skill cuidando só da parte final

Não vale a pena (ou vale só com revisão obrigatória):

• Relatório que vai direto pro cliente ou pra diretoria sem ninguém ler antes, porque o custo do erro aqui não é técnico, é de credibilidade
• Atribuição de resultado a canal, que é exatamente a família de frase que o modelo escreve bem sem ter o dado
• Qualquer número que embase decisão de verba, onde uma casa decimal errada vira dinheiro real

A regra prática é simples: quanto maior a consequência da decisão que sai daquele relatório, menos opcional fica a conferência humana

Veredito: até onde confiar no relatório que a skill escreve

Sem ficar em cima do muro: a skill é confiável como formatadora e organizadora, não como analista

Ela acelera a MONTAGEM do relatório, não substitui a conferência

Se você tratar a saída dela como rascunho estruturado, ganha tempo de verdade

Se tratar como análise pronta, uma hora você apresenta uma explicação causal que ninguém consegue rastrear até a planilha, e o vexame é ao vivo

O que sempre precisa de olho humano antes de publicar:

• Cada número, conferido contra a fonte original, não contra a versão que a própria skill escreveu
• Toda frase que explica um porquê, sem exceção
• Toda comparação de período, porque é onde lacuna de exportação vira comparação torta
• Todo dado que não estava no material de entrada, que por definição não deveria estar ali

Conclusão

No fim, o que separa relatório útil de relatório inventado não é o modelo, é a INSTRUÇÃO que você escreveu na skill

Skill sem regra de dado vai produzir análise sempre, porque é isso que a gente pediu quando escreveu "analise os resultados"

Skill com "não sei" autorizado e citação de origem obrigatória passa a te avisar quando o material está furado, que é justamente a informação mais valiosa antes de um fechamento

Próximo passo prático: abre agora o SKILL.md da skill de relatório que você já usa

Procura duas coisas, o "não sei" autorizado e a exigência de citar a origem de cada número

Se não tiver nenhuma das duas, escreve as duas seções e roda uma eval simples com material incompleto antes do próximo fechamento mensal

É meia hora de trabalho que evita um relatório inteiro apresentado com número que ninguém acha na planilha 😀

até o próximo post!