Prompts de custeio com IA em que um especialista de custos confia mesmo
Controllers, CFO e equipas financeiras ja estao a pedir ao ChatGPT, Claude, Gemini e Copilot para "construir o meu modelo de custos" ou "ajudar-me com o orcamento e a previsao". A maioria recebe uma resposta confiante construida sobre numeros inventados. Este hub da-lhe o contrario: prompts que escrevemos e testamos enquanto especialistas em custo e rentabilidade, cada um com um exemplo resolvido, uma protecao anti-alucinacao e uma nota honesta sobre o que a IA pode e nao pode fazer com os seus dados.
Testado nos assistentes de IA atuais. Atualizado em junho de 2026.
Em resumo
Um assistente de IA e excelente a dar-lhe a estrutura de um modelo de custos, a explicar um metodo e a fazer a aritmetica depois de lhe fornecer os dados. Torna-se perigoso quando o deixa adivinhar os dados, porque os grandes modelos de linguagem produzem texto estatisticamente plausivel, nao factos verificados. A solucao e um prompt bem construido: de-lhe um papel, de-lhe os seus numeros reais numa tabela, peca-lhe que mostre cada formula e proiba-o de inventar numeros. Os prompts deste hub fazem exatamente isso. Nao substituem um modelo construido sobre os seus proprios dados e validado por um especialista, mas dao-lhe um primeiro rascunho limpo e impedem-no de confiar num que foi fabricado.
Porque e que "constroi o meu modelo de custos" costuma sair pela culatra
Fizemos o teste para que nao tenha de o fazer. Demos a um assistente de IA de topo uma unica linha: "Ajuda-me a construir um modelo TDABC para a minha empresa." A resposta foi articulada e o metodo estava certo. O problema foi tudo o que inventou pelo caminho: assumiu um departamento que custava 560,000 por ano, 28 colaboradores, uma taxa de 0.08 por minuto e tempos de atividade de 8, 44 e 50 minutos. Nada disto veio de um negocio real. Depois terminou a pedir os dados que deveria ter pedido logo no inicio, o que significa uma segunda ronda completa de conversa antes de obter algo utilizavel.
Num uso casual isso e inofensivo. Em financas nao e. Uma taxa fabricada que parece razoavel e exatamente o tipo de numero que sobrevive ate dentro de um documento para o conselho. A disciplina que separa uma resposta util de uma arriscada nao e a ferramenta. E o prompt.
Depois demos ao mesmo assistente um prompt estruturado: um papel claro, os numeros reais do departamento numa tabela curta, uma instrucao passo a passo para mostrar cada formula e uma regra, nao inventes nada, sinaliza cada pressuposto. Devolveu um modelo de Custeio Baseado em Atividades Orientado pelo Tempo completo e auditavel numa unica passagem, com a matematica correta e oito pressupostos listados de forma visivel. Mesma ferramenta, mesma tarefa, um resultado diferente, porque foi o prompt que fez o trabalho.
Uma palavra honesta sobre tokens
Vai ver afirmacoes de que bons prompts "poupam 90% dos tokens". Nao foi isso que verificamos, e nao vamos fingir o contrario. Um unico pedido vago e um unico pedido estruturado consomem um numero semelhante de tokens. O verdadeiro custo de um prompt vago e diferente e pior:
- Desperdica uma ronda. Um prompt vago tem de voltar e pedir os seus dados, por isso paga duas conversas em vez de uma.
- Inventa numeros. Os tokens que gasta sao gastos a produzir numeros que depois tem de detetar e apagar.
- Um prompt estruturado acerta a primeira. Uma passagem, aritmetica correta, pressupostos sinalizados, nada para desfazer.
Escala aproximada, texto em ingles: cerca de 4 caracteres equivalem a 1 token, e 100 tokens correspondem a cerca de 75 palavras (fonte: OpenAI). O portugues e o espanhol usam mais tokens por palavra. As contagens exatas dependem do modelo, por isso trate cada valor de tokens deste site como aproximado.
A biblioteca de prompts
Cada pagina abaixo da-lhe um prompt pronto a copiar, um exemplo resolvido simples para ver o que produz, uma nota aproximada de tokens e uma protecao anti-alucinacao. Comece pela tarefa que tem hoje.
Por tarefa
Por funcao
Leia isto primeiro
Que assistente de IA para trabalho de custeio
Qualquer um destes consegue executar os prompts deste hub. Diferem na quantidade de dados que conseguem reter de uma vez, na forma como lidam com ficheiros e em onde ficam os seus dados. Esta e uma fotografia de junho de 2026; os modelos e os precos mudam depressa, por isso verifique a versao atual antes de se comprometer.
| Plataforma | Criador | Janela de contexto | Upload de ficheiros | Melhor para financas |
|---|---|---|---|---|
| ChatGPT | OpenAI | ~128K | Sim | Ecossistema mais amplo, GPT personalizados para tarefas repetidas |
| Claude | Anthropic | 200K a 1M | Sim | Maior contexto pratico, forte em documentos longos e raciocinio cuidadoso |
| Gemini | 1M | Sim | Contexto enorme, nativo do Google Sheets e Docs | |
| Microsoft Copilot | Microsoft | ~128K | Sim | Vive dentro do Excel e dos ficheiros Office que ja usa |
| Perplexity | Perplexity | Varia | Sim | Pesquisa com fontes citadas |
| Mistral (Le Chat) | Mistral | 128K a 256K | Sim | Baixo custo e residencia de dados na UE para trabalho sensivel ao RGPD |
| DeepSeek | DeepSeek | ~128K | Sim | Custo de API muito baixo para analise de grande volume |
| Grok | xAI | 131K a 256K | Limitado | Sinal de mercado e social em tempo real a partir do X |
| Meta Llama | Meta | ~128K | Via ferramentas | Pesos abertos, alojamento proprio sem dependencia de fornecedor |
| Notion AI | Notion | Herdado | Sim | Dentro do seu espaco de trabalho e bases de dados Notion |
Fontes: precos e trackers de modelos publicados em 2026. Verifique o modelo e os limites atuais antes de confiar neles. Nao temos qualquer relacao comercial com nenhuma destas plataformas.
E qual modelo dentro de cada plataforma
A tabela acima compara as plataformas. Dentro das duas que mais usamos, a escolha não acaba aí: cada uma oferece vários modelos, e o que escolher altera a qualidade do raciocínio, a velocidade, e o que a execução lhe custa em tokens. Estes prompts são agnósticos ao modelo e correm em qualquer assistente capaz. Construímos e testamos os modelos dos nossos clientes sobretudo em Claude e ChatGPT, por isso são os dois de que podemos falar com confiança. Os outros funcionam; simplesmente temos menos quilometragem neles para custeio.
Claude Anthropic · preferido, mais testado
O Claude lê uma exportação financeira longa numa só passagem e é cuidadoso com a aritmética e os pressupostos, que é o que um modelo de custeio precisa. Escolha o nível conforme a dificuldade da tarefa.
- Opus 4.8 - o nível de topo. Raciocínio mais profundo, ideal para um modelo TDABC multidepartamental completo, uma whale curve sobre milhares de linhas, ou uma P&L reconstruída sobre várias dimensões. Mais lento e com custo de tokens mais elevado, por isso recorra a ele quando o modelo é complexo e a resposta tem de aguentar perante um conselho de administração.
- Sonnet 5 - a opção equilibrada por defeito. Qualidade forte com boa velocidade e custo. Certo para a maioria dos modelos de um só departamento e para a análise do dia a dia. Comece aqui a não ser que a tarefa seja invulgarmente pesada.
- Haiku 4.5 - rápido e económico. Ideal para as passagens leves e iterativas: reformatar uma tabela, verificar uma fórmula, uma análise de sensibilidade rápida. Itere aqui, e depois confirme o modelo final em Sonnet ou Opus.
- Fable 5 - especializado; não é a ferramenta para construir um modelo de custos.
ChatGPT OpenAI · preferido, mais testado
O ecossistema mais amplo, e corre os passos de cálculo diretamente sobre um ficheiro carregado, o que é conveniente para custeio numa só passagem. Oferece a mesma forma de escolha que o Claude.
- Modelo de raciocínio de topo - para os modelos pesados e multipasso onde a aritmética e a lógica têm de estar exatamente certas. Use-o quando constrói o modelo completo ou a P&L multidimensional.
- Modelo mais rápido e barato - para iteração e passagens mais leves, quando está a afinar tabelas ou a testar um único pressuposto.
- Carregue os seus dados e deixe-o correr os passos sobre o ficheiro em vez de colar números à mão.
Gemini Google
- Contexto muito grande e nativo do Google Sheets e Docs, por isso adequa-se a equipas já no Google Workspace.
- Aponte-o a uma folha com as mesmas colunas que o prompt espera.
- Testámo-lo menos para custeio do que o Claude e o ChatGPT, por isso trate a sua primeira passagem como um rascunho e verifique a aritmética.
Microsoft Copilot Microsoft
- A sua vantagem é a localização: vive dentro do Excel e dos ficheiros Office onde os seus números já estão.
- Bom para correr um prompt contra um livro de cálculo sem tirar os dados do seu ambiente.
- Verifique as contas como faria com qualquer assistente.
Os restantes Perplexity · Mistral / Le Chat · DeepSeek · Grok · Llama
Estes também funcionam, e cada um tem uma razão para existir: investigação com fontes, residência de dados na UE, baixo custo de API em volume, sinais em tempo real, self-hosting. Para trabalho de custeio estruturado estão no nível "também correu o prompt" e não no nosso padrão testado. Se usar um, mantenha a linha de salvaguarda no prompt e reconcilie o resultado com a sua razão antes de confiar nele.
Porque e que estes prompts sao diferentes
Nao somos uma empresa de IA. Somos especialistas em custo e rentabilidade que constroem modelos de Custeio Baseado em Atividades Orientado pelo Tempo para viver, e fazemo-lo desde 2010. Cada prompt aqui esta escrito na linguagem do metodo, testado num assistente real, e construido em torno da unica regra que importa em financas: o modelo so e tao bom quanto os dados, e os dados tem de ser os seus, nao a adivinha da maquina. Os prompts dao-lhe um rascunho credivel. Quando precisar de um modelo em que o seu conselho, o seu auditor ou o seu comprador confiem, esse e construido sobre os seus numeros reais e validado por uma pessoa.
De um prompt a um modelo que pode defender
Um prompt da-lhe uma estrutura e uma primeira passagem. Nao consegue ver o seu razao geral, reconciliar com as suas contas, ou responder por um numero numa disputa. Esse e o trabalho que fazemos. Pegamos no rascunho que um assistente o ajudou a esbocar, substituimos cada pressuposto pelos seus dados reais, construimos o modelo em CostCtrl para que se mantenha vivo depois de o projeto terminar, e entregamos-lhe um resultado que pode colocar a frente de qualquer pessoa. Se ja usou um destes prompts e quer a coisa a serio, e essa a conversa a ter.
Prova
Um distribuidor na Nova Zelândia. €1,335M de custo de servir tornado visível, depois reduzido a metade, e 830 clientes deficitários reduzidos a 295.
Ler o estudo de caso →Com quem vai falar
Miguel Guimarães, Sócio-fundador
A trabalhar em custos e rentabilidade há mais de 25 anos. Apresentou o caso de cost-to-serve da Damco no Managing for Profit (Amesterdão RAI, dezembro de 2009), no mesmo programa que Robert S. Kaplan.
Ligue +351 910 313 731
