O paradoxo que ninguém quer admitir: o Excel ainda manda, mesmo na era da IA
Eu trabalho com inteligência artificial todos os dias. Modelo treinado, pipeline em produção, agente automatizando fluxo de clientes. Mas na semana passada, perdi duas horas formatando uma planilha de orçamento para um cliente. E essa cena se repete mais do que qualquer dev sênior gostaria de admitir.
Segundo o Sapo.pt, que citou dados da Lightcast baseados em 1,3 mil milhões de anúncios de emprego, as vagas que pedem competências de IA pagam, em média, 28% a mais — algo como 18 mil dólares por ano de prémio salarial. Mas o número que me chamou a atenção foi o outro lado da moeda: 51% dessas vagas estão fora da tecnologia. Estão em escritórios de contabilidade, clínicas, escolas, condomínios, logística. Ou seja, a IA está a entrar nas empresas pela porta da frente, mas o trabalho diário ainda começa numa folha de cálculo.
Para quem programa, isso traduz-se numa coisa muito concreta: a IA valoriza o currículo, mas a entrevista técnica de muitas empresas — mesmo as “tech” — ainda passa por saber mexer numa tabela dinâmica. Se você é dev, entender esse ecossistema não é opcional. É estratégico.
Por que o Excel sobreviveu a 40 anos de promessas de “matar a planilha”
O Excel fez 40 anos em setembro de 2025. Foi lançado em 1985, primeiro no Macintosh, antes do Windows. Muita gente apostou na sua morte: Google Sheets, Notion, Airtable, dashboards de BI, ferramentas low-code. Sabe o que aconteceu? O Excel virou infraestrutura.
Na minha experiência com clientes corporativos, vejo três razões técnicas para essa persistência:
- Curva de aprendizado zero incremental. Quem sabe somar células, sabe usar 80% da ferramenta. Nenhum framework de BI entrega isso.
- Modelo de dados tabular flexível. Você pode colocar uma string numa coluna numérica sem o sistema explodir. Em qualquer banco relacional isso seria rejeitado. No Excel, vira “feature”.
- Compatibilidade universal. Toda empresa exporta CSV. Toda empresa abre XLSX. Nenhuma ferramenta de BI chegou nesse nível de ubiquidade.
E tem um quarto motivo que devs costumam esquecer: Excel é uma linguagem de programação disfarçada. Quem domina SUMIFS, XLOOKUP, LET e LAMBDA está, sem saber, a programar. São funções, são argumentos, são retornos. A diferença é que o “executável” é uma célula, não um container Docker.
IA como salário, Excel como porta de entrada — o que os dados realmente dizem
O relatório da Lightcast de 2025 é claro: competências de IA valem um prémio salarial médio de 18 mil dólares por ano. Mas esse prémio aparece叠加ado, não substitui competências tradicionais. Um analista financeiro que sabe usar Python + pandas + um modelo de LLM para automatizar relatórios não ganha mais só porque mexe em IA. Ganha mais porque combina tudo isso com a capacidade de abrir um Excel e mostrar ao diretor financeiro o que está a acontecer — em formato que o diretor entende.
Para devs, a lição é direta: se você só sabe programar e não sabe ler, organizar e apresentar dados numa planilha, está a perder mercado. Vi candidatos sêniores rejeitados porque “não conseguiam explicar o impacto do projeto numa linha de Excel para o board”. Em 2026, isso é red flag.
Na Prática: integrando IA numa planilha que o negócio entende
Deixa eu mostrar um caso real que montei para um cliente de e-commerce. Eles tinham um vendedor que passava 3 horas por dia a ler reviews de produtos e classificar sentimento. Achei isso absurdo. Vamos automatizar — mas com Excel como interface final.
Passo 1 — Exportar reviews para CSV
Eles já tinham o CSV exportado do CRM. Estrutura típica:
import pandas as pd
df = pd.read_csv("reviews.csv")
df = df[["id_produto", "comentario", "data"]].head
print(df.shape)
# (3842, 3)
Passo 2 — Classificar com um modelo leve de IA
Não precisa de GPT-4 para isso. Um modelo de classificação de sentimento local resolve e custa zero. Eu usei o transformers com um modelo distilled em português:
from transformers import pipeline
classificador = pipeline(
"sentiment-analysis",
model="pysentimiento/robertuito-sentiment-analysis"
)
def classificar(texto):
try:
resultado = classificador(texto[:512])[0]
return resultado["label"]
except Exception:
return "NEU"
df["sentimento"] = df["comentario"].apply(classificar)
df.to_excel("reviews_classificadas.xlsx", index=False)
print("Exportado para Excel.")
Passo 3 — Dashboard no Excel que o diretor sabe abrir
O resultado final foi um .xlsx com tabela dinâmica, segmentações por mês e gráfico de pizza por sentimento. O diretor abriu no telemóvel, filtrou por “negativo em outubro” e disparou um e-mail para o time de produto. Tempo total de processamento: 4 minutos para 3.842 reviews. Antes: 3 horas humanas.
Esse é o padrão que funciona: IA faz o trabalho pesado, Excel apresenta o resultado. Quem domina os dois lados desse fluxo é quem está a cobrar os 28% a mais.
Erros comuns que devs cometem quando ignoram o “lado Excel”
Ao longo dos anos, vi estes padrões se repetirem em times de desenvolvimento:
- Construir dashboards internos em React quando uma
tabela dinâmicaresolve. Custo de manutenção absurdo para um ganho marginal de UX. - Subestimar a formatação condicional. É programável visualmente. Quem sabe
=SE()com escala de cor faz em 30 segundos o que levaria horas em código. - Não versionar planilhas críticas. Se a planilha tem lógica de negócio, ela deveria estar no Git ou num banco. Misturar regras em VBA dentro de
.xlsxsem versionamento é pedir para chorar. - Tratar
=PROCV()como inferior aJOIN. Em datasets pequenos, VLOOKUP/XLOOKUP é mais rápido de iterar que escrever SQL. - Esquecer o
Power Query. Quem descobre o Power Query descobre um ETL visual que substitui 40% dos scripts Python de limpeza de dados do dia a dia.
Cada um desses erros custa tempo e dinheiro. Já entrei em empresas a perderem €2.000/mês em horas de devs a recriar funcionalidades que o Excel nativo já oferece.
Quando vale a pena sair do Excel?
Existe um limite claro. Saia do Excel quando:
- Mais de 5 pessoas editam ao mesmo tempo com regras de negócio críticas (concorrência).
- O dataset passa de ~100 mil linhas e a performance degrada (Power Query aguenta mais, mas há limite).
- Você precisa de auditoria real, logs e rollback de alterações.
- Há regras regulatórias que exigem controle de versão formal.
Até lá, Excel é a ferramenta certa. Aceitar isso é amadurecimento técnico.
Ferramentas e onde economizar sem perder qualidade
Se você trabalha em ambiente corporativo, sabe que licenças de Office e Windows pesam no orçamento. Para projetos pessoais, freelancers e pequenos times, vale olhar para chaves digitais com desconto — especialmente quando há promoções ativas.
A GoodOffer24 está com uma campanha que cobre praticamente todo o catálogo: Office 2024 a 17,2€ e Windows 11 Pro a 22,5€, ambos com 30% de desconto aplicado via cupão TT30. Para utilitários como CCleaner e Canva Pro, o cupão é TT10 (10% off). Os valores já incluem o desconto à data de publicação.
Antes de comprar, verifica sempre: (1) se a chave é vitalícia ou assinatura; (2) se suporta o idioma do teu sistema; (3) se é versão retail ou OEM. São detalhes que parecem menores, mas travaram projetos meus no passado.
FAQ — Perguntas que devs me fazem sobre Excel + IA
Excel ainda vale a pena aprender em 2026, mesmo sendo dev?
Sim. Não para substituir código, mas para acelerar prototipagem, validar dados com o time de negócio e comunicar resultados sem deploy.
Power Query substitui pandas?
Para 80% dos casos de limpeza de dados empresariais, sim. Para datasets grandes, transformações complexas ou integração com APIs, pandas continua melhor.
Como convencer o time a adotar Excel como interface final de um pipeline de IA?
Mostra o resultado num .xlsx antes de propor um dashboard web. Quando o stakeholder aprovar em 5 minutos o que levaria 2 sprints para construir, a conversa muda sozinha.
Office 2024 ou Microsoft 365?
Se você precisa de colaboração em tempo real e OneDrive, 365. Se é uso pessoal ou freelance, Office 2024 vitalício compensa mais a longo prazo.
LAMBDA no Excel substitui funções customizadas em Python?
Para lógica simples reutilizável, sim. Para qualquer coisa que envolva I/O, rede ou processamento pesado, Python é melhor.
O que fica disso tudo
Trabalhei nos últimos anos com empresas que pagavam fortunas em plataformas de BI e dashboards sofisticados, enquanto o time operacional continuava a fazer o trabalho real em Excel. O padrão é claro: a IA entra como camada de inteligência, mas a planilha continua como camada de comunicação. Quem entende as duas pontas tem vantagem competitiva real.
Não é glamorous. Não vai render likes no LinkedIn. Mas é o que está a pagar salários — inclusive os 28% acima da média que a Lightcast identificou. Aprende Excel a sério, integra IA onde faz sentido, e entrega o resultado no formato que o negócio consome. Esse é o jogo.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.