Guia ChatGPT Work com GPT-5.6: ciência de dados de ponta a ponta no seu navegador

GPT-5.6 é a família de modelos mais recente da OpenAI, disponível em três níveis: Sol para raciocínio profundo, Terra para o dia a dia com equilíbrio entre custo e qualidade, e Luna para tarefas rápidas e leves.

Junto com isso, a OpenAI lançou o ChatGPT Work, um espaço de trabalho dentro do ChatGPT feito para fluxos de trabalho em múltiplas etapas e baseados em arquivos.

Com o ChatGPT Work, você envia arquivos, mantém o contexto entre prompts e gera código, visualizações e ferramentas interativas — tudo no navegador, sem precisar configurar nada localmente.

Neste guia, vou mostrar como construir um projeto completo de previsão de churn de clientes de banco inteiramente dentro do ChatGPT Work. 

Vamos fazer o upload de um dataset real, auditar e limpar os dados e explorá-los com visualizações.

Depois, vamos treinar e comparar vários modelos de machine learning, avaliar o melhor e publicar uma interface web interativa para previsões de churn em tempo real.

No fim, você terá um pacote completo do projeto com dados limpos, gráficos, resultados dos modelos e um demo funcional — tudo criado sem sair do navegador.

O que é o ChatGPT Work?

O ChatGPT Work é um agente dedicado dentro do ChatGPT, criado para tarefas ambiciosas e em múltiplas etapas que vão muito além de perguntas e respostas simples. 

Ele reúne informações entre seus apps e fluxos de trabalho, cria materiais prontos como planilhas, slides, documentos e web apps, e acompanha projetos complexos por horas, dividindo-os em etapas menores e executando-as de forma autônoma.

Com a tecnologia Codex integrada, o ChatGPT Work vai além de responder perguntas: ele executa trabalho de verdade na web, no celular e no desktop. 

Você acompanha o progresso, tira dúvidas, muda a direção e aprova ações importantes enquanto ele trabalha.

O ChatGPT Work é alimentado pelo GPT-5.6, o que o torna referência em raciocínio por múltiplas etapas e na criação de materiais que seguem seus templates e arquivos de referência. 

Ele também suporta tarefas agendadas, mantendo projetos em andamento mesmo quando você está offline — por exemplo, transformar novas mensagens do Teams ou Slack em documentos atualizados e compartilhar mudanças com seu time.

Passo 1: fazendo upload de datasets no ChatGPT Work

Todo projeto de ciência de dados começa com dados. Neste passo, vamos criar um espaço de trabalho dedicado no ChatGPT Work e trazer o dataset de churn de clientes de banco para começarmos a trabalhar.

Abra o ChatGPT no navegador e clique na aba Work. Depois, clique em Choose Project no canto inferior esquerdo do chat, selecione New project e nomeie como Bank Customer Churn Prediction.

Também garanta que o GPT 5.6 Sol Light esteja selecionado, já que esta é uma tarefa simples e não precisamos de alto nível de raciocínio. 

A interface deve mostrar a aba Work ativa, o nome do seu projeto na parte inferior do chat e o seletor de modelo ajustado para 5.6 Sol Light.

Em seguida, baixe o arquivo Churn_Modelling.csv no Kaggle. 

Para enviar, clique no ícone de mais (+) na área de mensagem, selecione o arquivo no seu computador e anexe à conversa. O arquivo deve aparecer como um cartão de planilha acima do campo de entrada, pronto para envio. 

Passo 2: auditoria e limpeza de dados com o GPT-5.6

Dados brutos raramente são perfeitos. Antes de construir qualquer modelo, precisamos entender com o que estamos lidando e corrigir problemas que possam distorcer os resultados. 

Cole este prompt na caixa de entrada e pressione Enter:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Após enviar o prompt, o ChatGPT Work vai usar suas ferramentas internas para ler o dataset, entender sua estrutura e fornecer um resumo estruturado da auditoria.

Você também pode explorar as etapas que o ChatGPT Work executou para chegar a esse resumo. 

Essas etapas aparecem no histórico da conversa e mostram como o modelo analisou os dados, aplicou regras de validação e chegou a cada conclusão. 

No canto superior direito do chat, clique no botão de marcadores para abrir o painel Outputs. 

Esse painel vai mostrar dois arquivos gerados: um CSV limpo e um relatório completo de auditoria em formato markdown.

Passo 3: criando visualizações de dados no ambiente do ChatGPT Work

Números sozinhos não contam toda a história. Neste passo, vamos transformar os dados limpos em gráficos que revelem padrões no churn de clientes.

Vamos criar uma série de visualizações que mostrem a distribuição geral de churn, detalhem as taxas por segmentos de clientes e comparem variáveis numéricas entre quem ficou e quem saiu. 

Também vamos gerar um mapa de calor de correlação para ver como as variáveis numéricas se relacionam entre si.

Cole este prompt:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Como resultado, o ChatGPT Work vai gerar código em Python para fazer a análise e criar todas as visualizações. Depois, ele compila tudo em um relatório em PDF profissional, com cada gráfico acompanhado de explicação e um resumo dos principais insights.

Você pode explorar os arquivos gerados diretamente no ChatGPT Work ou baixá-los para revisar localmente. 

O painel Outputs vai listar o relatório em PDF junto com os arquivos individuais de gráficos ou notebooks de código criados durante o processo.

Passo 4: construindo e comparando modelos

Agora que entendemos os dados, é hora de treinar modelos que prevejam quais clientes têm maior chance de sair. 

Vamos montar um pipeline de machine learning robusto, comparar vários algoritmos e escolher o melhor com base em métricas sólidas.

Cole este prompt:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Depois de enviar o prompt, o ChatGPT Work vai gerar um script reprodutível de pipeline com scikit-learn e executá-lo.

Você verá atualizações no histórico mostrando cada etapa: checagem de bibliotecas, execução do pipeline, validação cruzada apenas no conjunto de treino e verificação dos resultados finais.

Ao concluir, você verá uma tabela de comparação limpa com os quatro modelos ranqueados pelas métricas. 

A tabela inclui acurácia, precisão, recall, F1, ROC-AUC e PR-AUC de cada modelo. 

Neste projeto, o modelo de Gradient Boosting se destaca como o melhor, liderando em PR-AUC e ROC-AUC.

Passo 5: avaliando o desempenho do modelo preditivo

Com o melhor modelo escolhido, precisamos ver como ele se sai em dados que nunca viu. 

Vamos rodar uma avaliação completa no conjunto de teste intocado e criar visualizações que facilitem a interpretação dos resultados.

Cole este prompt:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Após enviar o prompt, o ChatGPT Work vai avaliar o modelo de Gradient Boosting no conjunto de teste reservado e gerar um relatório em PDF completo. 

O relatório inclui quatro visualizações. 

• O mapa de calor da matriz de confusão mostra, de relance, as contagens de previsões corretas e incorretas. 
• A curva ROC ilustra o quão bem o modelo separa churners de não churners em diferentes limiares. 
• A curva precisão-recall destaca o trade-off entre capturar churners e evitar alarmes falsos. 
• O gráfico de importância de variáveis ranqueia os atributos mais usados pelo modelo, sendo comum idade, número de produtos, status de membro ativo, saldo da conta e geografia aparecerem entre os principais fatores.

Passo 6: publicando web apps diretamente com ChatGPT Work Sites

Modelo que só vive em relatório é difícil de compartilhar. Neste passo, vamos transformar nosso preditor de churn treinado em um aplicativo web ao vivo e interativo que qualquer pessoa pode abrir e testar.

Cole este prompt:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

O ChatGPT Work tem um recurso chamado Sites, que permite criar e publicar aplicativos web diretamente do seu projeto. 

Ao enviar este prompt, o ChatGPT Work primeiro vai alinhar a saída do modelo com os requisitos da interface e, em seguida, usar HTML, JavaScript e CSS para criar o aplicativo.

Ele também fornecerá um link para você testar. Esta etapa leva mais tempo, pois envolve conectar as previsões do modelo a uma interface polida que responde instantaneamente às entradas do usuário.

Ao clicar no link, o aplicativo web abre dentro da interface do ChatGPT. Você verá campos de entrada para todos os atributos do cliente, como idade, tempo de casa, saldo e salário. 

Você pode testar inserindo valores diferentes e, em milissegundos, verá o resultado da previsão indicando se o cliente tende a ficar ou sair, junto com a probabilidade de churn.

A resposta é rápida e assertiva, dando uma noção real de como o modelo se comporta com dados reais de usuário.

Assim, você valida seu modelo para usuários finais sem escrever uma linha de backend ou configurar servidores.

Passo 7: exportando seu projeto final e relatórios do ChatGPT Work

Todo projeto sólido merece um resumo caprichado. Neste passo, vamos reunir tudo o que construímos em um documento profissional que conta a história completa — dos dados brutos às previsões ao vivo.

Cole este prompt:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Depois de enviar o prompt, o ChatGPT Work vai consolidar o projeto inteiro em um único PDF. 

Você verá o progresso enquanto ele reúne a análise verificada, os resultados dos modelos, os gráficos de avaliação e as capturas de tela da interface web ao vivo. 

Ele também vai gerar dois perfis de clientes de exemplo — um com previsão de permanência e outro de saída — para comprovar o funcionamento do demo.

Ao concluir, o painel Outputs vai listar o PDF final. 

O relatório cobre a auditoria de dados, a análise exploratória, as visualizações, o treinamento de modelos, a comparação, a avaliação final, os principais achados, limitações, instruções da interface e os dois exemplos funcionais de previsão. 

Você pode abri-lo diretamente no ChatGPT Work ou baixá-lo para compartilhar com outras pessoas.

O ChatGPT Work mantém todos os arquivos do projeto no painel Outputs, mas baixar um por um pode ser trabalhoso. 

A forma mais prática de pegar tudo de uma vez é pedir para o ChatGPT Work empacotar tudo em um único arquivo ZIP com pastas organizadas.

Cole o prompt: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Depois de enviar, o ChatGPT Work vai reunir todos os arquivos gerados e organizá-los em pastas como data, visualizations, reports, modeling, evaluation e web_interface. 

Depois de baixar, basta extrair localmente e navegar por todos os artefatos do projeto — do dataset limpo original ao app de previsão ao vivo. 

Considerações finais

Acredito que o ChatGPT Work muda a forma como a ciência de dados é feita.

Tudo acontece no navegador, sem instalações, sem configuração de ambiente, sem dor de cabeça com dependências. 

Você faz upload de um arquivo, envia um prompt e vê o sistema limpar os dados, criar gráficos, treinar modelos e publicar um app ao vivo — tudo em um só fluxo.

A sensação é parecida com ferramentas como Claude Code, mas a diferença está na velocidade e na simplicidade. Você não precisa configurar nada. Não há pacotes para gerenciar. Não espera kernel iniciar. 

Você conversa e ele constrói. 

O modelo analisa seus dados, treina, se avalia e depois se publica em uma interface web que você pode compartilhar ou testar na hora.

Comparado a setups locais com VS Code, extensões e notebooks espalhados, isso parece outro mundo. Sem espaço em disco consumido por ambientes. Sem conflito de versões. Sem alternar entre dez ferramentas. Você fica em um só lugar e o projeto cresce ao seu redor.

Para quem quer ir de dados brutos a um demo de previsão funcional sem tocar no terminal, o ChatGPT Work com GPT-5.6 é o caminho mais rápido.