AWS HCLS Agent Skills Miram a Lacuna de Raciocínio da IA na Saúde

A AWS lançou 38 habilidades de agentes AWS HCLS de código aberto após identificar uma lacuna preocupante: modelos fundacionais conseguem citar regras clínicas, mas as aplicam incorretamente. A coleção abrange 11 domínios de saúde e ciências da vida. A AWS afirma que agentes com habilidades venceram de 69,5% a 85,9% das comparações em uma avaliação com 410 prompts.

Esse resultado questiona uma suposição comum sobre IA especializada. Mais informações recuperadas não produzem necessariamente melhor julgamento. Um agente pode localizar a diretriz correta, repetir sua terminologia e ainda assim lidar mal com limites, regras de ordenação ou categorias de evidência.

A AWS propõe uma intervenção diferente. Suas habilidades codificam procedimentos decisórios como arquivos legíveis que um agente carrega quando uma tarefa corresponde a gatilhos definidos. Portanto, a principal disputa não é entre a AWS e outro provedor de nuvem. É entre metodologia explícita e conhecimento geral do modelo.

A abordagem também traz uma qualificação importante. A AWS gerou os prompts de avaliação e usou outro modelo para julgar as respostas. Os resultados são encorajadores, mas não constituem validação clínica independente. Essa distinção importa antes que qualquer agente com habilidades seja aplicado a um fluxo de trabalho consequente.

AWS HCLS Agent Skills Transformam Procedimentos de Especialistas em Arquivos Abertos

O lançamento separa a metodologia de domínio do modelo fundacional, tornando o raciocínio especializado mais fácil de inspecionar e atualizar.

A AWS publicou a coleção em 16 de setembro de 2026. Seu lançamento inicial continha 38 habilidades distribuídas em 11 domínios, incluindo genômica, descoberta de fármacos, operações de saúde, dados clínicos e imagens médicas.

Cada habilidade é um arquivo estruturado SKILL.md, e não um novo modelo. Os arquivos contêm frameworks de decisão, procedimentos ordenados, referências de parâmetros, critérios de validação e condições de falha conhecidas. O front matter em YAML informa aos agentes compatíveis quando uma habilidade se aplica e o que ela exige.

A coleção segue o padrão Agent Skills, que define um formato portátil para empacotar instruções, scripts e recursos de apoio. A AWS lançou sua coleção sob a licença permissiva MIT-0.

A AWS divide os arquivos entre habilidades de raciocínio e habilidades de pipeline. As habilidades de raciocínio descrevem como avaliar um problema. As habilidades de pipeline fornecem comandos, parâmetros e padrões de implementação para concluir trabalho técnico.

Essa distinção aborda dois modos de falha diferentes. Um agente pode escolher o critério clínico errado mesmo quando seu código é executado corretamente. Ele também pode entender o critério, mas gerar um comando inválido, um parâmetro obsoleto ou um pipeline na ordem incorreta.

A habilidade de interpretação de variantes genômicas ilustra a primeira categoria. Ela codifica o framework de evidências por trás das estabelecidas diretrizes ACMG, incluindo critérios de classificação e considerações sobre frequência populacional.

Uma habilidade relacionada de chamada de variantes ilustra a segunda categoria. Ela fornece orientações de implementação para ferramentas como GATK4, incluindo grupos de anotações e padrões de configuração. A primeira habilidade orienta o julgamento, enquanto a segunda apoia a execução.

Essa estrutura difere da geração aumentada por recuperação, ou RAG. O RAG recupera trechos relevantes de uma fonte indexada antes de gerar uma resposta. Uma habilidade, em vez disso, fornece o procedimento para usar informações, incluindo regras de ordenação e verificações de erro.

Os dois métodos podem se complementar. A recuperação pode fornecer um documento de política atual ou estudo. Uma habilidade pode indicar ao agente quais evidências priorizar, quais exclusões se aplicam e como testar a conclusão.

Essa diferença é especialmente relevante na saúde. Uma diretriz raramente é apenas uma coleção de fatos. Ela frequentemente contém dependências, limites, exceções, hierarquias e requisitos de documentação que precisam ser aplicados em sequência.

Os arquivos também podem ser revisados sem retreinar um modelo fundacional. Uma equipe pode atualizar um limite de política ou um alerta de implementação em texto legível. Os revisores podem então inspecionar a mudança exata.

A portabilidade é outra parte da proposta. A AWS afirma que o formato funciona com mais de 20 ambientes de agentes, incluindo Kiro, Amazon Quick, Strands Agents, Claude Code e OpenAI Codex.

A instalação é intencionalmente simples. Os desenvolvedores podem clonar o repositório aberto e inspecionar cada arquivo antes de usá-lo:

Um instalador universal de habilidades oferece uma segunda opção:

Usuários do Kiro podem executar o instalador incluído e selecionar um agente HCLS pré-configurado. Desenvolvedores do Strands podem carregar o diretório de habilidades por meio de AgentSkills e então vinculá-lo a um agente.

Essas opções reduzem a barreira de integração, mas a instalação é apenas o primeiro passo. As organizações ainda precisam verificar cada procedimento em relação às políticas atuais, protocolos locais e uso pretendido.

A coleção, portanto, altera onde vive o comportamento especializado. Ela move parte da camada de domínio dos pesos do modelo e prompts ocultos para arquivos versionáveis. Isso torna o auxílio de raciocínio visível, mas visibilidade não garante correção.

Por Que Modelos Gerais Podem Conhecer a Regra e Ainda Errar a Decisão

A IA na saúde frequentemente falha na aplicação procedimental, e não na simples lembrança de fatos.

A AWS começa com um exemplo revelador. Um agente recebe uma solicitação para classificar uma variante missense de TP53 segundo os critérios ACMG e AMP. O modelo pode identificar o framework relevante, mas ainda lidar incorretamente com suas categorias de evidência.

Ele pode ignorar limites de frequência populacional ou inventar pontuações de preditores computacionais. A resposta pode soar confiável porque seu vocabulário está correto. A classificação subjacente ainda pode estar errada.

Esse é um problema mais difícil do que alucinar uma diretriz inexistente. Uma citação fabricada cria um alvo óbvio para verificação. Um framework corretamente nomeado, mas aplicado de forma incorreta, pode sobreviver a uma revisão superficial.

Riscos semelhantes aparecem em toda a saúde e as ciências da vida. A adjudicação de sinistros exige resolução de hierarquias e coeficientes atuais. Pipelines de imagem dependem da ordem correta das operações de pré-processamento. A pesquisa de fármacos exige classificação explícita de evidências e restrições translacionais.

Modelos fundacionais aprendem associações estatísticas em enormes coleções de texto. Esse treinamento pode produzir ampla fluência factual. Ele não garante a execução confiável de todos os processos decisórios especializados.

Prompts de sistema têm limitações relacionadas. Um prompt pode instruir um agente a seguir um padrão, verificar seu trabalho e evitar conclusões sem sustentação. Essas instruções raramente contêm o procedimento operacional completo para todas as tarefas de domínio.

Carregar todos os procedimentos possíveis também cria problemas. A AWS estima que inserir todas as 38 habilidades em um único contexto consome cerca de 80.000 tokens. Instruções irrelevantes podem competir por atenção e aumentar a sobrecarga de inferência.

A coleção usa divulgação progressiva para lidar com esse problema. Um agente primeiro vê metadados compactos descrevendo as habilidades disponíveis. Ele carrega instruções detalhadas apenas depois de associar uma solicitação a uma capacidade relevante.

A AWS também fornece uma configuração multiagente para o Kiro. Um coordenador leve direciona solicitações entre oito especialistas. Cada especialista carrega aproximadamente 15.000 tokens de material de domínio, em vez da coleção inteira.

Esse design cria uma nova dependência: a precisão do roteamento. Um procedimento clínico sólido oferece pouco valor quando o coordenador seleciona o especialista errado. Questões entre domínios também podem exigir várias habilidades em uma sequência deliberada.

Ainda assim, o modelo de roteamento esclarece o argumento central da AWS. A empresa não afirma que um prompt mais longo resolve o raciocínio na saúde. Ela propõe procedimentos modulares selecionados para a tarefa em questão.

Essa abordagem pressiona equipes que dependem de modelos gerais cada vez mais capazes sem uma camada metodológica separada. Janelas de contexto maiores e benchmarks mais fortes não codificam automaticamente políticas locais nem impõem consistência procedimental.

Ela também pressiona arquiteturas baseadas apenas em recuperação. Um sistema que recupera cinco parágrafos relevantes ainda pode não ter instruções para conciliá-los. O agente precisa de regras para conflitos, limites, evidências ausentes e escalonamento.

O fine-tuning oferece outro caminho, mas oculta mais comportamento dentro dos pesos do modelo. Atualizar uma única política pode exigir novos dados de treinamento, validação e outro ciclo de implantação. Uma habilidade baseada em texto pode ser revisada por meio de práticas familiares de controle de mudanças.

As habilidades não devem substituir a recuperação ou o fine-tuning em todos os casos. Sua vantagem parece mais forte quando o elemento ausente é um procedimento explícito. Elas são menos úteis quando o sucesso depende principalmente de fatos indisponíveis ou dados de pacientes inacessíveis.

Uma arquitetura madura pode combinar as três abordagens. A recuperação fornece evidências atuais, as habilidades fornecem lógica operacional e o fine-tuning molda comportamentos recorrentes. O lançamento torna a camada procedimental mais fácil de separar e auditar.

Essa separação também apoia a combinação de conhecimento, na qual equipes conectam contexto recuperado a conhecimento de trabalho organizado. Em ambientes regulados, a questão crucial continua sendo como o agente transforma esse contexto em uma decisão.

Três Fluxos de Trabalho Mostram o que o Raciocínio Estruturado Muda

Os exemplos trabalhados se concentram em erros suficientemente plausíveis para escapar a uma revisão casual.

A AWS demonstra as habilidades por meio de reaproveitamento de fármacos, ajuste de risco do Medicare e pré-processamento de imagens cerebrais. Cada exemplo compara uma resposta geral com outra orientada por procedimentos explícitos de domínio.

O cenário de descoberta de fármacos pede a um agente que avalie medicamentos aprovados que afetam a sinalização TGFBR1 para fibrose pulmonar idiopática. Um agente genérico pode produzir uma lista de inibidores relacionados e resumir a literatura disponível.

Essa resposta não necessariamente classifica as evidências de forma consistente. Ela pode misturar o engajamento direto do alvo com associações mais fracas de vias. Também pode discutir plausibilidade biológica sem testar a translatabilidade clínica.

A versão com habilidades ativa procedimentos de reaproveitamento de fármacos e pesquisa translacional. Ela prioriza tipos de interação e bancos de dados selecionados, depois classifica candidatos por meio de uma hierarquia de evidências definida.

O fluxo de trabalho também mapeia o mecanismo proposto para processos de fibrose. Ele examina transições de fibroblastos, alterações epiteliais e deposição de matriz extracelular. Por fim, considera histórico de segurança, janelas terapêuticas e relevância do modelo.

Isso não torna o candidato resultante clinicamente válido. Torna o caminho de raciocínio mais explícito. Um pesquisador pode questionar os critérios de classificação ou substituir um limite sem reconstruir uma resposta opaca.

O segundo exemplo envolve um plano Medicare Advantage com 12.000 membros. A tarefa é calcular pontuações do Fator de Ajuste de Risco a partir de dados de diagnóstico e demográficos sob o CMS-HCC Model V28.

Um pipeline superficialmente plausível pode omitir hierarquias de doenças, usar um modelo desatualizado ou somar coeficientes antes de resolver condições que se sobrepõem. Esses erros podem inflar pontuações mantendo o SQL legível.

O agente com habilidades aplica a desduplicação dentro do ano de medição e resolve relações hierárquicas antes da agregação. Ele também segmenta membros por categorias demográficas e de elegibilidade.

Esse cenário mostra por que a correção procedimental importa comercial e legalmente. O CMS mantém recursos oficiais de ajuste de risco, enquanto modelos de pagamento e mapeamentos podem mudar a cada ano.

Uma skill estática também pode se tornar desatualizada. Portanto, as organizações devem vincular a skill a uma versão de política verificada e testar suas premissas. A portabilidade não deve se tornar uma desculpa para copiar uma lógica antiga para um novo ano de pagamentos.

O terceiro exemplo aborda o pré-processamento de MRI ponderada em T1 para morfometria baseada em voxels. Uma equipe de pesquisa precisa processar exames de 45 adultos saudáveis usando FSL e ANTs.

Um agente sem skill pode citar as etapas esperadas, mas colocá-las na ordem errada. A AWS destaca a correção do campo de viés e a remoção do crânio como uma dependência consequente.

Corrigir a não homogeneidade de intensidade antes da remoção do crânio ajuda a proteger a máscara cerebral contra sinais desiguais próximos aos limites dos tecidos. Inverter as etapas pode distorcer o tecido extraído e enviesar análises posteriores.

A resposta com skill especifica a ordem, fornece um script e inclui controles de qualidade intermediários. Ela também lista condições de falha relacionadas à orientação, sombreamento residual, tecido do pescoço e registro.

Aqui, o valor não vem de fatos obscuros. Muitos modelos conhecem os nomes das ferramentas e operações. A skill conecta esses fatos por meio de um processo ordenado com pontos de verificação.

Nos três casos, o agente se torna menos propenso a saltar diretamente de uma solicitação para uma resposta bem acabada. Ele precisa expor premissas, classificar evidências, seguir dependências e descrever modos de falha.

Esse padrão é significativo para a adoção empresarial. Compradores do setor de saúde frequentemente precisam mais de repetibilidade e rastreabilidade do que de uma primeira resposta impressionante. Um procedimento que revisores podem inspecionar oferece um alvo de validação mais claro.

No entanto, esses exemplos vêm dos criadores da coleção. A AWS selecionou as tarefas, os procedimentos e os contrastes. Equipes independentes devem testar se os mesmos ganhos se mantêm em diferentes conjuntos de dados, organizações e restrições operacionais.

O Teste de 410 Prompts Favorece Skills, mas o Harness Muda o Resultado

A AWS relata uma vantagem significativa, mas a diferença de 16,4 pontos entre os harnesses alerta contra tratar uma única taxa de vitória como universal.

A avaliação utilizou 410 prompts. Desses, 380 tinham como alvo skills individuais e 30 exigiam raciocínio entre skills. A AWS comparou cada agente com uma versão de referência que não tinha acesso às skills.

Uma configuração usou Kiro CLI com seleção automática de modelo. O agente podia usar uma ferramenta de raciocínio e ler arquivos. As condições com skill e de referência foram executadas dentro dessa configuração geral.

A segunda configuração usou o Strands Agents SDK com Claude Sonnet 4.6 selecionado explicitamente. Ambas as condições receberam uma ferramenta de raciocínio, enquanto a condição com skill também carregou a coleção.

A AWS usou Claude Opus 4.7 como avaliador automatizado. Ele pontuou precisão científica, coerência, relevância, pensamento crítico e aplicabilidade em uma escala de 100 pontos.

A empresa enfatizou a taxa de vitória porque avaliadores baseados em modelos frequentemente comprimem as pontuações em uma faixa estreita. Uma vitória registra se a resposta com skill pontuou acima de sua equivalente de referência.

A taxa geral de vitória do Kiro foi de 69,5%, com um tamanho de efeito Cohen’s d de 0,39. O Cohen’s d mede a diferença entre as médias dos grupos em relação à sua variação combinada.

A configuração Strands produziu uma taxa geral de vitória de 85,9% e um tamanho de efeito de 0,97. Trata-se de um efeito relatado muito maior sob o segundo harness.

O pensamento crítico apresentou a melhoria recorrente mais clara. Sua taxa de vitória alcançou 78,0% no Kiro e 85,1% no Strands. Os tamanhos de efeito correspondentes foram 0,65 e 1,03.

A precisão científica venceu 69,3% das comparações no Kiro e 86,2% no Strands. A aplicabilidade venceu 68,0% e 77,3%, respectivamente.

Esses números sustentam o mecanismo por trás das skills de agentes HCLS da AWS. O maior benefício parece estar na aplicação de frameworks, no questionamento de premissas e na produção de próximos passos executáveis.

Os resultados também mostram que a infraestrutura de agentes importa. Uma taxa de vitória de 69,5% e uma de 85,9% descrevem expectativas práticas diferentes. A seleção de skills, o tratamento de contexto, a escolha de modelo e as ferramentas disponíveis podem afetar o desempenho.

O relatório técnico da AWS reconhece várias limitações. Toda a pontuação foi automatizada, e nenhum especialista humano validou um subconjunto das respostas.

Os prompts de teste também foram gerados com um modelo. Isso cria uma possível convergência entre a forma como as perguntas foram estruturadas, como as skills foram escritas e como o avaliador recompensou as respostas.

O relatório afirma que cada skill individual teve apenas 10 prompts. Essa amostra é pequena demais para classificações confiáveis de skill por skill. A AWS observa intervalos de confiança amplos e classificações instáveis entre configurações.

A configuração Kiro também usou seleção automática de modelo em vez de uma versão fixada. Ambas as condições compartilhavam esse mecanismo, mas o comportamento exato do modelo não foi totalmente controlado.

A avaliação é mais forte como evidência para a abordagem em nível de coleção. É mais fraca como prova de que toda skill melhora toda tarefa, ou de que um agente pode tomar decisões clínicas sem supervisão.

A qualidade da referência complica ainda mais o resultado. A AWS encontrou correlações de menos 0,59 e menos 0,61 entre a força da referência e o benefício da skill. Em geral, respostas de referência mais fracas obtiveram ganhos maiores.

No Kiro, prompts com referência fraca registraram uma taxa de vitória de skills de 87%. Os prompts médios chegaram a 79%, enquanto os fortes caíram para 55%. A pontuação média da faixa forte caiu 0,3 ponto.

O Strands mostrou um padrão semelhante. Prompts fracos alcançaram uma taxa de vitória de 96%, prompts médios chegaram a 89% e prompts fortes alcançaram 54%.

Isso cria uma troca prática. As skills oferecem seus maiores ganhos quando os modelos não dispõem de procedimentos confiáveis. Elas podem adicionar ruído ou restrições quando um modelo já executa bem uma tarefa.

A AWS também relata menor variância em alguns domínios. A variação das pontuações de dados clínicos no Kiro caiu de 6,8 para 3,3, uma redução de 51%. Respostas mais consistentes podem importar mesmo sem uma melhoria média expressiva.

Consistência não é o mesmo que segurança. Um procedimento sistematicamente errado pode produzir respostas consistentemente erradas. As equipes precisam de conjuntos de dados de referência, revisão humana e controles para usos consequentes.

A orientação sobre ciclo de vida de AI da FDA oferece um contexto mais amplo útil. A AI médica exige atenção contínua a risco, documentação, monitoramento e gestão de mudanças.

A AWS não afirma que esses arquivos atendem a requisitos regulatórios ou substituem o julgamento profissional. A avaliação mede a qualidade das respostas sob prompts controlados, não resultados de pacientes nem aceitação regulatória.

A Verdadeira Disputa É Metodologia Explícita Contra Improvisação Plausível

A AWS aposta que procedimentos transparentes podem reduzir erros silenciosos de raciocínio sem aprisionar a expertise dentro de um único modelo.

Essa aposta tem vários pontos fortes. Uma skill é legível, comparável por diferenças e versionável. Revisores podem inspecionar seus limiares, identificar exceções ausentes e rastrear uma resposta modificada até um arquivo alterado.

O formato também separa o trabalho de domínio da aquisição de modelos. Uma equipe de saúde pode preservar um procedimento revisado enquanto testa diferentes ambientes de agentes ou modelos fundamentais.

Essa portabilidade pode reduzir a dependência de um sistema de prompts de um único fornecedor. Também torna as deficiências mais fáceis de comparar. A mesma skill pode ser avaliada em dois harnesses com prompts controlados.

O licenciamento aberto incentiva revisão externa e adaptação. Um hospital, pagador ou laboratório pode adicionar políticas específicas da organização. Também pode remover seções que não se aplicam localmente.

No entanto, a personalização cria obrigações de governança. Quando uma organização altera uma skill, a avaliação da AWS deixa de validar essa versão. A equipe passa a ser responsável por suas evidências, testes, aprovações e processo de atualização.

Texto legível também pode criar falsa confiança. Um procedimento pode parecer razoável para revisores de software enquanto contém um erro clínico sutil. Especialistas do domínio devem revisar tanto o conteúdo quanto suas condições de ativação.

O design de gatilhos merece igual atenção. Gatilhos amplos podem carregar uma skill onde ela não se aplica. Gatilhos estreitos podem deixar de fora os casos que mais precisam dela. O roteamento incorreto pode ficar oculto por trás de uma skill que, em outros aspectos, é forte.

Conflitos são outra área não resolvida. Duas skills válidas podem refletir diferentes jurisdições, populações ou anos de política. Um agente precisa de uma forma determinística de selecionar uma delas ou solicitar esclarecimento.

Protocolos locais podem divergir de padrões públicos. Um plano de saúde pode usar regras de revisão específicas da organização. Um laboratório pode aplicar especificações específicas para genes que refinam um framework geral.

O acesso a dados também limita o que os procedimentos podem realizar. Uma skill não pode recuperar histórico clínico ausente, resolver baixa qualidade de imagem nem verificar um diagnóstico não documentado. Ela apenas pode instruir o agente a detectar ou escalar a lacuna.

As equipes de segurança devem inspecionar scripts e dependências antes da instalação. Skills de código aberto podem incluir recursos executáveis, comandos ou links. As organizações devem tratá-las como código, não como texto de prompt inofensivo.

O design da avaliação também deve refletir a implantação real. As equipes não devem copiar os 410 prompts e presumir resultados comparáveis. Seus testes devem incluir formatos de dados locais, solicitações ambíguas, entradas adversariais e armadilhas de políticas desatualizadas.

A revisão humana deve se concentrar nas transições de maior risco. Elas incluem classificação de evidências, critérios de exclusão, resolução de hierarquias e recomendações finais. Verificações genéricas de estilo oferecem pouca proteção contra erros procedimentais.

Portanto, a principal vantagem não é que as skills transformam um agente em especialista. Elas oferecem aos especialistas um artefato concreto para revisar. Esse é um ponto de partida mais defensável do que depender de intuição de modelo não documentada.

O lançamento também reformula a competição entre modelos. Se os procedimentos de domínio vivem fora do modelo, compradores podem comparar modelos pela confiabilidade com que seguem esses procedimentos. A capacidade bruta de recuperação passa a ser apenas uma parte da decisão.

Essa mudança favorece plataformas de agentes com roteamento robusto, isolamento de contexto, observabilidade e ferramentas de avaliação. Ela pressiona sistemas que oferecem respostas impressionantes sem revelar quais instruções as moldaram.

O Que as Equipes de AI em Saúde Devem Observar a Seguir

As próximas evidências devem mostrar que os ganhos das skills resistem a especialistas independentes, políticas em mudança e condições reais de implantação.

O primeiro sinal é a replicação independente. Equipes clínicas, de pagadores e de pesquisa devem executar comparações às cegas usando prompts criados por elas mesmas. Especialistas humanos devem avaliar pelo menos uma amostra representativa.

A replicação fortaleceria a afirmação central da AWS se os ganhos se mantivessem em diferentes modelos e organizações. Efeitos menores ou inconsistentes sugeririam que os resultados publicados dependem fortemente do harness original.

O segundo sinal é a governança em torno das atualizações. Os procedimentos de saúde mudam, e as adaptações locais se multiplicam rapidamente. As equipes precisam de responsáveis, datas de revisão, fixação de versão, registros de aprovação e caminhos de reversão.

Um registro de skills útil deve mostrar qual versão de diretriz cada procedimento implementa. Também deve registrar quem aprovou o arquivo e qual suíte de avaliação foi aprovada antes da implantação.

O terceiro sinal é o comportamento em produção. Observe a precisão de roteamento, as taxas de escalonamento, a gravidade dos erros, a variância das respostas e a frequência de substituição por especialistas. Pontuações médias de benchmark não revelarão todas as falhas operacionais.

As equipes também devem testar se as melhorias persistem após adicionar recuperação, contexto específico do paciente e ferramentas externas. Esses componentes podem introduzir conflitos que não aparecem em avaliações isoladas de prompts.

As skills de agentes HCLS da AWS apresentam um argumento convincente de que a AI em saúde precisa de mais do que fluência factual. O lançamento transforma procedimentos clínicos e técnicos em artefatos inspecionáveis e, em seguida, relata ganhos substanciais em duas configurações de agentes.

A avaliação com 410 prompts é promissora, mas continua sendo conduzida por criadores e julgada por modelos. Sua principal lição não é a taxa de vitória destacada. É a sensibilidade dos resultados à robustez da linha de base e à arquitetura do agente.

As equipes de saúde podem agir agora sem conceder autoridade final aos agentes. Comecem com um fluxo de trabalho delimitado, selecionem um procedimento atual e criem uma avaliação local revisada por especialistas. Comparem o mesmo modelo com e sem a skill.

Depois, façam a pergunta que importa para além de qualquer benchmark: a skill torna os erros mais fáceis de detectar, explicar e corrigir? Se a resposta continuar sendo sim sob revisão independente, uma metodologia explícita poderá se tornar uma camada padrão nos sistemas de IA para a saúde.