Em resumo: a maioria das ferramentas de IA que as empresas usam hoje são modelos de linguagem (LLMs), que geram texto a partir de instruções (prompts). Para responderem com base nos dados da empresa, usa-se RAG; para executarem tarefas em sistemas, usam-se agentes. Este glossário de inteligência artificial explica cada termo sem jargão e mostra onde ele aparece na prática.
Reuniões sobre IA costumam misturar siglas que nem todos na mesa conhecem. Este glossário de inteligência artificial organiza os termos em quatro grupos (básicos, conversa com o modelo, técnicas usadas em empresas e governança) para que você acompanhe a conversa e faça as perguntas certas a fornecedores. Para consultar outros termos, o glossário de machine learning do Google é uma referência completa e gratuita.
Termos básicos
Inteligência artificial (IA)
Área da computação que cria sistemas capazes de realizar tarefas que normalmente exigiriam inteligência humana: entender texto, reconhecer imagens, tomar decisões, prever resultados. Não é uma tecnologia única, e sim um guarda-chuva de técnicas.
Machine learning (aprendizado de máquina)
Técnica em que o sistema aprende padrões a partir de exemplos, em vez de seguir regras escritas uma a uma. Mostrar milhares de transações para um modelo aprender a identificar fraudes é um exemplo. É a base de previsões de vendas, recomendações e classificação automática de documentos.
IA generativa
Tipo de IA que cria conteúdo novo: texto, imagem, áudio ou código. É a categoria dos assistentes de conversa que se popularizaram nos últimos anos.
LLM (Large Language Model)
O "motor" por trás dos assistentes de texto. É um modelo treinado com enormes volumes de texto para prever a próxima palavra de forma muito sofisticada, o que lhe permite resumir, traduzir, responder perguntas, escrever e raciocinar sobre documentos.
Como se conversa com a IA
Prompt
A instrução que você dá ao modelo. "Resuma este contrato em cinco tópicos" é um prompt. A qualidade da resposta depende muito da clareza da instrução: contexto, objetivo, formato esperado e, se possível, exemplos do resultado desejado.
Token
A unidade de texto que o modelo processa, geralmente um pedaço de palavra. Os provedores costumam cobrar por tokens de entrada e de saída, então textos longos e conversas extensas custam mais.
Janela de contexto
Quanto texto o modelo consegue considerar de uma só vez: a pergunta, o histórico da conversa e os documentos enviados. Modelos recentes aceitam volumes grandes, mas mandar tudo sempre aumenta o custo e pode piorar o foco da resposta.
Alucinação
Quando o modelo inventa uma informação com aparência de verdade: uma lei que não existe, um número errado, uma citação falsa. Acontece porque o modelo gera o texto mais plausível, e não consulta uma base de verdades. É o principal risco no uso corporativo, e diminui com RAG, citação de fontes e revisão humana.
"Robot Technology", Alex Knight (domínio público, via stocksnap).
Técnicas usadas nas empresas
RAG (Retrieval-Augmented Generation)
Antes de responder, o sistema busca trechos relevantes nos documentos da empresa e entrega ao modelo junto com a pergunta. O modelo responde com base nesses trechos e pode mostrar a fonte. A técnica foi apresentada no artigo Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks e hoje é a forma mais usada para criar assistentes que "conhecem" manuais, políticas e contratos. Veja como aplicamos em assistentes com RAG e chatbots.
Embeddings e busca vetorial
Embeddings transformam textos em listas de números que representam o significado. Textos parecidos ficam "próximos" nesse espaço. Isso permite buscar por sentido, e não só por palavra exata: a pergunta "como peço férias?" encontra o documento "Política de afastamentos".
Agente de IA
Um sistema em que o modelo decide e executa ações usando ferramentas: consultar o ERP, criar um chamado, enviar um e-mail. Um chatbot responde; um agente faz. Por isso, agentes precisam de limites claros, permissões mínimas e aprovação humana nas ações sensíveis. Detalhes em agentes de IA.
Fine-tuning (ajuste fino)
Treinar um modelo já existente com exemplos específicos para mudar o seu comportamento, como o estilo de resposta ou um formato de saída. É mais caro e menos flexível que RAG, e raramente é o primeiro passo em projetos corporativos.
OCR e IA para documentos
OCR converte imagem em texto: uma nota fotografada vira texto editável. Combinado com IA, o sistema entende o documento e extrai campos como fornecedor, valor, vencimento e itens.
Glossário de inteligência artificial: governança e segurança
Guardrails
Regras e controles que limitam o que a IA pode fazer ou dizer: bloquear assuntos, validar respostas, exigir aprovação. São o que separa uma demonstração de um sistema em produção.
Injeção de prompt (prompt injection)
Ataque em que um texto externo, como um e-mail ou uma página, contém instruções escondidas para manipular a IA. A injeção de prompt aparece no topo da lista OWASP Top 10 para aplicações com LLM, referência de segurança para quem desenvolve com IA. Sistemas bem construídos tratam conteúdo externo como dado, nunca como ordem.
Human-in-the-loop
"Humano no circuito": a IA prepara, a pessoa aprova. É a prática recomendada para decisões com impacto financeiro, jurídico ou em clientes.
Gestão de riscos de IA
Conjunto de práticas para identificar, medir e reduzir riscos de sistemas de IA ao longo do ciclo de vida. O AI Risk Management Framework do NIST, publicado em janeiro de 2023, é uma das referências mais usadas para organizar esse trabalho.
Como usar esse vocabulário na prática
Ao conversar com fornecedores de IA, faça perguntas como:
- A solução usa RAG com citação de fontes ou só o conhecimento do modelo?
- Os meus dados são usados para treinar o modelo do provedor?
- Quais guardrails e aprovações humanas existem?
- Como vocês medem alucinação e acerto antes de ir para produção?
- Como o sistema se protege de injeção de prompt?
Para um roteiro completo de implantação, leia Como implantar IA na empresa com segurança.
Perguntas frequentes
Qual a diferença entre IA e machine learning?
Machine learning é uma das técnicas dentro da inteligência artificial. Toda aplicação de machine learning é IA, mas nem toda IA usa machine learning; sistemas baseados só em regras também entram no guarda-chuva da IA.
RAG e fine-tuning são a mesma coisa?
Não. No RAG, o modelo consulta documentos no momento da pergunta, o que permite citar fontes e atualizar a base na hora. No fine-tuning, o modelo é treinado de novo com exemplos, o que muda seu comportamento, mas é mais caro e difícil de atualizar.
Chatbot e agente de IA são diferentes?
Sim. O chatbot conversa e responde; o agente também executa ações em sistemas, como registrar um pedido ou abrir um chamado, e por isso precisa de permissões e controles mais rígidos.
Dá para evitar totalmente as alucinações?
Não totalmente, mas dá para reduzir muito com respostas baseadas em documentos (RAG), citação de fontes, instrução para dizer "não sei" e revisão humana nas decisões importantes.
Quer descobrir onde a IA gera resultado real na sua operação? Agende um diagnóstico gratuito.
Imagens: capa: "Idea Brain", Bango Renders (domínio público, via stocksnap); imagem 1: "Robot Technology", Alex Knight (domínio público, via stocksnap).
