Seu Glossário para o Amanhã

Você não precisa ser engenheiro para tomar decisões sobre IA. Mas precisa entender o idioma.

jul 06, 2026

Existe um tipo de analfabetismo que não se mede pela incapacidade de ler, mas pela incapacidade de compreender o que está sendo dito. Em qualquer reunião de diretoria, painel de investidores ou apresentação de produto em 2026, termos como LLM, inferência, tokens, agentes e AGI aparecem com a naturalidade de quem fala sobre receita ou margem operacional. A diferença é que receita e margem são conceitos que qualquer executivo domina com segurança. As palavras da inteligência artificial, por outro lado, são repetidas por muitos e compreendidas por poucos. E essa distância entre repetir e compreender não é inofensiva, uma vez que ela determina quem consegue tomar decisões informadas sobre a tecnologia que está redesenhando mercados inteiros e quem está, sem perceber, delegando essas decisões a outros porque não entende o suficiente para discordar.

Este texto é uma tentativa de encurtar essa distância. Não como um dicionário técnico, mas como um mapa dos conceitos fundamentais que sustentam a inteligência artificial contemporânea, explicados pela lógica que os conecta e pelo impacto que cada um deles exerce sobre negócios, custos, estratégia e poder. Considere-o um documento vivo, assim como os sistemas que ele descreve.

Treinamento

Tudo começa pelo treinamento, porque sem ele não existe inteligência artificial. Treinar um modelo de IA é, em essência, alimentá-lo com quantidades enormes de dados para que ele aprenda a identificar padrões e, a partir desses padrões, produza resultados úteis. A analogia mais honesta não é com o aprendizado humano, embora a indústria insista nela, mas com algo mais mecânico: imagine um sistema que leu bilhões de páginas de texto, de livros científicos a conversas informais, e que a partir dessa leitura desenvolveu uma capacidade estatística sofisticadíssima de prever qual palavra vem depois de outra, qual frase faz sentido em determinado contexto, qual resposta é mais provável diante de uma pergunta. O modelo não “entende” o que leu no sentido humano do termo. Ele codificou padrões, e quando você interage com ele, está pedindo que ele gere o padrão mais provável que corresponde à sua solicitação. Essa distinção importa, porque ela explica tanto a potência quanto os limites da tecnologia.

O treinamento é caro. Muito caro. Os volumes de dados necessários para produzir modelos de ponta crescem a cada geração, e o processamento desses dados exige hardware especializado cujo custo se mede em centenas de milhões de dólares por ciclo. É por isso que apenas um punhado de empresas no mundo, OpenAI, Google, Anthropic, Meta, Mistral, entre poucas outras, consegue treinar modelos de fronteira do zero. E é também por isso que abordagens alternativas, como o ajuste fino, em que se pega um modelo já treinado e se o especializa com dados específicos de um setor ou empresa, têm se tornado cada vez mais relevantes para organizações que querem usar IA sem arcar com o custo de construir uma do zero.

Aprendizado Profundo (Deep Learning)

A arquitetura que tornou esses modelos possíveis se chama aprendizado profundo, um termo que, apesar do nome, descreve algo relativamente intuitivo quando despido do jargão. Pense em camadas. Um sistema de aprendizado profundo organiza seus algoritmos em múltiplas camadas de processamento, inspiradas, de forma muito livre, na estrutura dos neurônios no cérebro humano. Cada camada recebe a informação da anterior, identifica padrões de complexidade crescente e passa adiante sua interpretação para a camada seguinte. A primeira camada pode reconhecer formas básicas em uma imagem, como linhas, bordas e contrastes. A segunda identifica que aquelas formas compõem um rosto. A terceira determina de quem é o rosto. É uma cadeia de abstrações progressivas, onde cada nível constrói sobre o anterior, e o resultado final é uma capacidade de reconhecimento, classificação e geração que sistemas mais simples jamais alcançariam.

O custo dessa sofisticação é que o aprendizado profundo exige quantidades imensas de dados para funcionar bem e leva mais tempo para ser treinado, o que explica por que os investimentos em infraestrutura de IA estão na casa das centenas de bilhões de dólares por ano.

Modelos de Linguagem de Grande Porte (LLMs)

Os modelos que resultam desse processo, quando aplicados à linguagem, recebem o nome de LLMs, ou modelos de linguagem de grande porte. São eles que estão por trás do ChatGPT, do Claude, do Gemini, do Copilot, do Llama e de praticamente todo assistente de IA com o qual você já conversou. Um LLM é, em termos técnicos, uma rede neural profunda composta por bilhões de parâmetros numéricos, que são os valores ajustados durante o treinamento e que, em seu conjunto, formam uma espécie de mapa multidimensional da linguagem.

Ou seja, quando você faz uma pergunta ao ChatGPT, o que acontece por trás da interface é que o modelo consulta esse mapa, identifica os padrões mais prováveis de resposta e gera texto que, na maioria das vezes, soa notavelmente humano. A palavra-chave, porém, é “provável”. O modelo não raciocina sobre sua pergunta da forma como um ser humano faria. Ele calcula probabilidades. E essa diferença, sutil na experiência do usuário, é fundamental para entender tanto o poder quanto a fragilidade desses sistemas.

Alucinação

E essa fragilidade tem nome: alucinação. É o termo que a indústria adotou para descrever o fenômeno em que um modelo de IA inventa informações com total convicção, apresentando dados falsos, citações inexistentes ou conclusões sem fundamento como se fossem fatos verificados. O problema surge porque o modelo opera por probabilidade estatística, não por verificação factual. Se o padrão mais provável de resposta para uma determinada pergunta inclui uma informação que não existe nos dados de treinamento, o modelo simplesmente a preenche com algo plausível, sem nenhum mecanismo interno que diga “eu não sei”.

Diante disso, as consequências que seguem desse fenômeno são bastante sérias: imagine um médico usando IA para consultar interações medicamentosas e recebendo uma resposta inventada, ou um advogado citando jurisprudência que nunca existiu, algo que, de fato, já aconteceu em tribunais americanos e brasileiros. A alucinação é uma das razões pelas quais o mercado está se movendo em direção a modelos de IA cada vez mais especializados, treinados em domínios de conhecimento restritos, onde as lacunas de informação são menores e, portanto, a probabilidade de o modelo fabricar respostas diminui consideravelmente.

Tokens

Para que tudo isso funcione na prática, o modelo precisa de um idioma comum com o ser humano que o utiliza. Esse idioma são os tokens. Quando você digita uma frase em um assistente de IA, o sistema não lê palavras como você e eu lemos. Ele divide o texto em fragmentos menores, os tokens, que podem ser palavras inteiras, partes de palavras ou até caracteres individuais, dependendo do idioma e do contexto. É por meio dessa fragmentação que o modelo consegue processar linguagem humana como dados computacionais.

A importância dos tokens vai muito além da técnica, porque eles são também a unidade de custo da IA contemporânea. A maioria das empresas que fornecem modelos de linguagem cobra por token consumido, tanto nos tokens que entram como pergunta quanto nos que saem como resposta. Isso significa que, para qualquer empresa que usa IA em escala, o volume de tokens processados determina diretamente o custo operacional. Entender como os tokens funcionam, portanto, não é curiosidade técnica. É gestão financeira.

Inferência

Depois que um modelo é treinado, toda vez que alguém o utiliza, o que está acontecendo tecnicamente se chama inferência. É o processo pelo qual o modelo aplica o que aprendeu durante o treinamento para gerar respostas, previsões ou decisões a partir de dados novos. Treinar é ensinar. Inferir é usar o que foi ensinado. A distinção importa porque o treinamento acontece uma vez, ou poucas vezes, e custa centenas de milhões de dólares. A inferência acontece bilhões de vezes por dia, cada vez que alguém faz uma pergunta ao ChatGPT, que um carro autônomo interpreta uma imagem de câmera, que um sistema de recomendação sugere um produto. E o hardware necessário para executar inferência de forma eficiente varia enormemente: modelos pequenos podem rodar no processador de um smartphone, mas modelos de grande porte exigem servidores equipados com chips de IA de última geração, como as GPUs da Nvidia.

É por isso que a Nvidia se tornou a empresa mais valiosa do setor: ela fornece o hardware que torna tanto o treinamento quanto a inferência possíveis em escala.

Agentes de IA

Se os LLMs são o cérebro da IA atual, os agentes de IA são, em certo sentido, o corpo. Um agente é um sistema que vai além de responder perguntas: ele executa tarefas de forma autônoma, encadeando múltiplas ações para alcançar um objetivo que o usuário definiu em linguagem natural.

Preencher relatórios de despesas, reservar passagens, organizar uma agenda, escrever e manter código, comparar preços e fechar uma compra… tudo isso sem que o usuário precise conduzir cada etapa manualmente. Quando analisamos a integração da Shopee com o ChatGPT, ou o AIR da Revolut, ou a Lu do Magalu no WhatsApp, estávamos descrevendo manifestações concretas dessa mesma ideia: interfaces onde o usuário declara uma intenção e o sistema, de forma agêntica, orquestra a execução de ponta a ponta. O conceito ainda está em construção, e “agente de IA” pode significar coisas diferentes para empresas diferentes, mas a direção é clara: a IA está migrando de ferramenta de consulta para ferramenta de ação.

Código Aberto e Código Fechado

Nesse ecossistema, uma das distinções mais consequentes, e menos compreendidas fora dos círculos técnicos, é a que separa modelos de código aberto e código fechado. Um modelo de código aberto é aquele cujo funcionamento interno, incluindo a arquitetura e, em muitos casos, os pesos do modelo, é disponibilizado publicamente para que qualquer pessoa possa inspecioná-lo, usá-lo ou modificá-lo. A família Llama, da Meta, é o exemplo mais proeminente: qualquer desenvolvedor do mundo pode baixar o modelo, adaptá-lo às suas necessidades e implantá-lo sem pedir permissão ou pagar licença. O paralelo histórico mais preciso é com o Linux, o sistema operacional de código aberto que, décadas após seu lançamento, sustenta a maior parte da infraestrutura da internet global.

Modelos de código fechado, por outro lado, são aqueles cujo funcionamento permanece privado: você pode usar o produto, mas não pode ver como ele funciona. Os modelos GPT da OpenAI e o Claude da Anthropic operam nesse regime. A tensão entre os dois modelos, como discutimos ao analisar a fragmentação geopolítica da IA e o caso Alibaba, é um dos debates definidores da indústria, porque envolve, simultaneamente, questões de inovação, segurança, poder de mercado e soberania tecnológica.

AGI: Inteligência Artificial Geral

E, por fim, o horizonte: AGI, ou inteligência artificial geral. É o termo que a indústria usa para descrever uma IA que seria capaz de igualar ou superar o ser humano na maioria das tarefas cognitivas, não apenas em domínios específicos, mas de forma ampla e generalizada. Sam Altman, CEO da OpenAI, já descreveu a AGI como “o equivalente a um colega de trabalho mediano que você pudesse contratar”. O Google DeepMind a define como “IA que é pelo menos tão capaz quanto os humanos na maioria das tarefas cognitivas”.

A carta constitutiva da OpenAI fala em “sistemas altamente autônomos que superam os humanos na maioria dos trabalhos economicamente valiosos”. São três definições diferentes vindas de organizações que estão na vanguarda absoluta do campo, o que, por si só, já revela o quanto o conceito permanece vago e disputado. Ninguém concorda exatamente sobre o que a AGI seria, quando chegaria ou se é alcançável nas arquiteturas atuais. Mas o fato de que as maiores empresas de tecnologia do mundo estão investindo centenas de bilhões de dólares por ano na premissa de que ela é possível faz da AGI menos uma previsão técnica e mais uma aposta econômica de proporções civilizatórias.

Dominar esse vocabulário, portanto, não é um exercício acadêmico. É, como discutimos ao analisar o novo darwinismo profissional dos dias atuais: uma condição de sobrevivência. Em um ambiente onde a IA está redesenhando funções, eliminando intermediários e reestruturando mercados inteiros, o profissional que não compreende a diferença entre treinamento e inferência, entre um LLM e um agente, entre código aberto e código fechado, está, na prática, tomando decisões sobre uma tecnologia que não entende. E decisões tomadas sem compreensão não são decisões. São apostas cegas.

Entre no canal Entrelinhas no WhatsApp e receba os conteúdos e bastidores das empresas antes de todo mundo. Clique aqui.

Nesse sentido, o glossário que você acaba de ler não é apenas um mapa de termos. É, em última instância, o idioma mínimo necessário para não ser excluído da conversa que está definindo o próximo capítulo da economia global.