Protocolo aberto para comunicação entre agentes de IA construídos com tecnologias ou fornecedores diferentes. Permite que um agente descubra as capacidades de outro, delegue uma tarefa e acompanhe a entrega sem conhecer toda a implementação interna. Pode conectar, por exemplo, um agente de atendimento a outro responsável por consultar contratos. Complementa o MCP, voltado à conexão com ferramentas e recursos. Para a empresa, ajuda a integrar sistemas, mas não substitui autenticação, autorização, definição de responsabilidades e avaliação do que cada agente pode executar.
Glossários TRIWI
Glossário de Inteligência Artificial
207 termos de inteligência artificial explicados em linguagem de negócio, de A a Z: modelos, agentes, dados, custos, governança e uso na empresa.
Atualizado em
25 letras · 207 definições
Inteligência artificial reúne técnicas e sistemas que podem apoiar previsões, produzir conteúdo e executar tarefas. Para decidir onde investir, o que automatizar e como avaliar um fornecedor, é preciso entender o vocabulário e os limites de cada recurso. Este glossário explica os termos que aparecem em propostas, reuniões e políticas internas, com exemplos de aplicação e cuidados que afetam o resultado do negócio.
Os verbetes cobrem fundamentos, modelos, uso no trabalho, integração, avaliação, custos e governança. O índice de letras e os links de “Ver também” permitem consultar um conceito ou seguir um percurso de leitura. A presença de marcas em respostas de IA e na busca é aprofundada no Glossário de SEO; aplicações em marketing remetem ao Glossário de Marketing. Modelos, planos e regras mudam: as referências temporais aparecem nos verbetes em que essa distinção importa.
Por onde começar
- Entender os fundamentosInteligência artificial, Machine learning, LLM, IA generativa, Token
- Usar documentos da empresaRAG, Base de conhecimento, Embeddings, Chunking, Busca híbrida
- Automatizar processosWorkflow de IA, Agente de IA, Uso de ferramentas, MCP, A2A
- Comparar qualidade e custosAvaliação de modelos, Alucinação, Custo por token, Custo total de IA, Prova de conceito
- Definir controlesGovernança de IA, LGPD e IA, Privilégio mínimo, Retenção de dados, Humano no circuito
Glossário de Inteligência Artificial/De A a Z
Não há termos com Y.
207 termos para consultar
Nenhum termo encontrado
Tente outra palavra ou limpe a busca para ver todos os termos.
A
23 termos
Sistema de IA que recebe um objetivo, seleciona ações e usa ferramentas para avançar em várias etapas, dentro das permissões definidas pela empresa. Muitos agentes atuais usam modelos de linguagem para escolher o próximo passo, consultar sistemas e avaliar resultados. Um agente de atendimento pode localizar um pedido, conferir o status e preparar uma segunda via. Chatbot descreve a interface de conversa; agente descreve a capacidade de conduzir ações. Para delegar processos, é preciso definir limites de acesso, registros, critérios de conclusão e situações que exigem intervenção humana.
Sistema de IA que conversa por áudio e pode executar ações durante a interação, como agendar, consultar um pedido ou transferir o atendimento. Pode combinar reconhecimento de fala, modelo de linguagem e síntese de voz, ou usar modelos que processam áudio diretamente. O projeto precisa lidar com interrupções, ruído, sotaques e tempo de resposta. Para a empresa, importa medir resolução e encaminhamento ao humano. Informar que o atendimento usa IA e definir finalidade, base legal, acesso e retenção das gravações são cuidados de transparência e proteção de dados.
Artificial General Intelligence, ou inteligência artificial geral: conceito de sistemas capazes de realizar uma ampla variedade de tarefas intelectuais e transferir capacidades entre domínios. Não há uma definição única nem um teste consensual que determine quando esse patamar foi alcançado. Fluência na conversa, desempenho em uma prova ou autonomia em um processo não bastam para comprovar generalidade. Para a decisão de negócio, o termo deve ser separado das promessas comerciais: o investimento precisa considerar resultados demonstrados nas tarefas da empresa, limitações e custo de operação.
Regulamento de IA da União Europeia, em vigor desde 2024, com aplicação gradual conforme os riscos e o papel da organização. Estabelece práticas proibidas, obrigações para usos de alto risco, transparência e regras para modelos de uso geral. Em outubro de 2026, proibições, regras gerais e obrigações de transparência já têm aplicação, com transições específicas. O Omnibus de 2026 fixou alto risco em áreas do Anexo III para 2 de dezembro de 2027 e em produtos do Anexo I para 2 de agosto de 2028. Pode alcançar empresas brasileiras com atuação ou efeitos na União Europeia.
Resumos gerados por IA em determinadas buscas do Google, acompanhados de links para páginas relacionadas. A definição completa, o funcionamento e a análise da presença de marcas nesse recurso estão no Glossário de SEO.
Apresentação exagerada ou enganosa do uso, da capacidade ou dos resultados da inteligência artificial em um produto, serviço ou empresa. Pode envolver anunciar recursos inexistentes ou atribuir à IA benefícios que não foram demonstrados. Ter regras fixas ou participação humana não torna um sistema automaticamente fraudulento: o problema é a distância entre a alegação e o funcionamento real. Para quem contrata, vale pedir demonstrações com casos do negócio, limites documentados, indicadores verificáveis e clareza sobre o que depende de pessoas, modelos e integrações.
Área da IA que trata de fazer um modelo agir de acordo com as intenções de quem o criou e com os valores de quem o usa: ser útil, honesto e inofensivo, recusar pedidos danosos, não enganar, não perseguir objetivos próprios. Na prática, é feito com treinamento por feedback humano, regras explícitas e testes adversariais. Para a empresa, alinhamento aparece em escala menor: o modelo precisa seguir a política da companhia, respeitar o tom da marca e não inventar compromissos. Um assistente desalinhado com o negócio promete desconto que não existe.
Saída de um modelo que apresenta informações incorretas, inventadas ou sem sustentação no contexto, como uma referência inexistente ou um número atribuído à fonte errada. A linguagem pode parecer segura mesmo quando o conteúdo falha. Gerar uma resposta plausível não equivale a verificar fatos. Fontes confiáveis, RAG, validações e instruções para reconhecer incerteza podem reduzir o problema, mas não eliminá-lo. Para a empresa, o controle deve considerar a consequência do erro: dados usados em decisões, documentos e comunicação externa precisam de verificação adequada, inclusive quando a IA fornece citações.
Técnica que estima o tom expresso em textos, como positivo, negativo ou neutro, podendo analisar também aspectos específicos de um produto ou atendimento. Emoções, temas e intenção são análises relacionadas, mas diferentes. Modelos de linguagem podem considerar mais contexto, embora ainda confundam ironia, negação e particularidades regionais. Nas empresas, ajuda a organizar avaliações, tíquetes e pesquisas por assunto e período. O resultado deve ser validado em amostras reais, porque uma classificação incorreta pode distorcer indicadores e esconder problemas de clientes.
Técnicas para reduzir a exposição de dados pessoais. Anonimizar busca impedir a identificação com meios técnicos razoáveis e disponíveis; se a reversão for possível nos termos da LGPD, os dados continuam pessoais. Pseudonimizar separa identificadores das demais informações, mantendo a possibilidade de associação com dados adicionais protegidos. Não é obrigatório aplicar uma dessas técnicas a todo uso de IA, nem elas substituem a análise da base legal. A empresa deve minimizar dados, avaliar reidentificação, restringir acessos e documentar medidas proporcionais à finalidade e ao risco.
Empresa de IA fundada em 2021, responsável pela família Claude e pelo desenvolvimento inicial do MCP, protocolo aberto apresentado em 2024 para conectar aplicações de IA a ferramentas e dados. Atua em pesquisa, modelos e produtos para pessoas e organizações. As empresas podem acessar seus modelos pela plataforma própria e por parceiros de nuvem, conforme a oferta disponível. A comparação com outros fornecedores deve considerar desempenho no caso de uso, condições de tratamento de dados, integrações, disponibilidade, suporte e custo total, sem presumir que um laboratório seja superior em todas as tarefas.
Interface que permite a um software solicitar recursos ou trocar dados com outro segundo regras definidas. Em IA, uma API pode receber texto, imagens ou áudio e devolver respostas, classificações, embeddings ou pedidos de uso de ferramentas. É um caminho comum para integrar modelos ao atendimento e a outros processos internos. A cobrança pode variar por tokens, chamadas, tempo, mídia ou capacidade contratada. Para a empresa, a decisão inclui autenticação, limites de uso, tratamento de dados, disponibilidade e acompanhamento do custo de cada processo.
Forma de treinamento em que os próprios dados fornecem o sinal usado para aprender, sem exigir que uma pessoa rotule cada exemplo. Um modelo de linguagem pode receber parte de um texto e tentar prever o próximo token ou reconstruir um trecho ocultado. A resposta de referência vem do texto original. É uma base importante do pré-treinamento de modelos de linguagem. Para o negócio, explica como grandes acervos podem sustentar modelos reutilizáveis, embora qualidade, representatividade e autorização de uso dos dados continuem necessárias.
Abordagem de machine learning que busca estruturas em dados sem respostas previamente rotuladas, como grupos de clientes parecidos, padrões de compra ou observações incomuns. Pode apoiar segmentação, exploração de bases e detecção de anomalias, sem que o agrupamento encontrado corresponda automaticamente a uma categoria útil ao negócio. A equipe interpreta e valida os resultados. No pré-treinamento de LLMs, é comum o aprendizado autossupervisionado: as respostas de treinamento são extraídas dos próprios dados, como prever o próximo token, em vez de depender de rótulos manuais.
Método em que um sistema aprende a escolher ações com base em sinais de recompensa, procurando melhorar o resultado acumulado. É usado em jogos, robótica e otimização, além de etapas do treinamento de modelos de linguagem. As recompensas podem vir de avaliações humanas, modelos avaliadores ou verificações de tarefas, como testes de código. Para o negócio, a dificuldade é definir o que merece recompensa: uma métrica mal escolhida pode incentivar atalhos que melhoram a pontuação e prejudicam o objetivo real. O resultado exige avaliação além da métrica de treino.
Reaproveitamento de representações aprendidas em uma tarefa ou conjunto de dados para facilitar outra tarefa. Um modelo treinado com imagens variadas pode ser adaptado para reconhecer defeitos industriais com menos exemplos do que seriam necessários ao começar do zero. A transferência pode usar o modelo como extrator de características ou envolver fine-tuning. Para a empresa, pode reduzir esforço, dados e processamento, mas o benefício depende da proximidade entre os domínios. Um modelo de origem inadequado também pode transferir vieses ou padrões que atrapalham a aplicação.
Abordagem de machine learning em que o modelo aprende relações entre entradas e respostas de referência, chamadas rótulos. Pode classificar e-mails como spam ou estimar um valor numérico, como a demanda de um produto. Depois do treinamento, seu desempenho é avaliado em exemplos separados. Na empresa, a qualidade depende tanto da representação dos casos quanto da consistência dos rótulos. Usar um LLM para gerar rótulos pode ajudar no processo, mas exige validação: fornecer exemplos no prompt não é o mesmo que treinar um modelo supervisionado.
Ferramenta de IA que apoia programação ao sugerir, gerar, explicar, revisar ou corrigir código. Pode funcionar no editor, no terminal ou em outras interfaces; algumas aplicações também alteram arquivos e executam testes como agentes. Exemplos incluem GitHub Copilot, Cursor, Claude Code e Codex. Para a empresa, o benefício deve ser medido por entregas corretas, qualidade e manutenção, além do tempo gasto. Código que funciona em uma demonstração ainda precisa de revisão, testes pertinentes, proteção de credenciais e avaliação das dependências e licenças utilizadas.
Aplicação que ajuda pessoas a consultar informações, produzir conteúdo e executar tarefas por conversa, como ChatGPT, Claude e Gemini. Pode receber texto, voz e arquivos, usar ferramentas e manter parte do contexto da interação. As funções disponíveis variam conforme produto, plano e configuração. Versões corporativas podem acrescentar administração de usuários, integrações e compromissos específicos sobre o tratamento dos dados. Essas proteções devem ser conferidas no contrato: pagar por um assistente não garante, por si só, retenção reduzida, ausência de treinamento ou conformidade com as políticas da empresa.
Mecanismo que calcula quais partes da entrada são mais relevantes para produzir uma representação ou saída. Em linguagem, ajuda a relacionar um pronome à entidade mencionada antes, por exemplo. A atenção antecede o Transformer de 2017, que a tornou central em sua arquitetura. O que cada posição pode consultar depende do modelo; geradores de texto normalmente restringem o acesso a tokens futuros. A atenção convencional pode ter custo quadrático com o contexto, mas há variantes mais eficientes. Para a empresa, isso influencia capacidade, latência e custo de processar documentos extensos.
Exame sistemático de um sistema de IA, suas evidências e seus controles para verificar desempenho, segurança, privacidade, tratamento de vieses e cumprimento de requisitos definidos. Pode ser interno ou externo, com independência proporcional ao objetivo da avaliação. Analisa documentos, dados acessíveis, registros de operação e testes, sem presumir que todos os detalhes de treinamento do fornecedor estarão disponíveis. Na empresa, ajuda a identificar falhas e responsabilidades antes e depois da implantação. Exigências legais de avaliação, documentação e conformidade variam conforme jurisdição, setor e classificação do sistema.
Conjunto de testes e critérios para medir a qualidade de um modelo ou aplicação de IA em tarefas definidas. Pode combinar respostas de referência, verificações automáticas, julgamento especializado e simulações de uso. Avalia acerto, segurança, custo, latência e capacidade de lidar com exceções. Para a empresa, o conjunto deve representar casos reais e difíceis, com critérios estáveis para comparar versões. Repetir avaliações após mudanças ajuda a detectar regressões; uma boa pontuação não elimina a necessidade de acompanhar o comportamento e os resultados em produção.
B
6 termos
Tendência de um modelo a concordar com o usuário ou adaptar sua resposta à opinião percebida, mesmo quando isso prejudica a precisão ou a qualidade da análise. Pode surgir de incentivos do treinamento, dos exemplos e da própria interação. Para a empresa, o risco aparece quando uma ferramenta valida uma decisão fraca em vez de examinar suas premissas. Pedir objeções, fornecer critérios de avaliação e testar perguntas formuladas de maneiras diferentes ajuda a detectar o comportamento, mas não substitui evidências e revisão independente em decisões relevantes.
Sistema preparado para armazenar e pesquisar vetores, como embeddings de textos, imagens e produtos. Busca itens próximos segundo uma medida de similaridade, o que ajuda a localizar um trecho relevante mesmo quando a pergunta usa palavras diferentes. Pode ser um banco especializado ou um recurso de um banco existente, como uma extensão vetorial. É frequente em sistemas de RAG, mas não é obrigatório: a recuperação também pode usar palavras-chave, consultas estruturadas ou métodos combinados. Qualidade dos documentos, permissões e critérios de busca influenciam o resultado.
Acervo organizado de informações que pode apoiar consultas e decisões, como manuais, políticas, catálogos e procedimentos. Em aplicações de IA, pode fornecer documentos para recuperação por RAG ou consultas por ferramentas. A base precisa indicar origem, responsável, validade e regras de acesso; reunir arquivos em uma pasta não resolve essas questões. Para a empresa, o trabalho de curadoria inclui eliminar contradições, atualizar versões e definir o que fazer quando falta informação. Uma resposta fluente não demonstra que o sistema encontrou o documento correto nem respeitou suas condições de uso.
Conjunto padronizado de tarefas e critérios usado para comparar modelos ou sistemas de IA. Pode avaliar programação, matemática, linguagem, imagens e uso de ferramentas. Ajuda no primeiro filtro, mas exige atenção à metodologia, à representatividade dos casos e à possível contaminação por dados presentes no treinamento. Diferenças pequenas também podem refletir variação do teste ou configurações distintas. Para a empresa, um ranking não substitui a avaliação própria: é necessário testar tarefas reais, casos difíceis, custo, latência e comportamento diante de informações insuficientes.
Conjuntos de dados cujo volume, variedade ou velocidade de geração exigem formas específicas de armazenamento, processamento e análise. Podem reunir transações, sensores, registros de navegação, imagens e logs. Não há um tamanho único que defina big data: a dificuldade depende da infraestrutura e da tarefa. Esses recursos sustentam muitos projetos de IA, mas acumular dados não garante valor. Para a empresa, o ponto de partida é identificar fontes, qualidade, responsáveis, permissões de uso e decisões que podem melhorar com a análise.
Recuperação de informações que combina correspondência de palavras com busca por similaridade de embeddings. Em um assistente corporativo, a primeira ajuda a encontrar um código exato de produto; a segunda relaciona a pergunta do cliente a documentos que usam outras palavras. Os resultados são combinados antes de alimentar o modelo e podem passar por reordenação. O foco aqui é a busca dentro de bases usadas por RAG. A combinação precisa ser avaliada com perguntas reais, pois acrescentar mecanismos não assegura respostas melhores.
C
19 termos
Sequência de etapas intermediárias produzida por um modelo ao resolver uma tarefa. Exemplos de resolução em etapas podem melhorar o desempenho em alguns problemas, mas o efeito varia conforme modelo e contexto. Em modelos de raciocínio, parte desse processamento pode ser interna ou apresentada apenas como resumo, com impacto no consumo de tokens. Uma explicação plausível não é necessariamente um registro fiel do processo que gerou a resposta. Para a empresa, a verificação deve se apoiar em resultados, fontes, cálculos reproduzíveis e registros de ações, além da justificativa apresentada.
Expressão para um sistema cujo funcionamento ou resultado é difícil de explicar de modo compreensível. A dificuldade pode decorrer da complexidade do modelo, da falta de acesso às informações ou de ambas. Redes neurais podem ser analisadas por técnicas de interpretabilidade, mas isso não produz automaticamente uma explicação completa de cada resposta. Em decisões que afetam pessoas, a empresa precisa definir quais informações e meios de contestação são exigidos e adequados. A escolha do modelo deve equilibrar desempenho, possibilidade de validação, transparência e impacto de eventuais erros.
Expressão usada para capacidades que se tornam observáveis em determinados modelos ou escalas de treinamento, sem terem sido especificadas como uma regra para cada situação. Há debate sobre quanto desses saltos corresponde a mudanças de capacidade e quanto resulta da forma de medir. Uma métrica que considera apenas acerto completo pode esconder melhorias graduais. Para a empresa, o termo não é previsão de desempenho: novas versões precisam ser testadas nas tarefas relevantes, incluindo casos difíceis, antes de ampliar a autonomia ou substituir processos existentes.
Equipe central que define padrões, escolhe plataformas, cuida da governança e apoia as áreas da empresa na adoção de IA, em vez de cada departamento contratar a sua ferramenta e repetir os mesmos erros. Reúne negócio, dados, tecnologia, jurídico e segurança. Funciona quando habilita (modelos de prompt, casos de uso priorizados, treinamento, métricas) e trava quando vira balcão de aprovação. Em empresas médias, pode ser um comitê com dono claro e reunião mensal; o que não funciona é ninguém ser responsável enquanto a shadow AI cresce.
Programa que interage com pessoas por conversa, em texto ou voz, dentro de um site, aplicativo ou canal de atendimento. Pode seguir regras, usar modelos de linguagem ou combinar abordagens. Também pode consultar sistemas e executar ações quando conectado a ferramentas; por isso, chatbot e agente não são categorias excludentes. O primeiro descreve a interface, e o segundo, a capacidade de conduzir etapas com autonomia. Para a empresa, um chatbot útil resolve demandas dentro do escopo, reconhece informações insuficientes e encaminha ao atendimento humano com o contexto necessário.
Assistente de IA da OpenAI lançado em novembro de 2022, que permite conversar com modelos, produzir conteúdo e apoiar tarefas de análise e programação. Conforme o plano e os recursos habilitados, pode trabalhar com arquivos, pesquisar na web, gerar imagens, usar voz e executar tarefas com ferramentas. É um produto, não um único modelo fixo. Para a empresa, é importante distinguir o uso pessoal, o ambiente corporativo e a API, pois funções, administração, limites e condições de tratamento de dados podem ser diferentes.
Credencial usada para autenticar chamadas a uma API e associá-las a uma conta, projeto ou aplicação. O acesso permitido depende das permissões configuradas; uma chave exposta pode permitir consumo indevido e acesso a recursos autorizados. Deve ser armazenada em um gerenciador de segredos, sem aparecer em código público ou mensagens compartilhadas. Para a empresa, convém separar aplicações, limitar permissões, monitorar consumo e revogar chaves comprometidas. Alertas de orçamento nem sempre interrompem cobranças: é preciso conferir se o provedor oferece limites efetivos ou implementar controles próprios.
Divisão de documentos em partes menores para indexação e recuperação em aplicações de IA. Em um sistema de RAG, permite selecionar trechos relevantes de um manual sem enviar o documento inteiro ao modelo. Os cortes podem seguir títulos, parágrafos, tamanho ou relações de significado. Trechos curtos demais perdem contexto; extensos demais podem incluir informação irrelevante. Preservar título, origem e relações entre partes ajuda a interpretar o conteúdo. A configuração deve ser testada no acervo da empresa, considerando qualidade da resposta, limites de contexto e custo.
Tarefa de atribuir uma ou mais categorias a um item: spam ou mensagem legítima, tíquete sobre cobrança ou entrega, produto conforme ou defeituoso. Pode usar regras, modelos treinados com exemplos rotulados ou modelos de linguagem orientados por instruções e exemplos no contexto. Para o negócio, ajuda a triar e encaminhar grandes volumes com critérios definidos. A qualidade depende das categorias, dos dados e do custo dos erros. Casos ambíguos precisam de tratamento próprio, e o desempenho deve ser medido por categoria, não apenas pela média geral.
Família de modelos e nome do assistente de IA da Anthropic, lançado em 2023. Pode apoiar análise de documentos, produção de conteúdo, programação e tarefas com ferramentas, dependendo do modelo e do produto utilizados. Há acesso pela plataforma da empresa e por parceiros de nuvem, com condições que podem variar. Para o decisor, vale separar o assistente pronto da API usada em integrações e comparar desempenho, custo, contexto disponível, permissões e tratamento dos dados. A capacidade precisa ser testada na tarefa concreta, sem depender apenas da reputação da família.
Técnica de aprendizado não supervisionado que agrupa itens semelhantes sem categorias definidas previamente, como clientes com comportamentos de compra próximos ou documentos sobre temas relacionados. O algoritmo usa as características e medidas de similaridade escolhidas; a equipe interpreta os grupos e verifica se são úteis. Pode complementar segmentações demográficas, sem substituí-las automaticamente. Embeddings permitem aplicar essa abordagem a texto, imagem e outros conteúdos. Para o negócio, ajuda a descobrir padrões, mas o número de grupos, sua estabilidade e sua relação com decisões práticas precisam ser avaliados.
Integração que permite a uma aplicação de IA consultar dados ou executar ações em outro sistema, como e-mail, agenda, CRM ou ERP. Alguns conectores são apenas de leitura; outros oferecem operações de escrita. O acesso depende das permissões concedidas, da identidade usada e dos controles do sistema de destino, podendo ser menor que o acesso total de uma pessoa. O MCP é uma das formas de padronizar essas conexões. Para a empresa, importa limitar escopos, revisar autorizações, registrar operações e exigir confirmação nas ações de maior impacto.
Coleção organizada de exemplos utilizada para treinar, ajustar ou avaliar um modelo: fotos, tíquetes, transações ou pares de perguntas e respostas. Em um projeto típico, os dados são separados em treino, validação e teste, com cuidado para evitar que informações do teste influenciem o desenvolvimento. A separação pode precisar respeitar tempo, pessoas ou empresas, além de sortear registros. Para o negócio, a utilidade depende de qualidade, representatividade, direitos de uso e critérios de rotulagem. Uma avaliação só é confiável quando o conjunto reflete as condições relevantes da aplicação.
Divisões de uma base com funções diferentes: treino ajusta o modelo, validação orienta escolhas e teste estima o desempenho final em exemplos reservados. Consultar repetidamente o teste para melhorar o sistema compromete essa estimativa. A separação também deve evitar documentos duplicados, registros relacionados ou informações futuras entre grupos. Em previsão de vendas, por exemplo, testar em um período posterior ao treinamento aproxima a avaliação do uso real. Para a empresa, essa disciplina reduz a chance de contratar uma solução que funciona apenas na demonstração.
Presença de informações de avaliação nos dados usados para treinar ou ajustar um modelo. Ocorre, por exemplo, quando questões de um teste público e suas respostas aparecem no material de treinamento. O resultado pode parecer melhor porque parte do conteúdo já era conhecida. Também merece atenção o vazamento de informações futuras para modelos de previsão. Para a empresa, é motivo para reservar casos próprios, controlar duplicatas e registrar a origem dos dados. Uma pontuação alta só é útil quando o teste representa situações que o sistema realmente precisará enfrentar.
Texto, imagem, áudio ou vídeo produzido com ferramentas de IA generativa. As implicações para qualidade editorial, publicação em sites e políticas dos mecanismos de busca estão no Glossário de SEO. Direitos sobre materiais usados e revisão antes da publicação continuam relevantes para a empresa.
Nome usado para um assistente de IA incorporado a uma ferramenta de trabalho, como editor de código, planilha, e-mail ou CRM. Pode sugerir conteúdo, analisar dados e executar ações sob orientação da pessoa. A Microsoft utiliza Copilot em nomes de produtos, mas o termo também aparece de forma genérica no mercado. Não define um limite técnico fixo de autonomia: alguns copilotos incluem agentes. Para a empresa, importa entender quais decisões ficam com o usuário, que ações são autorizadas e como revisar ou desfazer resultados.
Componente da cobrança de muitas APIs de modelos de linguagem, normalmente calculado separadamente para tokens de entrada e de saída. As tarifas podem variar por modelo, uso de cache, processamento em lote e tamanho do contexto. Tokens de raciocínio também podem ser cobrados, conforme o serviço. O custo total inclui ainda ferramentas, armazenamento, buscas, mídia e repetições após falhas. Para a empresa, vale medir o investimento por tarefa concluída com qualidade, acompanhar consumo por aplicação e comparar alternativas com dados reais de uso.
Soma dos recursos necessários para implantar, operar e manter uma aplicação de IA durante um período definido. Inclui modelo ou assinatura, infraestrutura, preparação de dados, integrações, segurança, avaliações, supervisão humana, correção de erros e atualizações. Uma API com menor cobrança por token pode exigir mais tentativas ou revisão e elevar o custo da tarefa concluída. Para comparar alternativas, a empresa precisa considerar volume, qualidade exigida e nível de serviço. É uma aplicação do custo total de propriedade, conceito geral aprofundado no Glossário B2B.
Ver também:Custo por tokenProva de conceitoObservabilidade de IARoteamento de modelosTCO (custo total de propriedade) (Glossário B2B) (em breve)
D
13 termos
Exemplos utilizados para ajustar os parâmetros de um modelo, incluindo texto, código, imagens, áudio e dados de pós-treinamento, conforme sua finalidade. Influenciam capacidades, limitações e vieses, mas não funcionam como um arquivo que o modelo consulta literalmente a cada resposta. Enviar dados durante o uso não significa necessariamente incluí-los em treinamento: isso depende do produto, das configurações e do contrato. Para a empresa, é importante conhecer as condições de uso dos dados enviados e evitar tratar a publicação na web como garantia de inclusão ou citação em modelos futuros.
Informações que não seguem uma organização fixa de campos, como textos livres, imagens, áudio e vídeo. E-mails, contratos e conversas podem combinar conteúdo não estruturado com metadados organizados. Técnicas como OCR, processamento de linguagem natural e visão computacional já permitiam analisar esses materiais antes da IA generativa; os modelos atuais ampliam as possibilidades de consulta e transformação. Para a empresa, o valor depende de localizar documentos, controlar acessos, reconhecer versões e validar extrações. O conceito é diferente da marcação de dados estruturados usada em SEO.
Dados sobre os quais uma organização exerce controle de acesso e uso, como procedimentos, medições de produção, transações e registros de atendimento. Não precisam ser exclusivos nem estão livres de direitos de terceiros ou de titulares. Podem diferenciar aplicações de IA quando são relevantes, confiáveis e conectados a processos úteis. Para a empresa, explorar esse ativo envolve organizar fontes, definir responsáveis e verificar condições de uso. A proteção inclui permissões, contratos com fornecedores, retenção adequada e cuidado com o conteúdo exposto em respostas e integrações.
Dados produzidos artificialmente por regras, simulações ou modelos, para complementar ou substituir exemplos reais em uma tarefa. Podem representar defeitos raros, conversas de atendimento ou cenários de teste. Ajudam quando coletar dados reais é difícil, mas não garantem privacidade nem representatividade: podem reproduzir informações sensíveis, erros e vieses da origem. A qualidade deve ser comparada com dados reais independentes. Para a empresa, a decisão envolve medir utilidade, risco de exposição e desempenho nos grupos relevantes, sem presumir que todo registro artificial seja anônimo.
Instalação preparada para executar cargas de IA, com servidores, redes, armazenamento, energia e refrigeração compatíveis com a demanda. Pode atender treinamento, inferência ou ambos, em escalas muito diferentes; nem todo ambiente exige dezenas de milhares de GPUs. Empresas podem contratar essa capacidade na nuvem ou operar infraestrutura própria. Na decisão de negócio, importam disponibilidade, custo, localização do processamento, segurança e continuidade do serviço. A localização física é um fator da análise de proteção de dados e transferência internacional, mas não determina sozinha a conformidade.
Abordagens para organizar dados usados em análise e IA. O data warehouse costuma priorizar informações estruturadas e modeladas para consulta; o data lake armazena formatos variados, com diferentes níveis de preparação. Arquiteturas lakehouse combinam características das duas. Podem fornecer dados para treinamento, RAG e agentes, mas centralizar tudo não é requisito para adotar IA: algumas aplicações consultam fontes distribuídas. Para a empresa, a escolha depende dos usos, do volume, das integrações e da governança. Catálogo, qualidade, atualização e controle de acesso importam em qualquer arquitetura.
Ramo do machine learning que utiliza redes neurais com múltiplas camadas para aprender representações dos dados. Sustenta muitos avanços em visão computacional, reconhecimento de fala, tradução e modelos de linguagem, sem abranger toda a inteligência artificial. Pode reduzir a necessidade de definir manualmente certas características, mas ainda depende da preparação de dados e das escolhas de projeto. Treinar modelos grandes exige recursos significativos; aproveitar modelos existentes pode reduzir essa barreira. Para a empresa, é importante comparar o ganho de desempenho com custo, explicabilidade e alternativas mais simples.
Conteúdo sintético ou manipulado que faz pessoas, objetos ou situações parecerem autênticos, como uma voz clonada ou um vídeo de alguém dizendo algo que não disse. Pode ter usos autorizados em produção audiovisual, mas também viabilizar fraude e desinformação. Na empresa, pedidos sensíveis devem ser confirmados por um canal independente já conhecido, sem confiar apenas em voz ou imagem. Detecção automática não é prova definitiva. Obrigações de identificação do conteúdo variam por jurisdição, finalidade e plataforma, e direitos de imagem e proteção de dados também podem se aplicar.
Empresa chinesa de IA que desenvolve modelos de linguagem e de raciocínio, incluindo o R1, lançado em 2025 com pesos disponibilizados para download. As versões podem ser usadas por serviços hospedados ou em infraestrutura escolhida pela organização, conforme requisitos e licenças. Comparações de eficiência precisam distinguir o modelo, a etapa de treinamento e os custos incluídos. Executar pesos localmente pode reduzir o envio de dados a terceiros, mas não elimina obrigações de privacidade, segurança e licenciamento. Para o negócio, vale comparar qualidade, infraestrutura necessária e condições de operação.
Técnica de treinamento em que um modelo aprende com saídas ou sinais produzidos por outro, frequentemente maior ou mais capaz. O objetivo pode ser obter um modelo menor, especializado ou com menor custo de operação, preservando desempenho suficiente na tarefa. Não há garantia de reproduzir todas as capacidades do modelo de origem, e erros também podem ser transferidos. Para a empresa, o processo exige exemplos de qualidade e avaliação independente. Licenças e contratos dos modelos envolvidos devem permitir o uso pretendido, inclusive a produção de dados de treinamento.
Ferramenta que estima se determinado conteúdo foi gerado ou alterado por IA, usando padrões estatísticos ou sinais técnicos. O desempenho depende da mídia, do idioma, do modelo gerador e de possíveis edições. Pode acusar conteúdo humano ou deixar passar material sintético, por isso um resultado isolado não comprova autoria. Marcas d’água e registros de procedência oferecem sinais complementares, quando presentes e verificáveis. Para a empresa, é mais útil combinar revisão, histórico de criação e regras claras de uso do que tomar decisões sobre pessoas com base apenas na pontuação de um detector.
Questões sobre o uso de obras no treinamento e nos prompts, a proteção de contribuições humanas e a possibilidade de uma saída reproduzir material protegido. As respostas dependem da legislação aplicável, dos contratos e das circunstâncias de cada uso. Uma licença de ferramenta não garante exclusividade sobre o resultado nem elimina direitos de terceiros. Para a empresa, convém verificar permissões de materiais de entrada, condições do fornecedor e saídas semelhantes a obras existentes. Registrar a contribuição humana ajuda a documentar o processo; direitos de imagem e marcas exigem análises próprias.
Mudança nas condições de uso de um modelo que pode comprometer seu desempenho, como novos perfis de clientes, tipos de fraude ou relações entre dados e resultados. O termo é usado de modo amplo; convém distinguir mudanças na distribuição dos dados e no comportamento que se pretende prever. Uma atualização do modelo pelo fornecedor também pode alterar respostas, mas é uma mudança de versão. Para a empresa, monitorar entradas, resultados e métricas ajuda a decidir entre corrigir dados, ajustar a aplicação ou retreinar, sem assumir que toda variação indica perda de qualidade.
E
8 termos
Execução de modelos de IA no dispositivo ou em infraestrutura próxima de onde os dados são produzidos, como uma câmera, um celular ou um servidor na fábrica. Pode reduzir latência e tráfego de rede e permitir algumas funções sem conexão externa. Isso não garante que nenhum dado saia do ambiente: sincronização, telemetria e serviços complementares precisam ser verificados. As limitações incluem energia, memória, processamento e atualização dos modelos. Para a empresa, a escolha deve considerar privacidade, disponibilidade, volume de dados e custo de manter os dispositivos em operação.
Representações numéricas de textos, imagens ou outros itens, produzidas para capturar características úteis a uma tarefa. Em um espaço de embeddings, proximidade pode indicar similaridade semântica: uma consulta sobre laptop corporativo pode encontrar um documento sobre notebook para trabalho. O resultado depende do modelo, do idioma e do conteúdo representado; proximidade não garante verdade nem relevância. São usados em busca, recomendação, agrupamento e RAG. Para a empresa, é importante testar a recuperação em exemplos reais e proteger esses vetores, que não devem ser tratados automaticamente como dados anônimos.
Prática de selecionar, organizar e atualizar as informações disponíveis ao modelo durante uma tarefa. Abrange instruções, exemplos, histórico, documentos recuperados, resultados de ferramentas e memória. Em agentes, esse material muda a cada etapa e precisa caber nos limites da janela de contexto. Complementa a engenharia de prompt, que trata mais diretamente das instruções. Para a empresa, ajuda a evitar respostas baseadas em informação irrelevante, antiga ou incompleta. A escolha do contexto deve respeitar permissões e ser avaliada pelo resultado, sem pressupor que enviar mais documentos sempre melhora a resposta.
Prática de projetar e testar instruções para orientar o comportamento de um modelo: objetivo, contexto relevante, exemplos, limites e formato da resposta. A abordagem adequada depende da tarefa e do modelo; pedir raciocínio em etapas não melhora todos os resultados. Nas empresas, prompts importantes podem ser versionados, avaliados com casos reais e revisados quando o sistema muda. O valor está em tornar o uso mais consistente e verificável. Mesmo um prompt bem escrito não substitui fontes confiáveis, controles de acesso, validação da saída e supervisão proporcional ao risco.
Manipulação intencional de dados para prejudicar ou direcionar o comportamento de um sistema de IA. Pode envolver exemplos adulterados no treinamento, rótulos incorretos ou documentos maliciosos inseridos numa base consultada pela aplicação. Um atacante pode tentar fazer o sistema favorecer uma resposta ou errar quando encontra determinado sinal. Para a empresa, a defesa começa no controle de quem publica e altera dados, na verificação de procedência e no acompanhamento de mudanças. Testes de segurança e rastreabilidade ajudam a detectar problemas, sem eliminar todos os riscos.
Campo de reflexão e prática sobre os efeitos da inteligência artificial nas pessoas e na sociedade. Discute justiça, privacidade, transparência, autonomia, segurança e responsabilidade, incluindo conflitos entre esses valores. Na empresa, orienta escolhas de finalidade, dados, métricas e supervisão, além do cumprimento de requisitos legais. Uma aplicação pode ser tecnicamente eficiente e ainda produzir impactos inadequados sobre clientes ou trabalhadores. Avaliação de consequências, participação dos afetados e canais de contestação ajudam a transformar princípios em decisões e a revisar usos que causem prejuízo.
Capacidade de apresentar informações compreensíveis sobre o funcionamento de um sistema de IA ou os fatores associados a um resultado. Pode envolver modelos mais transparentes e técnicas que aproximam o comportamento de modelos complexos, com limitações próprias. Uma justificativa escrita por um chatbot não comprova como a resposta foi produzida. Para a empresa, a explicação precisa servir ao público e à decisão envolvidos. Em decisões exclusivamente automatizadas que afetem interesses do titular, a LGPD prevê revisão e informações sobre critérios e procedimentos, observados os segredos comercial e industrial.
Identificação e organização de informações contidas em uma fonte, como valores e vencimentos em notas fiscais ou cláusulas em contratos. Pode usar regras, OCR, modelos de linguagem e recursos multimodais, conforme o tipo de documento. Em IA, a saída costuma ser estruturada em campos que outro sistema consegue processar. Para a empresa, o ganho deve considerar tempo, acerto e revisão necessária. Campos ausentes ou ilegíveis precisam ser sinalizados; preencher todos os campos não comprova que os valores foram extraídos corretamente nem que existem na fonte.
F
6 termos
Caminho previsto para quando a solução principal falha ou não atende aos critérios da aplicação. Um atendimento pode transferir a conversa para uma pessoa, retornar uma orientação limitada ou consultar outro modelo após indisponibilidade do primeiro. A troca precisa preservar restrições de dados, permissões e qualidade. Também exige verificar se alguma ação já foi executada para evitar pedidos ou cobranças duplicados. Para a empresa, fallback é planejamento de continuidade: define como o processo se comporta quando a IA não consegue concluir o trabalho.
Dois tipos de erro de classificação. Falso positivo é marcar uma condição que não existe, como bloquear uma compra legítima por suspeita de fraude. Falso negativo é deixar passar uma condição existente, como aprovar uma transação fraudulenta. Cada erro tem consequências diferentes para receita, atendimento e risco. Ajustar o limite de decisão pode alterar a relação entre eles. Por isso, avaliar uma IA exige conhecer a frequência e o custo de cada erro, além de verificar em quais grupos ou situações eles se concentram.
No uso de LLMs, estratégia de fornecer alguns exemplos no prompt para demonstrar a tarefa e o formato esperado, como tíquetes classificados ou campos extraídos de contratos. O modelo usa esses exemplos no contexto, sem alterar seus pesos nessa interação. Em machine learning, few-shot learning também designa métodos de aprender com poucos exemplos, um conceito mais amplo. Para a empresa, é uma opção a testar antes de um treinamento adicional. Exemplos representativos e avaliação independente são essenciais; incluir mais exemplos não garante melhoria e aumenta o contexto processado.
Treinamento adicional de um modelo existente para adaptar seu comportamento a tarefas, formatos, estilos ou domínios específicos. Pode modificar todos os pesos ou apenas uma parte deles, dependendo da técnica. Também pode incorporar conhecimento, mas não é uma base de consulta confiável para fatos que mudam ou exigem fonte: nesses casos, RAG costuma ser uma alternativa adequada. Para a empresa, a decisão exige dados preparados, avaliação e comparação com prompts e recuperação de documentos. O ganho deve compensar treinamento, manutenção e eventual migração para outro modelo.
Conjunto de componentes de software para construir e coordenar aplicações com modelos de IA. Pode organizar chamadas, ferramentas, busca de dados, memória e etapas com aprovação humana. Bibliotecas e SDKs atendem equipes de desenvolvimento; plataformas visuais oferecem outra forma de montar fluxos. Para a empresa, a escolha deve considerar integrações, capacidade de diagnóstico, manutenção, segurança e dependências criadas. Um framework pode reduzir trabalho repetido, mas não define sozinho o processo nem assegura confiabilidade. Em tarefas simples, uma integração direta também pode atender à necessidade.
Recurso em que uma aplicação descreve ferramentas disponíveis e o modelo produz uma solicitação estruturada com nome e argumentos, como consultar estoque ou criar um pedido. Na integração tradicional, o software valida a solicitação, executa a função e devolve o resultado ao modelo. A chamada gerada não constitui autorização: permissões, validação de dados e regras de negócio devem ser verificadas pelo sistema executor. Para a empresa, isso permite conectar IA a processos, com aprovação adicional para ações sensíveis e registros que identifiquem o que foi solicitado e realizado.
G
13 termos
Nome da família de modelos de IA do Google, apresentada em 2023, e de seu assistente para usuários. Há modelos e produtos com diferentes capacidades de texto, imagem, áudio, vídeo, raciocínio e uso de ferramentas, conforme a versão. A família também apoia recursos em produtos Google e integrações por API e nuvem. O aplicativo Gemini e as experiências da Busca têm contextos e mecanismos próprios, portanto não devem ser medidos como se fossem o mesmo sistema. Para a empresa, a escolha depende da tarefa, das integrações e das condições de uso.
Capacidade de um modelo desempenhar uma tarefa em exemplos diferentes daqueles usados para treiná-lo. É avaliada com dados independentes e representativos das condições esperadas de uso. Uma grande diferença entre treino e teste pode indicar sobreajuste, mas também problemas de amostragem ou mudanças entre os conjuntos. Para a empresa, generalizar significa manter qualidade em clientes, períodos e situações relevantes, não apenas na demonstração do fornecedor. Testes com erros de digitação, casos raros e cenários novos ajudam a definir os limites do sistema e quando encaminhar uma decisão à equipe.
Conjunto de práticas relacionado à presença de marcas e conteúdos em respostas de mecanismos generativos. A definição completa, suas relações com SEO e a forma como a TRIWI trabalha essa presença estão no Glossário de SEO.
Criação ou edição de imagens com modelos de IA a partir de texto, imagens de referência e outras entradas. Pode apoiar protótipos, ilustrações, variações de peças e estudos visuais. A qualidade e os controles variam entre ferramentas, e consistência de personagens, texto legível e fidelidade a produtos precisam ser verificadas em cada resultado. Para a empresa, a aprovação deve considerar adequação visual, direitos sobre referências e pessoas, regras da plataforma e eventual identificação de conteúdo sintético. Imagens de produtos não devem induzir o cliente a esperar características inexistentes.
Criação ou edição de vídeos com modelos de IA a partir de descrições, imagens ou outros vídeos. Alguns sistemas também geram áudio e permitem ajustar cenas, movimentos e personagens, mas os recursos variam por ferramenta e versão. Pode apoiar storyboards, animações e materiais de comunicação. A avaliação inclui coerência entre quadros, fidelidade ao produto, sincronização e esforço de correção. Para a empresa, o custo por peça aprovada pode ser mais relevante que o custo por segundo, e o uso precisa respeitar direitos sobre materiais e pessoas e regras aplicáveis de identificação.
Laboratório de IA formado em 2023 pela união da DeepMind com o Google Brain. Reúne pesquisa e desenvolvimento de sistemas como a família Gemini e o AlphaFold, além do legado do AlphaGo. Seus modelos e descobertas podem ser incorporados a produtos e serviços do Google, mas laboratório, assistente e plataforma de nuvem têm funções distintas. Para a empresa, conhecer essa diferença ajuda a entender quem desenvolve a tecnologia e por qual produto ela será contratada. A escolha deve considerar recursos, condições de uso e resultados na aplicação concreta.
Conjunto de papéis, políticas e controles que orienta a adoção e a operação de IA na organização. Define responsáveis, critérios para aprovar usos, condições para tratar dados e formas de avaliar resultados, riscos e incidentes. Inclui inventário de aplicações, acompanhamento de fornecedores e revisão de mudanças relevantes. Para a empresa, permite relacionar cada uso de IA a um objetivo e a alguém que responde por ele. Os controles devem ser proporcionais ao contexto e ao impacto, com evidências de aplicação, sem presumir que uma política escrita elimine falhas.
Sigla de Generative Pre-trained Transformer, associada à família de modelos desenvolvida pela OpenAI. Indica modelos generativos baseados na arquitetura Transformer e treinados previamente com grandes volumes de dados. O primeiro GPT foi apresentado em 2018, e versões posteriores ampliaram capacidades e modalidades de entrada e saída. GPT não é sinônimo de todo LLM nem se confunde com ChatGPT, que é um produto que utiliza modelos. Para a empresa, vale identificar a versão efetivamente contratada, suas ferramentas, limites e condições, porque o nome da família não define sozinho a capacidade disponível.
Processador especializado em executar muitas operações em paralelo, originalmente associado ao processamento gráfico e amplamente utilizado em IA. Essa capacidade atende operações matemáticas de redes neurais no treinamento e na inferência. A GPU não é o único tipo de hardware possível: CPUs e outros aceleradores também podem participar, conforme a tarefa. Para a empresa, aparece no custo de serviços de IA e de infraestrutura própria. A decisão de compra ou contratação depende da carga, da memória necessária, da disponibilidade, do consumo de energia e da capacidade da equipe de operar o ambiente.
Representação de entidades e das relações entre elas, como produtos, componentes, fornecedores e contratos conectados em uma rede. Pode facilitar consultas que exigem combinar informações de várias fontes e apoiar aplicações de RAG com relações explícitas. A estrutura não garante que os fatos estejam corretos: origem, atualização e validação continuam necessárias. Para a empresa, o valor aparece em perguntas que dependem de vínculos, como identificar quais produtos seriam afetados pela interrupção de um fornecedor. O Knowledge Graph do Google, aplicado à busca, é tratado no Glossário de SEO.
Família de modelos e assistente de IA desenvolvidos originalmente pela xAI, disponível em diferentes produtos e integrações. Pode apoiar conversa, análise, programação e uso de ferramentas, conforme a versão e o serviço. A consulta a informações atuais da web ou do X depende dos recursos de busca habilitados; não significa acesso automático e completo a tudo que circula nessas fontes. Para a empresa, é mais uma opção a avaliar com tarefas reais, verificando qualidade, rastreabilidade das fontes, proteção de dados, permissões e condições de operação.
Vinculação de respostas de IA a informações fornecidas ou consultadas, para reduzir a dependência exclusiva do conhecimento aprendido no treinamento. No contexto de busca e citações de marcas, o termo está desenvolvido no Glossário de SEO. Para consultas a documentos e sistemas da empresa, veja também RAG.
Conjunto de controles para reduzir comportamentos indesejados em uma aplicação de IA, como exposição de dados, respostas fora do escopo e ações sem autorização. Pode combinar instruções, filtros, modelos de verificação, validação de saídas, limites de acesso e aprovação humana. Nenhuma camada isolada garante segurança; controles críticos de permissão devem ser aplicados pelos sistemas executores, sem depender da obediência do modelo. Para a empresa, esses mecanismos precisam ser testados contra falhas e tentativas de contorno, com monitoramento e um caminho definido para interromper ou encaminhar a operação.
H
3 termos
Configurações que orientam como um modelo é construído ou treinado, como taxa de aprendizado, tamanho do lote, número de camadas e regularização. Diferem dos parâmetros aprendidos durante o treinamento. Podem ser escolhidos manualmente ou por procedimentos de busca e otimização. No uso de modelos prontos, controles como temperatura e limite de saída são configurações de inferência, que não retreinam o modelo. Para a empresa, essa distinção evita confundir ajuste do comportamento de uma resposta com mudanças que exigem dados, treinamento e nova avaliação.
Empresa e plataforma que hospeda modelos, conjuntos de dados, demonstrações e ferramentas para desenvolver aplicações de IA. Permite encontrar versões de modelos, consultar documentação e, conforme a licença, baixar arquivos ou contratar serviços de execução. Disponibilidade pública não significa automaticamente código aberto, uso comercial irrestrito ou segurança comprovada. Para a empresa, é importante verificar a origem, a licença, os arquivos necessários e as condições da versão escolhida. Fichas de modelo e avaliações ajudam na seleção, mas a adequação deve ser confirmada nos dados e nas tarefas do projeto.
Participação de uma pessoa em uma etapa relevante do funcionamento de um sistema de IA, como revisar uma resposta, corrigir uma classificação ou aprovar uma ação. Pode ocorrer no treinamento, na avaliação ou durante o uso. Na operação, funciona quando há informação suficiente, tempo e autoridade para intervir, rejeitar ou encaminhar o caso. Para a empresa, o desenho deve considerar impacto, reversibilidade, qualidade medida e exigências aplicáveis. Um desempenho médio melhor não justifica sozinho retirar a supervisão de decisões de maior consequência.
I
12 termos
Abordagem de IA em que sistemas recebem objetivos e escolhem ações para realizá-los, com autonomia definida pela aplicação. Podem planejar etapas, consultar dados, usar ferramentas e avaliar resultados antes de continuar. O termo abrange implementações diferentes e não significa que o sistema consiga concluir qualquer tarefa sozinho. Na empresa, pode apoiar atendimento, pesquisa comercial e operações internas. O valor deve ser medido pelo resultado do processo, considerando custo, erros e intervenções humanas. Permissões mínimas, limites de execução, registros e possibilidade de interrupção são controles essenciais.
Conjunto de tecnologias que permite interagir com sistemas em linguagem natural, por texto ou voz. Combina compreensão do pedido, gestão do diálogo e produção de respostas; interfaces de voz acrescentam reconhecimento e síntese de fala. Pode usar regras, modelos de linguagem ou os dois, conforme a necessidade. No negócio, aparece em atendimento, vendas e suporte interno. Conversar com fluência não significa compreender corretamente cada caso: é preciso definir limites, consultar informações confiáveis e oferecer encaminhamento para uma pessoa quando necessário.
Adoção de IA com integração aos processos e controles da organização: ferramentas homologadas, gestão de acesso, proteção de dados, responsáveis definidos e medição de resultados. Pode envolver modelos próprios, serviços em nuvem ou aplicativos contratados. Um plano chamado Enterprise não assegura, por si só, todos esses requisitos. Uso dos dados para treinamento, retenção, auditoria e localização do processamento dependem do contrato e da configuração. Para a empresa, a decisão combina adequação à tarefa, condições do fornecedor e capacidade de operar a solução com segurança.
Expressão usada para sistemas de IA cuja capacidade é delimitada por tarefas, dados e condições de uso, como detectar fraude, reconhecer imagens ou prever demanda. Contrasta com a proposta de inteligência artificial geral, cuja definição e critérios de avaliação continuam em debate. Modelos de uso geral ampliam o conjunto de tarefas possíveis, mas isso não torna seu desempenho confiável em qualquer domínio. Para a empresa, a aplicação precisa ser avaliada no trabalho real: escrever bem não comprova capacidade de calcular, decidir ou executar ações corretamente.
Categoria de IA que produz conteúdo, como texto, imagem, áudio, vídeo, código ou dados, a partir de padrões aprendidos no treinamento e das entradas recebidas. Pode criar variações e combinações novas, mas também reproduzir informações ou trechos existentes. Seus modelos também podem ser usados para classificar, extrair e analisar, portanto as categorias de aplicação se sobrepõem. Na empresa, apoia produção e revisão de materiais, desenvolvimento e atendimento. O ganho depende da qualidade exigida e do trabalho de conferência, com atenção a erros, privacidade e direitos autorais.
Aplicação de modelos estatísticos e de machine learning para estimar resultados, probabilidades ou comportamentos a partir de dados. Inclui prever demanda e cancelamento de clientes, estimar risco e identificar transações potencialmente fraudulentas. Nem toda previsão se refere ao futuro: o modelo também pode inferir uma condição ainda desconhecida. O valor aparece quando a estimativa orienta uma ação, como revisar uma compra ou ajustar estoque. É necessário avaliar erros, qualidade dos dados e mudanças no contexto; uma probabilidade não é certeza nem prova de causa.
Abordagem para desenvolver, contratar e operar IA considerando benefícios, riscos e impactos sobre pessoas. Traduz princípios como segurança, justiça, transparência e responsabilidade em práticas: avaliação antes do uso, testes, documentação, supervisão proporcional ao risco e canais de contestação. As obrigações legais variam conforme o país, o setor e a aplicação; um programa do fornecedor não substitui a responsabilidade da empresa usuária. No negócio, importa demonstrar quais controles existem, quem responde pelas decisões e como problemas são identificados e corrigidos ao longo do tempo.
Uso de um modelo já treinado para produzir uma saída, como uma resposta, uma classificação ou uma imagem. Diferencia-se do treinamento, que ajusta os parâmetros e pode ocorrer em várias etapas ou ser repetido. O custo da inferência depende do modelo, da infraestrutura, do volume e da forma de cobrança, que pode envolver tokens, imagens, áudio ou tempo de processamento. Para a empresa, qualidade, latência, capacidade de atendimento e custo por tarefa concluída ajudam a comparar opções e dimensionar a operação.
Área da computação dedicada a sistemas capazes de realizar tarefas associadas à inteligência, como reconhecer padrões, interpretar linguagem, aprender com dados, planejar e apoiar decisões. Abrange técnicas diferentes, de sistemas baseados em regras a machine learning e modelos generativos. Não é sinônimo de chatbot nem pressupõe consciência ou entendimento humano. Para o decisor, o ponto de partida é um problema concreto: quais dados estão disponíveis, que resultado se espera, como verificar erros e quem continua responsável pelo processo em que a IA será usada.
Aplicação de IA ao suporte e ao relacionamento com clientes: triagem de solicitações, sugestões ao atendente, resumo de conversas, consulta a informações e execução de ações autorizadas. Pode combinar chatbots, agentes de voz e ferramentas internas. O benefício depende de resolver o caso com qualidade, e não apenas de reduzir o tempo de conversa. Convém medir resolução, satisfação, reincidência e custo, além de informar o uso de IA, proteger os dados e permitir transferência para uma pessoa quando o sistema atingir seus limites.
Ver também:ChatbotAgente de vozAnálise de sentimentoResumo automáticoCustomer success (Glossário de Vendas) (em breve)
Aplicação de IA a atividades como pesquisa, produção, segmentação e análise de marketing. A definição e os usos estão no Glossário de Marketing. Este glossário explica os fundamentos que os sustentam, como modelos, prompts, agentes e RAG; a presença de marcas nas respostas das IAs está no Glossário de SEO.
Uso de ferramentas de IA nas atividades profissionais, como revisar textos, analisar documentos, resumir reuniões, programar e preparar apresentações. A utilidade varia conforme a tarefa, a qualidade dos dados e a capacidade de conferir o resultado. Adoção e produtividade são medidas diferentes: abrir um assistente não comprova ganho de desempenho. Para a empresa, é necessário definir tarefas adequadas, treinar as equipes, proteger informações e comparar tempo, qualidade e retrabalho. Mudanças nas funções devem considerar responsabilidades, competências e efeitos sobre as pessoas.
J
2 termos
Tentativa de contornar os limites de comportamento ou segurança de um modelo para obter respostas que ele deveria recusar. Pode explorar instruções contraditórias, encenações e outras formas de manipular a interação. Em aplicações públicas, pode gerar conteúdo indevido e prejudicar usuários ou a marca. Não é sinônimo de todo ataque por prompt: a injeção de prompt também pode desviar tarefas e ações. As defesas combinam avaliação adversarial, limites de acesso, controles externos ao modelo e monitoramento, sem pressupor proteção infalível.
Limite de informação que um modelo pode considerar em uma execução, normalmente expresso em tokens. Pode abranger instruções, histórico, conteúdo recuperado, imagens e espaço para a resposta, conforme o modelo. Uma janela maior permite trabalhar com mais material, mas não assegura que todos os detalhes sejam usados corretamente. Na empresa, convém selecionar informações relevantes e testar documentos extensos. Em APIs, cobrança e contabilização variam por modalidade e provedor; tokens reutilizados por cache podem ter condições diferentes dos demais tokens de entrada.
K
1 termo
Referência informada pelo fornecedor para a atualização dos dados usados no treinamento de um modelo. Não significa que ele conheça todos os fatos anteriores à data, nem que consiga recuperá-los com precisão. Mudanças posteriores podem exigir informações fornecidas no contexto, busca ou uma base conectada; atualizações e etapas adicionais de treinamento também variam por modelo. Para o uso corporativo, assuntos dependentes de atualidade, como regras, cargos e condições de produtos, precisam de fontes verificáveis, mesmo quando o modelo responde com confiança.
L
8 termos
Tempo de espera entre uma solicitação e a resposta de um sistema. Em IA, pode ser medido até o primeiro trecho recebido ou até a conclusão de toda a tarefa. Depende do modelo, do tamanho da entrada e da saída, da infraestrutura, da rede e das ferramentas consultadas. Streaming melhora a percepção de espera, mas não necessariamente reduz o tempo total. Para a empresa, a meta deve refletir o processo: uma conversa por voz exige resposta mais ágil que a análise de um relatório extenso.
Relações empíricas que descrevem como certas medidas de desempenho de modelos variam com dados, parâmetros e recursos computacionais. Ajudam pesquisadores a distribuir o esforço de treinamento e estimar ganhos dentro das condições estudadas. Não são garantia de melhoria em qualquer tarefa nem determinam, sozinhas, a qualidade de um produto. Também há pesquisas sobre recursos usados durante a inferência e o pós-treinamento. Para o decisor, a implicação é comparar resultados e custo no próprio caso de uso, sem assumir que o maior modelo sempre será a melhor escolha.
Capacidade de compreender possibilidades, limites e riscos da IA e utilizá-la de acordo com as responsabilidades de cada função. Inclui formular pedidos, conferir resultados, proteger dados e reconhecer quando é preciso apoio especializado. No contexto europeu, o AI Act prevê medidas de letramento para fornecedores e organizações que utilizam sistemas abrangidos pela lei, com aplicação iniciada em 2025. Na empresa, a capacitação deve usar situações reais da área, exemplos de erro e critérios de revisão, sendo atualizada conforme as ferramentas e os processos mudam.
A Lei Geral de Proteção de Dados se aplica ao tratamento de dados pessoais em sistemas de IA, conforme seu alcance legal. Treinar, ajustar ou consultar modelos pode exigir base legal, finalidade definida, necessidade, transparência e segurança. O artigo 20 prevê solicitar revisão de decisões exclusivamente automatizadas que afetem os interesses do titular, além de informações sobre critérios e procedimentos, respeitados segredos comerciais e industriais. Transferências internacionais dependem do fluxo de dados e dos mecanismos legais aplicáveis. Contratar IA não transfere integralmente ao fornecedor a responsabilidade da empresa.
Registro da origem dos dados e do caminho que percorrem, incluindo transformações, combinações e destinos. Em uma aplicação de IA, permite identificar de qual documento veio um trecho, quando ele foi atualizado e em quais bases ou modelos foi utilizado. Se uma informação estiver errada, a linhagem ajuda a localizar os componentes afetados. Para a empresa, sustenta investigação de falhas, controle de qualidade e auditoria. Deve acompanhar o fluxo de dados com registros verificáveis; o modelo citar uma fonte por conta própria não comprova essa trajetória.
Família de modelos desenvolvida pela Meta, com versões cujos pesos podem ser obtidos para execução e adaptação em infraestrutura própria ou de parceiros. As permissões de uso comercial, obrigações e restrições dependem da licença de cada versão; pesos disponíveis não significam uso irrestrito. Para a empresa, é uma opção a avaliar quando há necessidade de personalização e controle da implantação. A comparação com serviços por API deve incluir qualidade na tarefa, hardware, segurança, manutenção e equipe, além do investimento necessário para operar o modelo.
Modelo de linguagem de grande porte, treinado com grandes conjuntos de dados para aprender padrões e relações na linguagem. Muitos LLMs generativos usam a arquitetura Transformer e produzem texto prevendo tokens sucessivos; o treinamento pode incorporar outras tarefas e modalidades. Conseguem responder, resumir, traduzir e gerar código, mas podem apresentar informações incorretas com fluência. Seu conhecimento aprendido não equivale a uma base de fatos verificada. Na empresa, a escolha deve considerar qualidade em português, contexto necessário, custo, proteção de dados e desempenho nas tarefas reais.
Técnica de ajuste de modelos que mantém os pesos originais congelados e treina um conjunto menor de parâmetros adicionais, chamados adaptadores. Pode reduzir a memória e o esforço computacional necessários em comparação com atualizar todos os parâmetros. Um modelo pode receber adaptadores para tarefas ou domínios distintos. Para a empresa, é uma alternativa a avaliar quando há dados e necessidade comprovada de fine-tuning. A economia não dispensa testes de qualidade, controle de versões e verificação da licença do modelo utilizado.
M
20 termos
Ramo da IA em que algoritmos aprendem padrões a partir de dados ou experiências para realizar tarefas, como classificação, previsão e recomendação. Em vez de escrever todas as regras de decisão, a equipe define objetivos, exemplos e métodos de aprendizado. Inclui abordagens supervisionadas, não supervisionadas e por reforço; deep learning é uma de suas famílias de técnicas. Para o negócio, a escolha depende do problema e dos recursos disponíveis. Qualidade dos dados, comparação com alternativas e avaliação em situações novas são mais úteis que escolher a técnica pela popularidade.
Sinal inserido no conteúdo para ajudar a identificar sua origem ou alterações, de forma visível ou imperceptível. Em IA, pode estar em imagens, áudio, vídeo ou padrões do texto, como nas tecnologias SynthID. Difere dos registros de procedência C2PA, embora as técnicas possam se complementar. A detecção depende do método, da ferramenta disponível e das modificações feitas no conteúdo. Ausência de marca não comprova autoria humana. Para a empresa, ajuda na transparência e na gestão de materiais, sem substituir a verificação de fatos ou direitos de uso.
Protocolo aberto que padroniza a comunicação entre aplicações de IA e serviços que oferecem ferramentas, dados e modelos de instrução. Um servidor MCP pode disponibilizar consultas a um CRM ou ações em um sistema; o aplicativo cliente decide como apresentar e utilizar esses recursos. A integração exige compatibilidade, configuração e autorização, não sendo automática para qualquer assistente. Para a empresa, pode reduzir trabalho repetido entre integrações. Ainda é necessário controlar permissões, avaliar a confiança no servidor e proteger dados e credenciais.
Recurso de uma aplicação de IA para armazenar informações e recuperá-las em interações futuras, como preferências, decisões e contexto de um projeto. Em muitos assistentes, funciona por registros externos ao modelo, selecionados e inseridos no contexto quando necessários. Isso não significa que cada conversa altere automaticamente os pesos do modelo, nem que tudo seja lembrado corretamente. No uso corporativo, é preciso definir o que pode ser salvo, quem acessa, quando corrigir ou excluir e por quanto tempo conservar, considerando privacidade e qualidade das informações.
Assistente de inteligência artificial da Meta, disponível em aplicativos da empresa e em interfaces próprias, conforme o país e os recursos oferecidos. Pode responder perguntas, ajudar em tarefas e trabalhar com diferentes tipos de conteúdo. O assistente é um produto, enquanto Llama designa uma família de modelos da Meta; não são termos equivalentes. Para o negócio, é relevante entender como as pessoas utilizam essas interfaces e quais informações elas apresentam. Recursos, modelos subjacentes e regras de tratamento de dados devem ser conferidos na oferta vigente.
Empresa de tecnologia que oferece aplicações e infraestrutura de IA, incluindo a família Copilot e serviços na nuvem Azure. Integra assistentes a ferramentas de produtividade, desenvolvimento e gestão, além de disponibilizar modelos próprios e de outros fornecedores. Para organizações que já usam seu ecossistema, a integração pode facilitar a adoção, mas não elimina configuração, treinamento e governança. Recursos, licenças, modelos disponíveis e condições de processamento variam por serviço. A avaliação deve combinar utilidade na rotina, controle de acesso, proteção de dados e custo efetivo de uso.
Empresa francesa de IA que desenvolve modelos de linguagem e multimodais, oferece serviços por API e mantém aplicações como o Le Chat. Seu catálogo combina diferentes formas de acesso e licenciamento, incluindo modelos de pesos disponíveis para implantação própria. É uma alternativa para projetos que precisam comparar fornecedores e opções de hospedagem. A origem europeia da empresa, por si só, não determina onde todos os dados serão processados nem garante conformidade. A contratação deve verificar licença, região, contrato, desempenho em português e custo de operação.
Arquitetura que combina diferentes componentes de uma rede neural, chamados especialistas, com um mecanismo que distribui o processamento entre eles. Em versões esparsas, apenas parte dos especialistas é ativada para cada entrada ou token, reduzindo o trabalho computacional em relação a ativar todos. Eles não correspondem necessariamente a áreas humanas, como direito ou finanças. A eficiência depende da implementação, da memória e da infraestrutura. Para a empresa, o relevante é comparar qualidade, latência e custo da solução, sem deduzir vantagem apenas do nome da arquitetura.
Conjunto de práticas para desenvolver, implantar e manter modelos de machine learning em operação. Inclui versionamento de dados e modelos, testes, automação de implantação, monitoramento e critérios para atualizar ou retirar uma versão. O objetivo é tornar a operação reproduzível e administrável ao longo do tempo. Em aplicações com modelos de linguagem, LLMOps acrescenta atenção a prompts, recuperação de informações, avaliações e consumo. Para a empresa, a estrutura deve acompanhar a complexidade e o impacto da solução, com responsáveis por qualidade, continuidade e resposta a falhas.
Documento que apresenta a finalidade de um modelo, seus usos previstos, avaliações, limitações e considerações sobre segurança e dados. O nível de detalhe varia por fornecedor; a ficha pode não divulgar o conjunto completo de treinamento. Alguns produtos também têm system cards, que descrevem aspectos do sistema e de suas avaliações. Para a empresa, esses documentos apoiam a seleção de fornecedores e a identificação de riscos. Devem ser combinados com contrato, testes próprios e documentação da aplicação, pois não são certificação automática de qualidade ou conformidade.
Representação computacional usada para transformar entradas em resultados, como classificações, previsões e conteúdo. Em machine learning, é obtida por treinamento e envolve uma estrutura e parâmetros aprendidos. O modelo é uma parte da aplicação: dados, instruções, ferramentas, interface e controles também influenciam seu comportamento. Para a empresa, comparar apenas nomes de modelos é insuficiente. É preciso avaliar a solução completa, registrar versões e acompanhar mudanças do fornecedor, porque uma atualização pode alterar qualidade, custo e compatibilidade com o processo existente.
Distinção usada para descrever o acesso aos componentes de um modelo. Em modelos de pesos abertos, a empresa pode obter os parâmetros e executá-los conforme a licença. Em modelos fechados, normalmente utiliza um serviço sem acesso aos pesos. Abertura, local de hospedagem e segurança são questões diferentes: um modelo aberto pode rodar em nuvem, e controles de privacidade dependem da implantação. A escolha deve comparar qualidade, condições de uso e custo total, incluindo manutenção, equipe e dependências do fornecedor.
Uso de um modelo de linguagem para avaliar respostas ou execuções de outro sistema, seguindo critérios definidos. Pode comparar duas versões de atendimento, verificar aderência a instruções ou atribuir notas a aspectos como clareza e uso de fontes. Ajuda a ampliar a avaliação, mas o avaliador também pode errar, preferir certos estilos e sofrer influência da ordem das respostas. Para a empresa, exige calibração com especialistas e conferência de amostras. Quando existe uma resposta objetiva verificável, testes determinísticos podem oferecer uma medição mais direta.
Família de modelos generativos que aprende a transformar uma representação com ruído em conteúdo estruturado, por um processo de remoção ou reversão desse ruído. É usada em geração de imagens, áudio e vídeo, podendo receber orientação de texto ou outras entradas. O funcionamento varia por arquitetura, e nem todo gerador visual utiliza difusão. Na empresa, apoia criação de imagens, edição e prototipagem. A escolha da ferramenta deve considerar fidelidade ao pedido, consistência, possibilidade de edição e direitos de uso, além da aparência do resultado.
Expressão usada para modelos próximos das capacidades mais avançadas em determinado momento. Não existe um único teste que determine a fronteira: um modelo pode se destacar em código e outro em visão, idiomas ou uso de ferramentas. Capacidade, custo e abertura também não seguem uma relação fixa. Categorias regulatórias, como modelos de uso geral com risco sistêmico na União Europeia, têm critérios próprios. Para a empresa, convém escolher pela avaliação na tarefa e pelos riscos do uso, sem assumir que o modelo mais destacado é sempre necessário.
Modelo treinado com dados amplos e adaptável a diferentes tarefas, servindo de base para aplicações como assistentes, classificação de documentos e geração de conteúdo. A adaptação pode ocorrer por instruções, recuperação de informações ou treinamento adicional. LLMs são um exemplo, mas existem modelos de fundação para outras modalidades e domínios. Eles permitem reutilizar capacidades em vez de iniciar cada projeto do zero, embora essa reutilização já existisse antes do termo. Para a empresa, o desafio é verificar se a base escolhida atende ao contexto e aos riscos da aplicação.
Modelo treinado ou configurado para dedicar processamento adicional à resolução de problemas antes de entregar uma resposta. Pode explorar etapas intermediárias, comparar caminhos e usar ferramentas, dependendo da aplicação. Essas características não equivalem ao pensamento humano nem asseguram que a conclusão esteja correta. Na empresa, pode ajudar em problemas de várias etapas, como análise e programação, mas precisa ser comparado com alternativas. Tempo de resposta, tokens consumidos e qualidade variam conforme o esforço configurado e a tarefa; mais processamento nem sempre melhora o resultado.
Modelo executado no dispositivo do usuário ou em infraestrutura controlada pela organização. Pode funcionar sem enviar as entradas a uma API externa, desde que a aplicação, suas ferramentas e a telemetria estejam configuradas para isso. Operar localmente pode atender necessidades de confidencialidade, disponibilidade e personalização, mas não elimina riscos de segurança. Hardware, memória, manutenção e equipe entram na conta. Para a empresa, a decisão deve considerar quais dados realmente circulam, a qualidade necessária e o custo total de manter a solução em funcionamento.
Small Language Model: modelo de linguagem projetado ou selecionado para exigir menos recursos que alternativas maiores. Não há um limite universal de parâmetros que defina a categoria. Pode atender tarefas delimitadas, como classificação e extração, inclusive em dispositivos com capacidade restrita. Modelos chamados mini ou leves por fornecedores não necessariamente têm seu tamanho divulgado. Para a empresa, o critério útil é escolher uma opção que alcance a qualidade necessária com custo e latência adequados, avaliando também consumo de memória, contexto e proteção de dados.
Característica de um modelo ou sistema que trabalha com mais de uma modalidade de informação, como texto, imagem, áudio e vídeo. As modalidades de entrada e saída podem ser diferentes: um modelo pode interpretar imagens e responder apenas em texto. Nem todo recurso disponível no aplicativo pertence ao mesmo modelo. Na empresa, permite analisar documentos visuais, gravações e fotografias, entre outros materiais. É necessário verificar formatos aceitos, limites, qualidade por modalidade e erros possíveis, especialmente quando o resultado orientar decisões ou ações relevantes.
N
3 termos
Abordagens de desenvolvimento que usam interfaces visuais e componentes prontos para reduzir a necessidade de programação. No-code prioriza configuração sem escrever código; low-code permite acrescentá-lo quando necessário. Plataformas desse tipo podem conectar sistemas, automatizar processos e incorporar modelos de IA. Facilitam a participação das áreas de negócio, mas não dispensam testes, manutenção e proteção de credenciais. Para a empresa, convém definir responsáveis, documentar os fluxos e acompanhar custos por execução, limites da plataforma e dependências que podem dificultar mudanças futuras.
Processador especializado em operações de redes neurais, utilizado em diferentes tipos de equipamentos. Em celulares e computadores, pode executar tarefas de IA com menor consumo de energia que alternativas de uso geral, conforme o modelo e o software. Ajuda a viabilizar recursos locais, como transcrição e processamento de imagem, mas sua presença não garante que toda função de IA rode no aparelho. Para a empresa, a compra deve considerar compatibilidade, memória e aplicações efetivamente utilizadas, além do desempenho anunciado pelo fabricante.
Formas de hospedar sistemas e recursos de IA. Na nuvem, a empresa contrata serviços, modelos ou infraestrutura de um provedor. On-premises, opera a solução em instalações próprias ou sob sua gestão direta. Também existem arranjos híbridos. A escolha afeta investimento, capacidade, manutenção, acesso aos dados e continuidade. Nenhuma modalidade garante segurança ou conformidade por si só: contrato, configuração, equipe e fluxo real de informações precisam ser avaliados. O custo deve incluir operação e crescimento da demanda, e não apenas licença ou compra de servidores.
O
6 termos
Capacidade de acompanhar o funcionamento de uma aplicação de IA por registros, métricas e rastreamento das etapas executadas. Pode incluir chamadas ao modelo, uso de ferramentas, tempo, consumo, falhas e avaliações de qualidade. Ajuda a investigar respostas inadequadas, aumentos de custo e problemas de integração. Não significa guardar integralmente todas as conversas: o nível de detalhe, o acesso e a retenção devem respeitar a finalidade e a proteção de dados. Para a empresa, o monitoramento precisa gerar ações, com responsáveis e critérios para corrigir problemas.
Tecnologia que identifica texto em imagens e o converte em caracteres utilizáveis por sistemas. É aplicada a documentos digitalizados, fotografias, formulários e outros materiais. Pode integrar soluções de análise documental que também reconhecem layout, tabelas e campos; essas capacidades vão além da transcrição básica. A qualidade depende da imagem, da escrita, do idioma e da ferramenta. Na empresa, apoia digitalização e extração de dados. Campos críticos, como valores e identificadores, precisam de validação e de revisão proporcional ao impacto de um erro.
Expressões que indicam formas diferentes de abertura. Open weights significa disponibilizar os pesos de um modelo, sujeitos às permissões da licença. Open source exige liberdades de uso, estudo, modificação e distribuição, com os componentes necessários para exercê-las. Na definição de IA da Open Source Initiative, isso inclui código, parâmetros e informações suficientes sobre os dados, sem exigir a publicação irrestrita de todos os dados brutos. Para a empresa, é preciso verificar cada licença e os materiais disponíveis, em vez de tratar aberto como sinônimo de gratuito ou sem restrições.
Empresa de pesquisa e desenvolvimento de IA, fundada em 2015, responsável pelo ChatGPT, por famílias de modelos como GPT e por ferramentas como Codex. Oferece aplicações para usuários e organizações, além de APIs para integração com outros sistemas. Produto, modelo e forma de contratação são escolhas distintas: os recursos e as condições podem variar entre aplicativo, API e serviços de parceiros. Para a empresa, a avaliação deve considerar desempenho na tarefa, uso de dados, controles administrativos, disponibilidade das versões e custo da solução completa.
Coordenação das etapas e dos componentes de uma aplicação de IA: chamadas ao modelo, consultas, uso de ferramentas, trabalho de agentes e intervenção humana. Define sequências, condições de passagem, limites de execução e tratamento de falhas. Pode usar código próprio, bibliotecas ou plataformas de automação. Para a empresa, traduz o processo de negócio em operações verificáveis, registrando o que ocorreu e o que falta concluir. Precisa prever exceções e ações já executadas, para que uma nova tentativa após falha não repita indevidamente um pedido ou uma cobrança.
Situação em que um modelo se ajusta excessivamente às particularidades ou ao ruído dos dados de treinamento e generaliza mal para novos casos. Pode ocorrer por pouca diversidade de exemplos, capacidade excessiva ou escolhas inadequadas de treinamento. Uma diferença grande entre resultados de treino e validação é um sinal a investigar, mas também pode decorrer de diferenças entre as bases. Para a empresa, a proteção inclui separar dados de avaliação, usar casos representativos e comparar configurações. Uma demonstração com exemplos conhecidos não comprova desempenho no trabalho real.
P
19 termos
Valores internos aprendidos durante o treinamento que influenciam o comportamento de um modelo, incluindo pesos e outros ajustes. A contagem de parâmetros é uma medida de tamanho, mas não resume capacidade, custo ou qualidade. Arquitetura, dados, treinamento, quantização e infraestrutura também importam. Em modelos com mistura de especialistas, o total pode ser diferente da quantidade ativada a cada token. Para o decisor, a contagem ajuda a entender requisitos técnicos, mas a comparação deve priorizar desempenho na tarefa, tempo de resposta e custo de operação.
Serviço de pesquisa com IA que combina modelos de linguagem, recuperação de informações e respostas acompanhadas de referências. É uma aplicação de busca e assistência, não um único modelo. A presença de citações facilita conferir a origem, mas não garante que cada conclusão esteja correta ou que a pesquisa seja completa. Na empresa, pode apoiar levantamentos e comparação de fontes, respeitadas as regras para dados internos. Para marcas, a participação nas respostas depende das consultas e fontes utilizadas e deve ser avaliada no contexto de busca por IA.
Valores numéricos aprendidos no treinamento que determinam como uma rede neural transforma entradas em saídas. São parte essencial do modelo, mas executá-lo também exige arquitetura, configurações e software compatíveis. O tamanho dos arquivos varia com a quantidade de parâmetros e a forma de representação dos números. Pesos não são uma cópia organizada dos dados de treinamento, embora modelos possam memorizar e reproduzir conteúdo. Para a empresa, ter acesso a eles amplia possibilidades de implantação e adaptação, com responsabilidades de licença, infraestrutura, avaliação e segurança.
Recurso de sistemas de IA que organiza uma investigação em várias etapas, consulta fontes, reúne evidências e produz uma síntese ou relatório. Pode pesquisar na web e em fontes conectadas, conforme as permissões e o produto. Apoia levantamentos de mercado, fornecedores e temas complexos, mas não garante exaustividade nem substitui análise especializada. Para a empresa, o pedido deve delimitar objetivo, período, critérios e fontes desejadas. É necessário conferir referências, separar fatos de inferências e verificar se as conclusões refletem as evidências encontradas.
Sequência de processos que coleta, transforma, valida e entrega dados para uma finalidade, como relatórios, treinamento de modelos ou consultas em uma base de RAG. Pode operar continuamente ou em lotes, conectando sistemas internos e fontes externas. Falhas de atualização, mudanças de formato e duplicidades podem comprometer a resposta da IA mesmo quando o modelo funciona corretamente. Para a empresa, o pipeline precisa de responsáveis, documentação e monitoramento. Rastrear a origem e as transformações ajuda a corrigir erros e avaliar se os dados podem ser utilizados.
Recursos de processamento empregados para treinar e executar modelos de IA. Podem ser descritos por operações realizadas, capacidade dos equipamentos ou tempo de uso de aceleradores, como GPUs. Memória, comunicação entre máquinas e eficiência do software também influenciam o resultado; horas de equipamentos diferentes não são diretamente equivalentes. Na empresa, esses recursos aparecem na contratação de infraestrutura ou no valor cobrado pelos serviços. Dimensionar a demanda e comparar modelos e configurações ajuda a equilibrar qualidade, disponibilidade, tempo de resposta e custo.
Conjunto de regras internas que orienta a utilização de IA na organização. Define ferramentas autorizadas, responsáveis, usos permitidos, situações proibidas e condições para tratar dados pessoais ou informações confidenciais. A sensibilidade do dado e as garantias da solução determinam o que pode ser enviado; não existe uma proibição única adequada a todas as aplicações. A política também deve prever revisão dos resultados, comunicação de incidentes e encaminhamento de dúvidas. Exemplos práticos, capacitação e atualizações periódicas tornam as regras aplicáveis à rotina das equipes.
Etapas de treinamento realizadas após uma base inicial, para adaptar capacidades e comportamento de um modelo. Podem incluir exemplos de instruções, preferências humanas, aprendizado por reforço e sinais verificáveis de qualidade. Os objetivos variam: seguir pedidos, usar ferramentas, melhorar desempenho ou reduzir respostas inadequadas. Nenhuma etapa assegura obediência ou segurança completas, e ganhos em uma tarefa podem afetar outras. Para a empresa, ajustes adicionais exigem dados adequados e avaliação comparativa; muitas necessidades também podem ser atendidas por contexto, recuperação de informações e configuração da aplicação.
Etapa inicial em que um modelo aprende representações e padrões a partir de dados, antes de adaptações para usos específicos. Em muitos modelos de linguagem generativos, inclui prever tokens; outras arquiteturas e modalidades usam objetivos diferentes. Escala, duração e investimento variam amplamente. O resultado pode servir de base para etapas posteriores e para várias aplicações. Para a empresa, é importante saber que os dados podem incluir fontes públicas, licenciadas ou outras coleções, e que estar na web não garante a presença de uma informação no treinamento.
Métricas usadas para avaliar classificadores e outros sistemas de recuperação. Precisão mede, entre os resultados apontados como positivos, quantos são corretos. Recall, ou sensibilidade, mede quantos dos positivos reais foram encontrados. Alterar o critério de decisão costuma envolver uma troca entre as duas medidas. No negócio, essa escolha depende do custo dos falsos positivos e dos casos perdidos. A acurácia isolada pode enganar: se apenas 1% das transações for fraude, um modelo que nunca sinaliza fraude terá 99% de acerto, mas nenhuma capacidade de encontrá-la.
Princípio de segurança que concede a uma pessoa ou sistema apenas os acessos necessários para executar sua função. Um agente que consulta pedidos não precisa poder cancelar compras, alterar cadastros ou exportar toda a base de clientes. As permissões devem ser controladas pelos sistemas e ferramentas, com escopo, prazo e possibilidade de revogação. Instruir o modelo a não fazer algo não substitui esse controle. Para a empresa, limitar acessos reduz o impacto de erros, uso indevido e ataques de prompt injection.
Área da computação e da IA voltada ao processamento da linguagem humana, incluindo análise, interpretação e geração de textos e fala. Abrange classificação, extração de entidades, tradução, resumo e resposta a perguntas. Usa diferentes métodos, de regras e modelos estatísticos a redes neurais e LLMs. Modelos de linguagem permitem resolver várias tarefas por instruções, mas não tornam técnicas anteriores inúteis. Para a empresa, a escolha deve considerar idioma, volume, qualidade exigida, custo e necessidade de explicar ou controlar o comportamento do sistema.
Execução de um conjunto de solicitações sem exigir uma resposta imediata para cada uma. Em IA, pode servir para classificar avaliações, gerar embeddings de um acervo ou analisar documentos acumulados durante o dia. Alguns provedores oferecem condições específicas para esse modo, com limites, prazos e cobrança próprios. A aplicação precisa acompanhar o andamento, relacionar cada resultado à solicitação original e tratar falhas parciais. Para a empresa, faz sentido quando a tarefa tolera espera e o ganho operacional compensa a entrega posterior.
Entrada que orienta o modelo sobre o que fazer, podendo reunir instruções, perguntas, exemplos e contexto em texto ou outras modalidades aceitas. A resposta também depende do treinamento, das regras da aplicação e das informações obtidas por ferramentas, quando disponíveis. Um prompt claro ajuda, mas não garante precisão. Na empresa, é útil explicitar objetivo, dados relevantes, formato esperado e critérios de qualidade. Prompts recorrentes podem ser documentados, versionados e avaliados com exemplos reais, especialmente quando integram processos usados por várias pessoas.
Recurso que reutiliza processamento associado a partes repetidas da entrada de um modelo, como instruções e documentos de referência. Pode reduzir latência e custo de tokens em chamadas seguintes, conforme as regras do serviço. Não é necessariamente armazenamento da resposta pronta, nem torna a entrada gratuita. Prazo de retenção, tamanho mínimo, correspondência do conteúdo e cobrança variam por provedor. Para a empresa, vale em processos com contexto repetido, desde que se acompanhem a taxa de aproveitamento do cache, a economia e os requisitos de proteção de dados.
Conjunto de instruções configuradas pela aplicação para orientar o comportamento do modelo, como função, tom, formato e limites da tarefa. A posição dessas instruções e sua prioridade dependem da interface e do fornecedor. Elas podem ser atualizadas e versionadas; não são necessariamente permanentes. Um prompt de sistema também não substitui mecanismos de segurança ou controle de acesso. Na empresa, regras críticas, como autorização para consultar dados ou executar pagamentos, precisam ser aplicadas pelo sistema, com testes e registros proporcionais ao risco.
Tentativa de fazer um modelo tratar instruções indevidas como comandos legítimos, desviando a tarefa ou o comportamento previsto. Pode ocorrer diretamente na entrada do usuário ou indiretamente em páginas, documentos, mensagens e resultados de ferramentas. Em agentes, o ataque pode alcançar ações e dados conectados. A proteção exige várias camadas: separar conteúdo de instruções, limitar permissões, validar ações e exigir aprovação quando necessário. Nenhuma instrução textual isolada resolve o problema; a empresa precisa testar a aplicação e reduzir o impacto de possíveis falhas.
Experimento delimitado para verificar a viabilidade de uma aplicação antes de ampliar o investimento. Em IA, deve trabalhar com casos representativos, critérios de sucesso e uma comparação com o processo atual. Pode medir qualidade, tempo, custo e intervenção humana necessária. Uma demonstração favorável não comprova operação em escala: integrações, dados reais, exceções e segurança também precisam ser considerados. Para a empresa, a PoC deve produzir uma decisão clara sobre avançar, ajustar ou interromper, acompanhada das condições necessárias para transformar o experimento em serviço.
Organização que oferece modelos, infraestrutura ou aplicações baseadas em IA. Pode desenvolver o modelo, hospedar modelos de terceiros ou incorporá-los a um produto de atendimento, gestão ou análise. Essas funções podem estar distribuídas entre vários fornecedores na mesma solução. Ao contratar, a empresa deve identificar quem processa os dados, quais serviços estão envolvidos e quem responde por suporte e incidentes. Qualidade, custo, latência, retenção, localização do processamento, mudanças de versão e possibilidade de migração são critérios relevantes para comparar as opções.
Q
3 termos
Grau em que os dados atendem à finalidade de uso: estão corretos, completos, consistentes, atualizados e representam os casos que a empresa precisa tratar. Cadastros duplicados podem distorcer previsões; manuais vencidos podem levar um assistente a informar uma regra antiga. A qualidade depende de responsáveis pelas bases, validação na coleta, documentação de origem e acompanhamento de mudanças. Em projetos de IA, deve ser avaliada junto do modelo e do processo. Um dado adequado para um relatório agregado pode ser insuficiente para decidir sobre uma pessoa.
Técnica que representa pesos e, em algumas implementações, outras operações do modelo com menor precisão numérica, como passar de 16 para 8 ou 4 bits. Reduz a necessidade de memória e pode melhorar a eficiência quando o hardware e o software oferecem suporte. A perda de qualidade varia com o método, o modelo e a tarefa; não é necessariamente pequena. Para a empresa, a decisão depende de comparar economia, tempo de resposta e acerto em exemplos reais, incluindo os casos em que um erro custa mais.
Família de modelos desenvolvida pelo Alibaba, com opções voltadas a linguagem, programação e tarefas multimodais. Algumas versões disponibilizam pesos para execução em infraestrutura própria, enquanto serviços hospedados oferecem acesso por interfaces e APIs. Capacidade, licença e requisitos de hardware precisam ser conferidos por versão. Para a empresa, a comparação deve considerar desempenho em português, integração, manutenção e tratamento dos dados. A localização de quem desenvolveu o modelo não determina sozinha onde os dados serão processados: isso depende da implantação e dos serviços efetivamente utilizados.
R
14 termos
Geração aumentada por recuperação: arquitetura que busca informações em fontes externas e as fornece ao modelo como contexto para elaborar uma resposta. Pode usar manuais, contratos, catálogos ou páginas da web, sem precisar atualizar os pesos a cada mudança da base. Ajuda a incorporar informações atuais e específicas, mas não elimina alucinações nem garante citações corretas. O resultado depende da qualidade dos documentos, da recuperação e da geração. Em uso corporativo, a busca deve respeitar as permissões do usuário, e as respostas precisam ser avaliadas contra as fontes.
Programas que acessam páginas para finalidades como treinamento, indexação para busca ou recuperação solicitada por usuários de serviços de IA. As funções e os controles variam; bloquear coleta para treinamento não significa necessariamente bloquear presença nas respostas. O Glossário de SEO detalha essas diferenças e explica por que Google-Extended é um controle de uso de conteúdo, e não um robô independente.
Limite de uso imposto por um serviço em determinado intervalo, como requisições ou tokens por minuto e chamadas simultâneas. Pode variar por modelo, organização, projeto e modalidade contratada. Ao superar o teto, a aplicação pode receber uma recusa temporária, mesmo com saldo disponível. Filas, controle de concorrência e novas tentativas com espera ajudam a lidar com picos. Para o negócio, é preciso dimensionar capacidade e tratamento de falhas antes de campanhas ou processamento de lotes, evitando repetir ações que já tenham sido executadas.
Conversão de fala em texto, também chamada de transcrição automática ou speech-to-text. Pode gerar legendas, registrar reuniões e alimentar análises de atendimento. A qualidade varia com idioma, sotaque, ruído, sobreposição de vozes e termos especializados; nomes e números merecem conferência. Um modelo de linguagem pode resumir a transcrição, mas também propagar seus erros. Quando o áudio identifica ou permite identificar pessoas, seu tratamento exige os cuidados aplicáveis a dados pessoais, incluindo finalidade, base legal, transparência, controle de acesso e prazo de retenção.
Avaliação adversarial em que pessoas ou ferramentas tentam provocar falhas em um sistema de IA: obter informação restrita, contornar controles, induzir respostas discriminatórias ou levar um agente a executar uma ação indevida. Os testes seguem um escopo e registram cenários, evidências e medidas de correção. Complementam avaliações de qualidade e testes com usuários, sem demonstrar ausência de vulnerabilidades. Para a empresa, devem cobrir sua aplicação, seus dados e suas permissões, além do modelo contratado, e ser repetidos quando mudanças relevantes alterarem os riscos.
Modelo computacional formado por unidades conectadas que transformam entradas em saídas por meio de operações matemáticas. Durante o treinamento, seus parâmetros são ajustados para melhorar o desempenho em uma tarefa. Redes com várias camadas sustentam o aprendizado profundo e podem trabalhar com texto, imagens, áudio ou dados tabulares. Transformer é uma das arquiteturas possíveis, não um sinônimo de rede neural. Para o decisor, importa avaliar se os exemplos de treinamento e os testes representam o uso esperado, pois a rede pode reproduzir erros e vieses dos dados.
Conjunto de leis, regulamentos e regras setoriais aplicáveis ao desenvolvimento e ao uso de inteligência artificial. A União Europeia tem o AI Act, com aplicação por etapas. No Brasil, em 17 de outubro de 2026, o PL 2338/2023 constava na Câmara dos Deputados aguardando parecer na comissão especial; proposta em tramitação não equivale a lei vigente. A LGPD, a legislação de consumo e outras normas já podem incidir sobre aplicações de IA. A empresa precisa identificar as obrigações conforme sua atividade, os países envolvidos e o impacto sobre as pessoas.
Etapa que reavalia os documentos encontrados por uma busca e reorganiza sua ordem conforme a relevância para a pergunta. Em um sistema de RAG, um primeiro mecanismo reúne candidatos e outro compara esses trechos com a consulta antes de enviá-los ao modelo gerador. Pode reduzir informação irrelevante no contexto, mas acrescenta processamento, latência e custo. Também não recupera um documento que ficou fora da seleção inicial. Para a empresa, a decisão de usar reranking deve considerar a melhoria observada em perguntas reais e o esforço adicional.
Uso de IA para condensar informação preservando os pontos relevantes ao objetivo: decisões de uma reunião, condições de um contrato ou resultados de um relatório. A instrução deve indicar público, extensão, assuntos obrigatórios e formato. O modelo pode omitir ressalvas, confundir participantes ou alterar números e negações, mesmo quando o texto parece coerente. Para a empresa, o resumo ajuda na triagem e na leitura, mas decisões relevantes exigem acesso ao original. Vincular afirmações a trechos de origem facilita a conferência e reduz retrabalho.
Período e condições em que uma aplicação ou fornecedor mantém informações recebidas ou geradas, como prompts, arquivos, respostas, registros técnicos e cópias de segurança. Não usar dados para treinamento não significa apagá-los depois da consulta. Cada recurso pode ter regras diferentes de armazenamento, exclusão e acesso. Para a empresa, a avaliação deve considerar finalidade, contrato, configurações e requisitos aplicáveis ao dado. A política de retenção precisa abranger o provedor e os sistemas internos que guardam conversas, documentos recuperados e registros de agentes.
Aprendizado por reforço com feedback humano: abordagem em que avaliações de pessoas orientam o ajuste de um modelo. Em uma implementação comum, avaliadores comparam respostas, um modelo de recompensa aprende suas preferências e essas pontuações guiam o treinamento. É uma das técnicas de pós-treinamento usadas para melhorar utilidade e comportamento. O resultado depende dos critérios e dos avaliadores; agradar não é necessariamente estar correto. Para a empresa, ajuda a entender por que assistentes têm estilos e recusas diferentes, sem tratar esse treinamento como garantia de veracidade.
Escolha do modelo que atenderá cada solicitação conforme critérios como tarefa, complexidade, custo, latência, privacidade e capacidade disponível. Uma aplicação pode enviar classificações simples a um modelo menor e análises que exigem mais capacidade a outro, desde que ambos sejam avaliados para suas funções. O roteamento pode seguir regras fixas ou usar um classificador. Para a empresa, permite equilibrar recursos e qualidade, mas exige acompanhar erros de encaminhamento. A troca de modelo também precisa respeitar as condições de tratamento dos dados.
Atribuição de categorias, valores ou marcações a exemplos usados para treinar e avaliar modelos: identificar fraudes, classificar chamados ou delimitar defeitos em imagens. Requer critérios claros, tratamento de casos ambíguos e controle de qualidade. Pessoas, regras e outros modelos podem participar da rotulagem, conforme a tarefa, com revisão proporcional ao risco. Para a empresa, inconsistências nos rótulos comprometem tanto o aprendizado quanto a medição de resultado. Uma amostra de referência validada por especialistas ajuda a verificar se a automação está aprendendo e sendo avaliada pelo critério correto.
Automação de tarefas repetitivas por software que executa passos definidos em sistemas, frequentemente por interfaces gráficas. Pode copiar informações, preencher campos e organizar registros. Alterações nas telas, permissões ou regras de negócio exigem manutenção. Recursos de IA podem complementar o fluxo, por exemplo extraindo dados de documentos antes do preenchimento. Para a empresa, convém comparar RPA, integração por API e agentes conforme a estabilidade do processo, a variabilidade das entradas e o custo de operação. A escolha precisa incluir tratamento de exceções e conferência das ações realizadas.
S
10 termos
Resposta organizada segundo um formato ou esquema definido, como JSON com campos de categoria, prioridade e justificativa. Alguns serviços oferecem mecanismos para restringir a geração a esquemas suportados, o que facilita integrar a IA a outros sistemas. Pedir uma tabela no prompt não oferece a mesma garantia. Mesmo com formato válido, os valores podem estar errados, e a aplicação precisa tratar recusas e respostas incompletas. Para a empresa, o ganho está em reduzir erros de integração, mantendo validações de conteúdo e das regras do negócio.
Ambiente com limites técnicos para executar código ou ações de um agente sem dar acesso irrestrito aos recursos da empresa. Pode restringir arquivos, rede, programas e tempo de execução. Um assistente que analisa uma planilha, por exemplo, pode executar cálculos em uma área separada, sem alcançar o sistema financeiro. O isolamento reduz o impacto de falhas e ataques, mas depende da configuração e não torna qualquer operação segura. Deve ser combinado com permissões mínimas, monitoramento e controles sobre os dados que entram e saem.
Expressão que reúne duas dimensões relacionadas. AI safety trata de prevenir danos causados pelo comportamento ou uso do sistema, inclusive erros sem ataque deliberado. AI security trata de proteger dados, modelos e aplicações contra acessos indevidos, manipulações e comprometimento. Ambas importam na empresa: um agente pode expor informações por um ataque ou executar uma instrução autorizada de forma equivocada. Controles de acesso, avaliação, supervisão e resposta a incidentes precisam considerar o sistema completo, suas ferramentas e as pessoas afetadas, não apenas a qualidade das respostas.
Uso de ferramentas de IA fora dos processos de aprovação e acompanhamento da empresa. Pode ocorrer ao enviar documentos para uma conta pessoal, instalar uma extensão de reunião ou criar uma automação sem avaliar seu acesso aos sistemas. Os riscos incluem exposição de informações, contratos inadequados e decisões sem revisão. O tratamento combina ferramentas aprovadas, orientação prática, descoberta de usos existentes e um caminho viável para solicitar novos recursos. Medir a adesão e ouvir as equipes ajuda a ajustar a política às necessidades reais de trabalho.
Convenção de mensuração usada pela TRIWI para acompanhar a presença de marcas em respostas de IA dentro de uma amostra definida de perguntas e serviços. O resultado depende do método, do período e das condições de coleta; não representa toda a exposição da marca. A definição e os cuidados de interpretação estão no Glossário de SEO.
Geração de fala a partir de texto, usada em atendimento, acessibilidade, treinamento e leitura de conteúdo. A qualidade depende de pronúncia, entonação, idioma e adequação ao contexto. Alguns sistemas também permitem reproduzir características de uma voz específica, o que exige avaliar autorização, direitos da pessoa e proteção de dados. Para a empresa, uma voz natural não basta: o conteúdo precisa estar correto, o uso deve ser transparente e o atendimento deve permitir encaminhamento humano quando necessário. As obrigações variam conforme a aplicação e a jurisdição.
Sistema que seleciona ou ordena itens conforme a probabilidade de serem relevantes para uma pessoa ou situação: produtos, conteúdos, músicas ou próximas ações. Pode combinar histórico de interação, características dos itens e contexto de uso. A recomendação reflete o objetivo escolhido, como clique, compra ou satisfação, e esses objetivos podem produzir resultados diferentes. Para a empresa, a avaliação deve incluir utilidade, diversidade e efeitos sobre o cliente, além de conversão. O tratamento de dados pessoais e sensíveis precisa respeitar as condições legais aplicáveis.
Sistema que utiliza uma base de conhecimento e regras explícitas para produzir conclusões em um domínio delimitado. Pode apoiar diagnóstico, configuração de produtos ou verificação de requisitos, aplicando relações como ‘se ocorrer esta condição, seguir esta orientação’. Depende de especialistas para manter as regras e tende a lidar mal com situações não previstas. Continua útil quando há conhecimento formalizado e necessidade de rastrear a decisão. Na empresa, pode ser combinado a modelos que interpretam entradas variáveis, preservando regras explícitas para os critérios que precisam ser controlados.
Arquitetura em que vários agentes de IA, cada um com papel, ferramentas e instruções próprios, cooperam numa tarefa: um planeja, outro pesquisa, outro escreve, outro revisa, um orquestrador distribui e consolida. Permite dividir problemas complexos, usar modelos diferentes por etapa e limitar o acesso de cada agente ao que ele precisa. O custo é a complexidade: mais chamadas, mais tokens, mais pontos de falha e um comportamento difícil de prever. A regra prática é começar com um agente e um fluxo fixo e só multiplicar agentes quando a tarefa pede de fato.
Entrega progressiva de partes da resposta enquanto o modelo ainda está gerando o restante. Em um chat, permite começar a leitura antes do texto completo; em voz, pode apoiar uma conversa mais fluida. Reduz o tempo até o primeiro conteúdo visível, mas não garante menor duração total. A aplicação precisa tratar interrupções, fragmentos incompletos e conteúdos que ainda não foram validados. Para operações que alteram dados ou executam ações, receber o começo da resposta não deve ser confundido com conclusão ou confirmação da tarefa.
T
8 termos
Parâmetro que altera a distribuição de probabilidades usada na escolha dos próximos tokens. Valores menores tendem a concentrar as escolhas; valores maiores podem ampliar a variação. O efeito depende do modelo e da tarefa, e alguns serviços não permitem ajustar esse parâmetro em todas as modalidades. Temperatura baixa não garante resposta correta nem reprodução idêntica entre execuções. Para a empresa, o ajuste deve ser acompanhado de avaliação: consistência em extração de dados e diversidade em criação têm critérios diferentes, que não se resolvem apenas mudando um número.
Proposta de Alan Turing, apresentada em 1950 por meio do jogo da imitação, em que um avaliador conversa por escrito e tenta distinguir uma máquina de uma pessoa. Tornou-se uma referência no debate sobre inteligência de máquinas, mas o resultado depende das regras, dos participantes e da duração do teste. Parecer humano em uma conversa não comprova conhecimento, consciência ou confiabilidade. Para a empresa, a fluência de um assistente deve ser avaliada separadamente da exatidão, da segurança e da capacidade de concluir a tarefa.
Unidade em que um modelo divide o conteúdo para processá-lo. Em texto, pode corresponder a parte de uma palavra, palavra inteira, pontuação ou espaço; modalidades como imagem e áudio têm formas próprias de representação e cobrança. A quantidade varia com o modelo, o tokenizador, o idioma e o conteúdo. Por isso, não há conversão fixa entre tokens, palavras ou páginas. Para estimar limites e investimento, a empresa deve medir amostras reais com o contador do serviço, incluindo instruções, histórico, documentos, saídas e eventual processamento de raciocínio.
Tokens gerados por certos modelos durante o processamento que antecede ou acompanha a resposta visível. Podem ser usados para explorar alternativas, planejar etapas e revisar uma solução. Conforme o modelo e a API, entram na cobrança e nos limites de geração, mesmo quando não aparecem na interface. Para a empresa, ajudam a explicar por que respostas de tamanho parecido podem consumir recursos diferentes. Ajustar o esforço de raciocínio exige medir qualidade, latência e custo na tarefa, sem presumir que consumir mais tokens produz uma resposta correta.
Acelerador desenvolvido pelo Google para operações de aprendizado de máquina, especialmente os cálculos de matrizes usados em redes neurais. Pode ser utilizado em treinamento e inferência por meio de infraestrutura compatível. Assim como ocorre com GPUs, desempenho e economia dependem do modelo, do software, da escala e da disponibilidade dos recursos. Para a empresa que contrata uma API pronta, a escolha do chip costuma ficar com o provedor. Em projetos de infraestrutura própria ou nuvem, vale comparar o custo total e o esforço de adaptar a aplicação.
Conversão de texto ou fala entre idiomas por sistemas computacionais. Modelos de linguagem podem considerar contexto e instruções de terminologia, mas a qualidade varia por idioma, domínio e extensão do material. Glossários aprovados e exemplos ajudam a manter consistência. Para a empresa, a tradução pode apoiar suporte, documentação e expansão internacional, com revisão proporcional ao impacto de erros. Conteúdos jurídicos, técnicos e de marca merecem atenção especial. Em sites, traduzir o texto também não substitui adaptar referências culturais, intenção de busca e oferta ao mercado de destino.
Arquitetura de rede neural apresentada em 2017 no artigo ‘Attention Is All You Need’, que utiliza mecanismos de atenção para relacionar partes de uma sequência. Favoreceu o processamento paralelo no treinamento e tornou-se base de muitos modelos de linguagem e de outras modalidades. Isso não significa que toda geração aconteça em paralelo: modelos autorregressivos produzem a saída em etapas sucessivas. Para a empresa, a arquitetura ajuda a entender o funcionamento, mas não determina sozinha a qualidade; dados, treinamento, ferramentas e avaliação também influenciam o resultado.
Processo de ajustar os parâmetros de um modelo para melhorar seu desempenho segundo um objetivo. Pode envolver exemplos rotulados, tarefas construídas a partir dos próprios dados ou sinais de recompensa. O investimento e a duração variam conforme escala, método e infraestrutura. Modelos podem passar por novas etapas de treinamento e atualizações ao longo do tempo. Em muitos assistentes, uma conversa não altera automaticamente os pesos; o produto pode guardar contexto ou memória separadamente. Para a empresa, é essencial distinguir treinar o modelo, fornecer documentos e armazenar interações.
U
2 termos
Capacidade de uma aplicação de IA de combinar o modelo com recursos externos, como busca, execução de código, consulta a sistemas e envio de mensagens. O modelo pode propor a ferramenta e seus argumentos; a aplicação valida a solicitação, executa o que foi autorizado e devolve o resultado. A implementação pode usar chamadas de função, conectores ou protocolos como MCP. Para a empresa, cada ferramenta amplia possibilidades e riscos: escopo de acesso, confirmação de ações e registros de execução precisam ser definidos fora das instruções em linguagem natural.
Capacidade de uma aplicação de IA de operar interfaces gráficas: interpretar telas, clicar, digitar e navegar para executar uma tarefa. Pode ajudar em sistemas sem API adequada, mas depende da estabilidade da interface, das permissões e da correta interpretação de cada etapa. Mudanças de tela e conteúdo malicioso podem causar falhas. Para a empresa, o uso deve ter ambiente delimitado, acesso proporcional à tarefa e verificação de resultados. Ações sensíveis, como pagamentos ou exclusões, precisam de controles próprios e possibilidade de intervenção humana.
V
4 termos
Exposição indevida de informações por uma aplicação de IA, como revelar registros de outro cliente, enviar documentos a um destino não autorizado ou deixar conversas acessíveis em logs. Pode ocorrer por permissões excessivas, falhas de integração, ataques ou uso inadequado de ferramentas. Uma cláusula de não treinamento não resolve todos esses caminhos. A prevenção combina controle de acesso, minimização, proteção de registros e avaliação de fornecedores. No aprendizado de máquina, ‘data leakage’ também pode significar vazamento de informação entre treino e avaliação, problema distinto da exposição de dados confidenciais.
Expressão popularizada em 2025 para criar software por instruções em linguagem natural e sucessivas avaliações do resultado, com pouca ou nenhuma revisão direta do código gerado. Difere do uso de um assistente por profissionais que inspecionam e testam a implementação. Pode facilitar protótipos, mas uma interface funcionando não demonstra segurança, correção dos dados ou facilidade de manutenção. Para a empresa, colocar a aplicação em produção exige controles proporcionais ao uso, incluindo revisão técnica, testes de comportamento, proteção de credenciais e responsabilidade por mudanças e suporte.
Tendência sistemática em resultados de um sistema que pode produzir favorecimento ou prejuízo indevido a pessoas e grupos. Pode surgir nos dados, nos rótulos, na escolha de objetivos, na implantação e na forma de usar as respostas. Uma média de acerto elevada pode esconder desempenho desigual entre grupos. Para a empresa, a avaliação precisa considerar o contexto, os impactos e as métricas adequadas, com investigação das causas e canais de contestação. Dados mais representativos e supervisão ajudam, mas não eliminam por si só as diferentes formas de viés.
Área da IA voltada à interpretação de imagens e vídeos, como identificar objetos, detectar defeitos, reconhecer texto ou acompanhar movimento. Pode apoiar inspeção industrial, leitura de documentos e controle de estoque. O desempenho depende da qualidade das imagens e das condições representadas nos testes. Quando há pessoas identificadas ou identificáveis, podem existir dados pessoais; nem toda imagem constitui automaticamente dado biométrico sensível. Para a empresa, é preciso avaliar finalidade, necessidade, segurança e eventuais usos de identificação biométrica, além da taxa de acerto e dos efeitos dos erros.
W
2 termos
Fluxo de trabalho que combina etapas definidas pela aplicação com recursos de IA, regras, integrações e aprovações. Um exemplo é classificar um chamado, consultar a base, redigir uma resposta e encaminhá-la para revisão. Pode incluir agentes em algumas etapas, sem deixar que todo o processo seja decidido pelo modelo. Para a empresa, fluxos explícitos facilitam testar resultados, registrar decisões e prever investimento. O grau de autonomia deve acompanhar a variabilidade da tarefa e o impacto de falhas, com critérios para interromper ou encaminhar exceções.
Aplicação construída sobre modelos de terceiros, acrescentando uma interface e recursos para determinado uso. O termo costuma ser usado de forma pejorativa quando há pouca diferenciação, mas depender de outro modelo não torna um produto inadequado. Integrações, dados, avaliação, suporte e controles podem representar valor relevante. Para a empresa, a análise deve verificar o que a solução entrega além do acesso ao modelo, como trata informações e como reage a mudanças do fornecedor. Portabilidade de dados, continuidade e responsabilidade pelo serviço também entram na contratação.
X
1 termo
Nome de origem da organização de IA criada em 2023 que desenvolveu os modelos e o assistente Grok. Em outubro de 2026, o site oficial x.ai apresenta a marca SpaceXSI. O ecossistema oferece aplicações e API, com recursos de busca na web e no X conforme o serviço. Para a empresa, importa comparar qualidade nas tarefas, integração e tratamento dos dados. Consultar conteúdo recente não garante fontes confiáveis nem significa que toda resposta realize uma busca; informações relevantes continuam exigindo verificação.
Z
1 termo
Forma de solicitar uma tarefa sem fornecer exemplos demonstrativos no prompt. O usuário descreve o objetivo, os critérios e o formato esperado, apoiando-se nas capacidades já adquiridas pelo modelo durante o treinamento. Não significa ausência de treinamento prévio nem acerto na primeira tentativa. Pode servir como ponto inicial para classificação, extração e redação. Para a empresa, vale testar com uma amostra representativa e comparar o resultado com alternativas que incluem exemplos, recuperação de informações ou ajustes no modelo, conforme a causa dos erros observados.
Entender os termos ajuda a escolher aplicações e a avaliar o que uma solução de IA pode entregar. Para quem trabalha a presença digital, há outra decisão: como tornar as informações da empresa acessíveis e úteis nas buscas e nas respostas das IAs.
Quando seu cliente procura o que você oferece, encontra a sua empresa, um intermediário ou um concorrente?
Em uma conversa de 45 minutos com a TRIWI, podemos analisar sua presença no Google e nas IAs e discutir oportunidades e prioridades para o negócio.
Outros glossários da TRIWIGlossário de SEOGlossário de MarketingGlossário de Vendas (em breve)Glossário B2B (em breve)Glossário B2C (em breve)Todos os glossários (em breve)