Glossário de IA: os principais termos de inteligência artifi

Resposta rápida

Este glossário de IA reúne os termos de inteligência artificial que mais aparecem em notícia, curso e conversa de trabalho — organizados por categoria (fundamentos, modelos, como você interage com a IA, próxima geração e negócio/ética), não em ordem alfabética solta, porque entender onde cada termo se encaixa importa mais do que decorar a definição isolada. No Brasil, uma pesquisa com 1.000 profissionais encontrou que 68% já veem o domínio de IA como requisito básico pra conseguir ou manter um emprego [1] — só que dominar a ferramenta sem entender o vocabulário básico é como dirigir sem saber ler os símbolos do painel. Cada termo abaixo vem com definição direta e o motivo prático de você precisar saber disso.

Por que vale a pena aprender esse vocabulário

Uma pesquisa de 2025 com 1.000 profissionais do conhecimento (a Airtime, ex-mmhmm) encontrou um padrão revelador: as pessoas já usam IA no trabalho, mas ficam confusas sobre quando a ferramenta está ajudando de verdade, o que ela está fazendo por trás do resultado, e se dá pra confiar no que sai do outro lado [2]. Essa confusão quase sempre começa no vocabulário — quando você não sabe a diferença entre “alucinação” e “erro”, ou entre “modelo” e “agente”, fica difícil avaliar se a ferramenta está funcionando bem ou te enganando com confiança.

No Brasil, o mesmo levantamento com 1.000 profissionais mostrou que 76% acreditam que conhecimento tecnológico vai ser decisivo pro futuro da carreira deles [1] — o problema é que “conhecimento tecnológico” em IA, na prática, começa pelo vocabulário certo. Na CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), é comum ver aluno que já usa ChatGPT ou Claude todo dia mas trava numa reunião porque não entende o que o time técnico quer dizer com “RAG” ou “fine-tuning”. Este glossário existe pra fechar esse gap.

Fundamentos: a base de tudo

Inteligência Artificial (IA) — sistema de computador que executa tarefas que normalmente exigiriam inteligência humana: reconhecer padrão, gerar texto, tomar decisão. É o termo guarda-chuva; tudo abaixo é um tipo específico de IA.

Machine Learning (Aprendizado de Máquina) — a técnica por trás da maioria da IA moderna: em vez de programar regra por regra, você mostra muitos exemplos pro sistema e ele aprende o padrão sozinho. Onde você vai ouvir: “esse sistema usa machine learning pra prever X” significa que ele aprendeu com dados históricos, não com regras fixas.

Deep Learning (Aprendizado Profundo) — um tipo de machine learning que usa redes neurais com muitas camadas, inspiradas (de forma bem simplificada) no cérebro. É a técnica que destravou o boom de IA generativa dos últimos anos.

Rede Neural — a estrutura matemática por trás do deep learning: camadas de “neurônios” artificiais conectados, que ajustam seus pesos conforme aprendem. Você não precisa entender a matemática pra usar IA, mas o termo aparece o tempo todo em explicação de “como funciona por dentro”.

Algoritmo — o conjunto de instruções (matemáticas ou lógicas) que o sistema segue pra chegar num resultado. Nem todo algoritmo é IA — uma fórmula de planilha também é um algoritmo — mas toda IA roda sobre algum algoritmo.

Modelos e arquiteturas: o motor por trás da IA que você usa

LLM (Large Language Model / Modelo de Linguagem Grande) — o tipo de IA por trás do ChatGPT, Claude e Gemini: um modelo treinado em enormes volumes de texto que aprendeu a prever a próxima palavra de forma tão boa que consegue conversar, escrever e raciocinar.

Modelo de Fundação (Foundation Model) — um modelo grande, treinado uma vez com dado genérico, que depois serve de base pra várias aplicações específicas (atendimento, código, imagem). GPT, Claude e Gemini são exemplos de modelos de fundação.

Transformer — a arquitetura técnica (criada em 2017) que tornou os LLMs modernos possíveis, ao permitir que o modelo “preste atenção” em diferentes partes do texto ao mesmo tempo. Você não precisa saber como funciona por dentro, só que é o “T” que várias siglas de modelo carregam (GPT = Generative Pre-trained Transformer).

Parâmetros — os “ajustes internos” do modelo, aprendidos durante o treinamento — geralmente contados em bilhões. Mais parâmetros não significa automaticamente “melhor modelo”, mas costuma indicar mais capacidade de captar nuance.

Janela de Contexto (Context Window) — quanto texto o modelo consegue “ter na cabeça” numa conversa antes de começar a esquecer o início. Na prática: se sua conversa ou documento colado for maior que a janela de contexto do modelo, ele perde o começo — é por isso que às vezes a IA “esquece” o que você pediu 20 mensagens atrás.

Token — a unidade que o modelo usa pra processar texto — geralmente um pedaço de palavra, não a palavra inteira. Entender token importa na prática porque é como as ferramentas de IA cobram uso (por token) e como se mede o tamanho da janela de contexto.

Como você interage com a IA no dia a dia

Prompt — a instrução que você dá pra IA. Quanto mais claro e específico o prompt (contexto + tarefa + formato de saída esperado), melhor a resposta — é a “programação em português” da IA generativa.

Prompt Engineering (Engenharia de Prompt) — a prática de estruturar prompts de forma sistemática pra conseguir resultado consistente, em vez de tentativa e erro. Vira habilidade profissional relevante justamente porque o mesmo modelo dá resultado muito diferente dependendo de como você pergunta.

Alucinação — quando a IA gera uma informação que parece confiante e coerente, mas é falsa ou inventada — um nome de fonte que não existe, um número que não bate. É o motivo pelo qual todo profissional sério confere fato e número antes de usar output de IA sem revisão.

RAG (Retrieval-Augmented Generation / Geração Aumentada por Recuperação) — técnica onde o modelo busca informação numa base de dados específica (documentos da empresa, base de conhecimento) antes de responder, em vez de confiar só no que aprendeu no treinamento. Reduz alucinação porque ancora a resposta em fonte real.

Fine-tuning (Ajuste Fino) — processo de re-treinar um modelo de fundação com dado específico de um domínio ou empresa, pra especializar o comportamento dele numa tarefa. Diferente de RAG: fine-tuning muda o modelo; RAG só dá mais contexto pra ele na hora da pergunta.

A próxima geração: além do chat

Agente de IA — um sistema que não só responde texto, mas executa ações — pesquisar, preencher formulário, mandar e-mail, chamar outra ferramenta — de forma autônoma até completar uma tarefa. É o salto de “IA que conversa” pra “IA que trabalha”.

IA Multimodal — modelo que processa mais de um tipo de dado ao mesmo tempo — texto, imagem, áudio, vídeo — em vez de só texto. É por isso que hoje você consegue mandar uma foto pro ChatGPT ou Claude e pedir pra analisar.

Raciocínio (Reasoning) — a capacidade do modelo de “pensar em etapas” antes de responder, em vez de gerar a resposta direto. Modelos com raciocínio mais forte tendem a errar menos em problema complexo (matemática, lógica, código), ao custo de responder mais devagar.

MCP (Model Context Protocol) — um padrão técnico que permite um modelo de IA se conectar de forma organizada a ferramentas e fontes de dados externas (um banco de dados, um sistema da empresa) sem precisar de integração customizada pra cada caso. É o tipo de termo que já aparece em vaga de emprego técnica.

Negócio e ética: o vocabulário que todo gestor precisa

Viés Algorítmico (Bias) — quando um modelo reproduz ou amplifica preconceito presente nos dados de treinamento — por exemplo, discriminação em triagem de currículo. É risco real de reputação e legal pra empresa que usa IA sem checagem.

Governança de IA — o conjunto de políticas e processos internos que definem como a empresa usa IA com responsabilidade — quem aprova, o que é proibido, como se audita resultado. Vira exigência cada vez mais formal, não só boa prática.

Transparência de IA — quanto uma empresa/modelo divulga sobre como o sistema foi treinado e funciona. O Índice de Transparência de Modelos de Fundação da Stanford HAI caiu de 58 para 40 pontos em 2025, mostrando que a indústria está divulgando menos, não mais, sobre como os modelos são treinados [3] — um dado importante pra quem decide qual fornecedor de IA usar na empresa.

Perguntas frequentes sobre termos de IA

Qual a diferença entre IA, Machine Learning e Deep Learning?

São círculos concêntricos: IA é o conceito geral (sistema que simula inteligência), Machine Learning é uma técnica dentro da IA (aprender com dado em vez de regra fixa), e Deep Learning é uma técnica específica dentro do Machine Learning (usando redes neurais profundas). Todo Deep Learning é Machine Learning, mas nem todo Machine Learning é Deep Learning.

O que é LLM e por que todo mundo fala nisso?

LLM é o tipo de modelo por trás de ChatGPT, Claude e Gemini — treinado em texto pra prever a próxima palavra tão bem que consegue conversar e resolver tarefa. Virou o centro da conversa porque foi o avanço que tornou a IA generativa acessível pra qualquer pessoa, não só especialista técnico.

O que é alucinação e como evitar?

É quando a IA inventa uma informação com aparência de certeza. Não dá pra eliminar 100%, mas dá pra reduzir: peça fonte, use RAG (quando disponível) pra ancorar em documento real, e sempre confira fato e número antes de usar em algo importante.

Preciso saber todos esses termos pra usar IA no trabalho?

Não pra usar no básico — mas saber o vocabulário certo separa quem “usa IA” de quem consegue avaliar se a IA está sendo bem aplicada, negociar com fornecedor, ou participar de decisão técnica na empresa. É exatamente esse segundo nível que costuma decidir promoção e oportunidade.

O que é um agente de IA, na prática?

É a evolução do chat: em vez de só responder sua pergunta, o agente executa a tarefa inteira — pesquisa, decide os próximos passos, usa outras ferramentas — até entregar o resultado, com pouca ou nenhuma supervisão passo a passo. É pra onde o mercado está indo depois do boom de chatbot.

Como aprofundar isso na prática

Saber o vocabulário é o primeiro degrau — o próximo é aplicar. Se você quer entender melhor o fundamento por trás desses termos, comece por o que é inteligência artificial e como funciona e IA generativa: o que é, como funciona e exemplos práticos. Pra colocar a mão na massa com prompt (o termo mais usado do dia a dia), veja como escrever bons prompts: engenharia de prompt na prática. E se o próximo passo pra você é entender agentes de IA de verdade — o termo que mais cresce agora — o guia agentes de IA para empresas mostra como isso funciona na prática. É esse tipo de aplicação real, não só teoria, que ensino na CPDF, com cursos de Automação, Agentes de IA e Programação com IA — com certificado e suporte pra quem quer sair do vocabulário e ir direto pro resultado.

Fontes: [1] Forbes Brasil, “Procura por Letramento em IA Dispara” — pesquisa com 1.000 profissionais brasileiros (dez/2025); [2] Airtime (ex-mmhmm), pesquisa com 1.000 trabalhadores do conhecimento sobre confusão com IA no trabalho (2025); [3] Stanford HAI, “2026 AI Index Report” — Índice de Transparência de Modelos de Fundação.