Token, alucinação, RAG, fine-tuning, agente, MCP. Vinte termos de IA em linguagem de negócio, com o que cada um significa na prática de quem contrata.
Glossário de IA: o que significam os termos que aparecem em toda reunião
Boa parte do vocabulário de inteligência artificial descreve coisas simples com nome difícil. A outra parte esconde decisões caras dentro de uma palavra só, a diferença entre RAG e fine-tuning, por exemplo, é a diferença entre um projeto de semanas e um de meses.
Este guia cobre vinte termos, agrupados por onde aparecem na conversa. A leitura pode ser salteada: cada bloco se sustenta sozinho.
Os quatro termos que sustentam todo o resto
| Termo | O que é | Por que importa para você |
|---|---|---|
| Modelo de linguagem (LLM) | Um sistema treinado em muito texto para prever qual palavra vem em seguida. | Ele não consulta um banco de respostas. Ele compõe a resposta, daí acertar e errar com a mesma confiança. |
| Token | O pedaço de texto que o modelo processa. Em português, algo entre uma sílaba e uma palavra curta. | É a unidade de cobrança. Custo de IA se estima em tokens, não em perguntas. |
| Parâmetros | Os valores internos ajustados durante o treinamento. Contados em bilhões. | Mais parâmetros costuma significar mais capacidade e mais custo por resposta. Não é sinônimo de melhor para a sua tarefa. |
| Inferência | O momento em que o modelo responde a uma pergunta. | É o que você paga todo dia. Treinar é investimento único; inferir é conta recorrente. |
Como se fala com um modelo
- Prompt, a instrução que você dá. Escrever bem um prompt é metade do resultado, e é a única parte que não exige nenhuma tecnologia.
- Janela de contexto, quanto o modelo consegue "ter em mente" de uma vez, medido em tokens. Estourou a janela, o começo da conversa se perde. É por isso que uma conversa longa começa a esquecer o que foi combinado.
- Temperatura, o quanto o modelo pode variar. Baixa para extrair dado de nota fiscal; alta para gerar alternativas de título.
- Sistema de instruções, o texto fixo que define papel, tom e limites antes de qualquer conversa. É onde vive a política da empresa.
- Multimodal, modelo que lê mais que texto: imagem, áudio, vídeo, planilha.
O que dá errado tem nome
Estes quatro explicam quase todo problema que aparece em projeto de IA:
| Termo | O que é | Como se reduz |
|---|---|---|
| Alucinação | O modelo afirma com segurança algo que não é verdade. | Dar fonte para ele consultar (ver RAG) e exigir citação. Nunca desaparece por completo. |
| Viés | O modelo reproduz distorções que estavam nos dados de treino. | Testar com casos representativos antes de pôr no ar, não depois. |
| Deriva | A qualidade cai com o tempo, porque o mundo mudou e o modelo não. | Medir sempre, não só no lançamento. |
| Injeção de prompt | Alguém esconde instruções num texto que o sistema vai ler, e o modelo obedece. | Tratar todo conteúdo externo como dado, nunca como ordem. |
RAG e fine-tuning resolvem problemas diferentes
É aqui que a maioria das reuniões trava, e a confusão custa caro.
- RAG (geração aumentada por recuperação), o sistema busca os seus documentos e entrega os trechos ao modelo junto com a pergunta. O modelo responde lendo. Atualiza na hora em que você troca o documento.
- Fine-tuning (ajuste fino), treina o modelo com exemplos seus para mudar o jeito dele responder. Não ensina fatos novos de forma confiável; ensina formato e estilo.
A regra prática: se o problema é o modelo não sabe da sua empresa, é RAG. Se o problema é ele sabe, mas responde no tom errado, aí talvez seja fine-tuning. Trocar um pelo outro é o erro mais comum, e o mais caro.
Dois termos entram junto:
- Embedding, a representação numérica de um texto, que permite achar trechos por significado e não por palavra exata. É o motor da busca dentro do RAG.
- Banco vetorial, onde os embeddings ficam guardados.
Agente é o que age, não o que responde
Um agente não devolve texto e para: ele executa passos, usa ferramentas, checa o resultado e tenta de novo. A diferença de um assistente comum é a mesma entre alguém que te explica como emitir a nota e alguém que emite.
Ao redor dele:
- Ferramenta (ou function calling), a permissão de chamar um sistema real: consultar estoque, criar chamado, mandar e-mail. É onde a IA deixa de ser conversa e vira operação, e onde o risco começa.
- MCP, um protocolo aberto para conectar modelos a ferramentas e dados sem escrever integração nova para cada par. Reduz o custo de plugar IA no que a empresa já usa.
- Orquestração, coordenar vários passos ou vários agentes numa tarefa só.
Os três termos que decidem se o projeto pode ir ao ar
- Guardrail, limite explícito do que o sistema não faz. Escrito antes, não depois do primeiro incidente.
- Humano no circuito (human-in-the-loop), decisões de peso passam por uma pessoa antes de valer. Não é desconfiança da máquina; é onde a responsabilidade fica.
- Rastreabilidade, conseguir mostrar o que o sistema respondeu, com base em quê e quando. Sem isso não há auditoria, não há correção e não há defesa.
O termo que mais economiza dinheiro
Não está em nenhuma lista de tendências: linha de base. É a medição de como o processo funciona hoje, antes da IA entrar.
Sem ela, não dá para dizer se o projeto melhorou alguma coisa, e quase todo projeto que não sabe provar resultado acaba cancelado no primeiro corte de orçamento. Medir antes custa uma tarde. Não medir custa o projeto.
Como usar este glossário numa reunião
Três perguntas que separam proposta séria de proposta vaga, usando os termos acima:
- "Isso é RAG ou fine-tuning, e por quê?", se a resposta não distinguir os dois, o escopo ainda não existe.
- "Qual é a linha de base, e como vamos medir a melhora?"
- "O que acontece quando ele alucinar? Quem revisa, e como a gente descobre?"
Nenhuma das três exige conhecimento técnico para fazer. As três exigem conhecimento técnico para responder.
