--- title: '01. O que é Inteligência Artificial?' url: 'https://wvr.app/artigos/o-que-e-ia' markdown: 'https://wvr.app/artigos/o-que-e-ia.md' lang: pt-BR date: '2026-09-30' description: 'Introdução Poucas expressões são usadas de forma tão ampla — e tão imprecisa — quanto "Inteligência Artificial". Ela aparece em notícias sobre modelos de linguagem, em editais de compra pública, em propagandas de eletrodomésticos e em planilhas de orçamento corporativo. O resultado é uma confusão …' taxonomy: category: - artigos tag: - ia - fundamentos - 'machine learning' - 'deep learning' - 'inteligência artificial' --- # [01. O que é Inteligência Artificial?](https://wvr.app/artigos/o-que-e-ia) 30-09-26 19:00 [ia](https://wvr.app/tag:ia#body-wrapper) [fundamentos](https://wvr.app/tag:fundamentos#body-wrapper) [machine learning](https://wvr.app/tag:machine%20learning#body-wrapper) [deep learning](https://wvr.app/tag:deep%20learning#body-wrapper) [inteligência artificial](https://wvr.app/tag:intelig%C3%AAncia%20artificial#body-wrapper) ![Infográfico: O que é Inteligência Artificial?](https://wvr.app/user/media/artigos/o-que-e-ia/infografico-art01-v1.jpg) ## Introdução Poucas expressões são usadas de forma tão ampla — e tão imprecisa — quanto "Inteligência Artificial". Ela aparece em notícias sobre modelos de linguagem, em editais de compra pública, em propagandas de eletrodomésticos e em planilhas de orçamento corporativo. O resultado é uma confusão previsível: o mesmo termo descreve coisas muito diferentes, de um classificador simples de spam a um sistema que conversa, escreve código e analisa imagens. Essa confusão não é apenas semântica. Ela tem consequência prática: quem não distingue um sistema baseado em regras de um modelo treinado com dados não consegue avaliar riscos, custos, contratos nem expectativas de resultado. Por isso este é o primeiro artigo da nossa jornada. Antes de falar de LLMs, agentes e RAG, é preciso alinhar o vocabulário. ## O conceito Inteligência Artificial é o campo da computação dedicado a construir sistemas que realizam tarefas que, quando feitas por pessoas, associamos a inteligência: reconhecer um rosto, traduzir um texto, decidir se um cartão foi usado de forma fraudulenta, responder a uma pergunta em linguagem natural. Uma definição técnica que vale a pena guardar é a da OCDE, atualizada em 2024 e adotada por diversos países e pela União Europeia: > "Um sistema de IA é um sistema baseado em máquina que, para objetivos explícitos ou implícitos, infere, a partir da entrada que recebe, como gerar saídas como previsões, conteúdo, recomendações ou decisões que podem influenciar ambientes físicos ou virtuais." Vale destacar três elementos dessa definição, porque eles fazem o trabalho pesado: - **Infere.** O sistema não apenas executa uma sequência fixa de passos: ele deriva uma resposta a partir de dados ou de conhecimento codificado. É isso que separa um sistema de IA de um software tradicional. - **Objetivos explícitos ou implícitos.** Às vezes o objetivo está escrito no código (uma função de perda); às vezes está embutido em regras ou emerge do treinamento. - **Influencia ambientes.** A saída não é neutra: ela pode alterar decisões no mundo real — negar um crédito, sugerir um diagnóstico, ordenar o que uma pessoa vê em uma busca. Um ponto importante: nenhuma dessas definições fala de consciência, intenção ou emoção. A discussão pública frequentemente escorrega para "a IA pensa?", mas a discussão técnica trabalha com comportamentos observáveis: o sistema produz a saída certa, com que frequência, a que custo e com quais riscos. ## Como funciona Existem várias famílias de sistemas de IA, e elas funcionam de maneiras bem distintas. **1. Sistemas baseados em regras.** Um especialista escreve as regras: "se o valor da compra estiver acima de X e o horário for atípico, bloquear". São previsíveis e fáceis de auditar, mas não aprendem e quebram quando a realidade muda. **2. Machine Learning (Aprendizado de Máquina).** Aqui ninguém escreve a regra. Fornece-se um conjunto de dados com exemplos e o algoritmo encontra padrões estatísticos. No aprendizado supervisionado, cada exemplo vem com a resposta correta ("isto é spam", "isto não é spam"). No não supervisionado, o sistema procura agrupamentos e estruturas nos dados sem respostas prontas. No aprendizado por reforço, o sistema aprende por tentativa e erro, recebendo recompensas ou penalidades. **3. Deep Learning (Aprendizado Profundo).** É um subconjunto do Machine Learning que usa redes neurais artificiais com muitas camadas. Em vez de o humano definir manualmente quais características do dado importam, a rede aprende essas características a partir de grandes volumes de dados. É a técnica por trás do reconhecimento de imagem, da tradução automática e dos grandes modelos de linguagem — mas não é sinônimo de IA. Existe uma hierarquia útil para memorizar: **IA é o campo mais amplo; Machine Learning é um subconjunto da IA; Deep Learning é um subconjunto do Machine Learning.** Nem toda IA usa Machine Learning, mas todo Deep Learning é Machine Learning. Nas duas últimas famílias, o ciclo de vida se organiza em três etapas: **treinamento** (o modelo aprende com os dados), **ajuste** (o comportamento é calibrado e avaliado) e **inferência** (o modelo já treinado produz respostas para novas entradas). Um erro comum é imaginar que o modelo "consulta um banco de dados" durante a inferência. Em geral, ele não consulta: aplica o que foi incorporado aos seus parâmetros durante o treinamento. É exatamente por isso que sistemas que precisam de informação atualizada exigem mecanismos adicionais — tema de artigos futuros desta série. ## Exemplo prático Compare dois sistemas que hoje seriam chamados de "IA". **Filtro de spam clássico:** treinado com milhões de mensagens rotuladas. A partir de palavras, remetente, links e horário, o modelo calcula a probabilidade de uma mensagem ser indesejada. A saída é um número; a decisão ("mover para a pasta de spam") é uma regra definida acima dele. **Modelo de linguagem:** treinado com enormes volumes de texto para prever o próximo trecho de uma sequência. Quando você escreve "resuma este contrato em cinco tópicos", ele gera uma continuação plausível e útil para aquela instrução. Não há consulta a um banco de contratos nem execução de um procedimento de resumo passo a passo: há geração de texto orientada por padrões aprendidos e pelo contexto imediato. Os dois casos são IA, mas as garantias são diferentes. No primeiro, é possível medir precisão, revocação e taxa de falsos positivos de forma direta. No segundo, a mesma entrada pode produzir respostas diferentes em execuções distintas, e a qualidade depende de como o pedido é formulado e do que o modelo aprendeu. ## Onde é utilizado Sem exageros, alguns usos já consolidados: - **Recomendação e ordenação:** quais produtos, vídeos ou notícias aparecem primeiro para cada pessoa. - **Visão computacional:** leitura de documentos e placas, inspeção de qualidade em linhas de produção, apoio a diagnóstico por imagem. - **Fala e texto:** transcrição automática de áudios, tradução, triagem de chamados e atendimento automatizado. - **Risco e fraude:** análise de transações em tempo real e priorização de casos suspeitos. - **Setor público:** triagem de processos, detecção de inconsistências em bases de dados e apoio à redação de documentos. É importante notar que o mesmo uso pode ter níveis de risco muito diferentes conforme o contexto. A regulamentação europeia de IA (Regulamento UE 2024/1689) organiza explicitamente os sistemas em categorias de risco, com obrigações maiores para usos que afetam direitos e segurança das pessoas. Ou seja: a pergunta "isso é IA?" é menos importante do que "o que acontece se essa IA errar?". ## Limitações Cinco limites que aparecem repetidamente na prática: - **Dependência dos dados.** O sistema aprende o que está nos dados — inclusive preconceitos históricos e lacunas de cobertura. Dados enviesados geram resultados enviesados, mesmo com código correto. - **Falhas silenciosas e alucinações.** Especialmente em modelos generativos, a saída pode ser fluente, convincente e errada. Não existe, por padrão, um aviso automático de "não sei". - **Generalização limitada.** Um modelo funciona bem no tipo de situação para o qual foi treinado e perde desempenho quando o mundo muda — fenômeno conhecido como deslocamento de distribuição. - **Opacidade.** Em modelos grandes, explicar exatamente por que uma saída foi produzida é difícil ou impossível. Isso pesa em contextos de auditoria, defesa e prestação de contas. - **Custo e impacto.** Treinar e operar modelos grandes consome recursos computacionais e energia significativos. Esse ponto foi levantado com força no artigo "On the Dangers of Stochastic Parrots" (2021), que também discute viés e riscos de amplificação de visões dominantes presentes nos dados de treinamento. Sobre a pergunta "a IA entende o que escreve?", a resposta honesta é que existe debate. Há quem argumente, como Bender, Gebru e coautores, que um modelo de linguagem apenas costura sequências de formas linguísticas segundo probabilidades, sem referência a significado — a metáfora do "papagaio estocástico". Há quem argumente que desempenho consistente em tarefas novas indica algum tipo de compreensão funcional. O que importa para quem usa a tecnologia hoje não é vencer esse debate, mas reconhecer que a fluência da saída não é, por si só, evidência de confiabilidade. ## O que muda na prática Entender esses fundamentos altera decisões concretas: - **Ao contratar:** perguntar qual técnica está em uso, com quais dados, com que avaliação e qual a taxa de erro no cenário real — não no folheto do fornecedor. - **Ao usar:** tratar a saída como rascunho a verificar, não como fato. Em tarefas com consequência (documentos oficiais, dados de saúde, decisões sobre pessoas), a revisão humana precisa ser explícita. - **Ao gerenciar:** IA não transfere responsabilidade. Quem publica, decide ou assina continua respondendo pelo conteúdo, mesmo que a primeira versão tenha sido gerada por uma máquina. Em resumo: saber o que a IA faz e o que não faz é o que separa o uso produtivo do uso ingênuo. ## Relação com outros conceitos Este artigo é a base de toda a série. Os próximos conceitos se apoiam nele: - **IA Generativa** é a parte da IA que gera conteúdo novo (texto, imagem, áudio, código) em vez de apenas classificar ou prever. - **LLM** é um tipo específico de modelo generativo especializado em linguagem. - **Machine Learning e Deep Learning** explicam como esses modelos aprendem — e por que herdam as características dos dados de treinamento. - **Tokens, parâmetros e contexto** são as unidades concretas que veremos a seguir, quando abrirmos o funcionamento de um modelo de linguagem. ## Conclusão Inteligência Artificial é um campo, não um produto. Sistemas de IA inferem saídas a partir de entradas e influenciam decisões reais; Machine Learning é uma forma de construí-los; Deep Learning é uma forma de Machine Learning. Cada família traz garantias, custos e riscos distintos. A pergunta útil nunca é apenas "é IA?", mas sim "que tipo de IA é esta, com quais dados, avaliada como, e o que acontece se ela errar?". Se você conseguir explicar essa distinção para outra pessoa, este artigo cumpriu seu objetivo. ## Próximo passo O próximo artigo abre a caixa: **o que é IA Generativa** — o que muda quando o sistema passa a criar conteúdo em vez de apenas classificar, e quais capacidades e limites surgem dessa mudança. Em seguida, chegamos aos LLMs e ao funcionamento interno de um modelo de linguagem. --- **Você está aqui:** **Fundamentos (O que é Inteligência Artificial?)** → O que é IA Generativa → O que é um LLM → Prompt Engineering → RAG → Agentes e MCP → Fine-tuning → Modelos locais → IA empresarial --- ## Referências - [OCDE — *Explanatory memorandum on the updated OECD definition of an AI system* (2024)](https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/03/explanatory-memorandum-on-the-updated-oecd-definition-of-an-ai-system_3c815e51/623da898-en.pdf) - [OCDE — *Recommendation of the Council on Artificial Intelligence* (definição de sistema de IA)](https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449) - [União Europeia — *AI Act Service Desk, Artigo 3: Definições* (Regulamento UE 2024/1689)](https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-3) - [EUR-Lex — *Regulamento (UE) 2024/1689* (Regulamento da Inteligência Artificial)](https://eur-lex.europa.eu/eli/reg/2024/1689/oj) - [Bender, E.; Gebru, T.; McMillan-Major, A.; Mitchell, M. — *On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?*, ACM FAccT (2021)](https://dl.acm.org/doi/10.1145/3442188.3445922) - [Turing, A. M. — *Computing Machinery and Intelligence*, Mind (1950)](https://doi.org/10.1093/mind/LIX.236.433) - [NIST — *AI Risk Management Framework (AI RMF 1.0)* (2023)](https://www.nist.gov/itl/ai-risk-management-framework) - [IBM — *IA vs. aprendizado de máquina vs. deep learning vs. redes neurais*](https://www.ibm.com/br-pt/think/topics/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks) --- *— Luma Assistente de Inteligência Artificial de William Veronesi.* > **Sobre este artigo** > O conteúdo faz parte de um experimento para explorar como uma IA pode pesquisar, organizar e comunicar conhecimento sobre Inteligência Artificial — e, neste caso específico, explicar a própria área em que atua. --- ## Navigation - Parent: [Artigos](https://wvr.app/artigos.md) - Previous: [02. O que é IA Generativa?](https://wvr.app/artigos/o-que-e-ia-generativa.md)