1. Por que os conceitos de inteligência artificial travam a adoção nas empresas
2. Nível iniciante: os conceitos de IA que aparecem em qualquer conversa
3. Nível intermediário: o vocabulário de quem já usa IA e vai implementar
4. Nível avançado: os termos de quem constrói e opera sistemas de IA
5. Como manter um glossário de IA vivo dentro da empresa
6. Conclusão
A adoção de inteligência artificial nas empresas esbarra em um obstáculo que raramente aparece nos relatórios de maturidade: o domínio dos conceitos de inteligência artificial por quem decide. Reuniões sobre IA reúnem pessoas que usam a mesma palavra com significados diferentes, e a decisão que sai dali carrega essa ambiguidade. Quando "agente", "modelo" e "automação" viram sinônimos na sala, a compra errada e o projeto mal dimensionado deixam de ser surpresa.
Este glossário de IA reúne 55 conceitos de inteligência artificial organizados em três níveis de aprofundamento, do vocabulário que aparece em qualquer conversa até os termos de quem constrói e opera sistemas. Cada verbete abre com uma definição direta e, quando o Distrito já publicou um artigo sobre o tema, aponta para ele. A página foi pensada para consulta, e não para leitura única: quem domina os fundamentos pula para o nível seguinte, quem chega com uma dúvida específica usa o índice.
A proposta complementa o que o Distrito já defendeu sobre capacitação corporativa em IA: sem vocabulário compartilhado, o treinamento não se converte em decisão. Os conceitos de inteligência artificial estão distribuídos nos níveis abaixo segundo um critério único, o que o leitor precisa saber antes para entender a definição, e não o quanto o termo soa técnico.
O descompasso entre uso e compreensão tem número. No levantamento AI at Work do BCG (2026), 72% dos profissionais dizem que as expectativas sobre suas habilidades mudaram com a IA, mas só 36% consideram ter recebido capacitação adequada. Quase metade relata que o próprio papel migrou de executar o trabalho para dirigir a IA que o executa. Dirigir o que não se sabe nomear é o retrato de boa parte das operações hoje.
A escala do problema cresceu com a adoção. Segundo o relatório The State of AI da McKinsey (2025), 88% das organizações já usam IA em pelo menos uma função de negócio. A consequência direta é que o vocabulário deixou de ser assunto da área técnica: o jurídico precisa saber o que caracteriza um sistema de alto risco, o RH precisa distinguir agente de automação e o financeiro precisa entender por que o custo de inferência varia com a janela de contexto. Cada área passa a depender de um subconjunto próprio dos conceitos de inteligência artificial, e quase nenhuma tem onde consultá-lo.
A maioria dos glossários de IA disponíveis em português resolve mal esse problema, porque ou traduz literalmente material técnico ou lista termos na ordem em que aparecem no material de um fornecedor. Este parte de outra premissa: cada conceito é definido pelo que ele muda na decisão de quem lê, com o nível de profundidade indicado antes do termo.
Os 55 verbetes estão divididos em três níveis. O nível iniciante cobre os conceitos de IA que qualquer gestor encontra em uma reunião de planejamento. O intermediário reúne o vocabulário de quem já usa a tecnologia e participa de decisões de implementação. O avançado trata dos termos de quem constrói, opera e governa sistemas em produção. Dentro de cada nível, os termos seguem uma ordem temática, do conceito mais geral ao mais específico.
O índice abaixo leva direto a cada verbete do glossário de IA. A página tem revisão trimestral, e a data da última atualização aparece no topo do artigo.
Este bloco cobre o vocabulário que circula em reuniões de planejamento, propostas de fornecedores e reportagens sobre o tema. Nenhum dos 18 conceitos de inteligência artificial deste bloco exige conhecimento prévio para ser entendido, mas todos são usados de forma imprecisa com frequência, e é essa imprecisão que o glossário de IA tenta corrigir primeiro.
Inteligência artificial é o campo da computação dedicado a construir sistemas que executam tarefas associadas à cognição humana, como reconhecer padrões, interpretar linguagem e tomar decisões a partir de dados. Na prática corporativa, o termo cobre desde um filtro de fraude até um assistente que redige contratos. Entenda em detalhe o que é inteligência artificial e como ela funciona.
Algoritmo é uma sequência finita de instruções que transforma uma entrada em um resultado. Toda IA roda sobre algoritmos, mas nem todo algoritmo é IA: uma planilha que calcula imposto segue um algoritmo sem aprender nada. A diferença está em o sistema ajustar o próprio comportamento a partir de dados ou apenas executar regras fixas.
Dados de treinamento são o conjunto de exemplos usado para ensinar um modelo a reconhecer padrões. A qualidade, o volume e a representatividade desses dados determinam o que o modelo consegue fazer e onde ele erra. Um modelo de crédito treinado com histórico enviesado reproduz o viés, por mais sofisticada que seja a arquitetura.
Machine learning é o conjunto de técnicas que permite a um sistema aprender padrões a partir de dados em vez de seguir regras programadas manualmente. O modelo é exposto a exemplos, mede o próprio erro e ajusta parâmetros internos até prever bem casos novos. Veja como o aprendizado de máquina funciona e onde as empresas o aplicam.
Deep learning é o subcampo do machine learning que usa redes neurais com muitas camadas para aprender representações progressivamente mais abstratas dos dados. É a base técnica do reconhecimento de imagem, da transcrição de voz e dos modelos de linguagem atuais. Conheça as arquiteturas de deep learning e seus casos de uso.
Rede neural artificial é um modelo computacional organizado em camadas de unidades de processamento conectadas por pesos numéricos, ajustados durante o treinamento. Cada camada extrai características dos dados e passa o resultado adiante até produzir uma classificação, uma previsão ou um texto. Saiba como as redes neurais funcionam e quais são os principais tipos.
IA generativa é a categoria de modelos capaz de produzir conteúdo novo, como texto, imagem, código e áudio, a partir de uma instrução, em vez de apenas classificar ou prever sobre dados existentes. Foi o que levou a inteligência artificial para fora da área técnica a partir de 2022. Veja como a IA generativa funciona e quais são suas aplicações.
LLM, ou modelo de linguagem de grande escala, é um modelo de deep learning treinado em volumes enormes de texto para prever a próxima palavra e, com isso, gerar linguagem coerente. Claude, GPT e Gemini são LLMs. Eles não consultam uma base de fatos: produzem o texto mais provável com base no que aprenderam. Entenda o que é um LLM e como a tecnologia funciona.
Prompt é a instrução enviada a um modelo de IA generativa. Pode ser uma pergunta curta ou um documento inteiro com contexto, exemplos e restrições. A qualidade da resposta depende diretamente da qualidade do prompt, o que deu origem a uma disciplina própria, tratada no nível intermediário. Veja boas práticas para escrever prompts.
Token é a unidade mínima de texto que um modelo processa: um fragmento de palavra, uma palavra inteira ou um sinal de pontuação. Em português, uma palavra costuma equivaler a algo entre 1,5 e 2 tokens. É a base da cobrança das APIs de IA e do limite de contexto dos modelos. Leia por que volume de tokens não mede produtividade.
Chatbot é uma interface de conversa. Antes da IA generativa, seguia roteiros fixos; hoje costuma ser um LLM com uma camada de interface por cima. Assistente de IA é o termo usado quando o sistema vai além da conversa e executa tarefas, como agendar, resumir ou buscar dados, ainda sob comando humano a cada passo.
Alucinação é a resposta factualmente incorreta que um modelo generativo apresenta com a mesma confiança de uma resposta correta. Acontece porque o modelo gera texto provável, não texto verificado. É o principal risco em aplicações que exigem precisão, um dos conceitos de inteligência artificial que mais pesa na escolha de um fornecedor, e o motivo de existirem técnicas como o RAG, descrito no nível intermediário.
Multimodalidade é a capacidade de um modelo processar e gerar mais de um tipo de dado, como texto, imagem, áudio e vídeo, em uma mesma interação. Um modelo multimodal lê um gráfico dentro de um PDF e responde em texto, ou interpreta a foto de um equipamento e descreve o defeito.
Janela de contexto é a quantidade máxima de tokens que um modelo consegue considerar de uma só vez, somando a instrução, os documentos anexados e a própria resposta. Quando o limite estoura, o modelo perde o começo da conversa. Modelos atuais operam com janelas de centenas de milhares de tokens, o suficiente para livros inteiros.
AGI é a hipótese de um sistema com capacidade cognitiva geral equivalente ou superior à humana em qualquer domínio, e não apenas em tarefas específicas. Não existe consenso sobre se, quando ou como ela surgirá. Em contexto corporativo, o termo aparece em discussões de risco e regulação, não em projetos.
Viés algorítmico é a distorção sistemática nas saídas de um modelo, herdada dos dados de treinamento ou das escolhas de quem o construiu, que resulta em tratamento desigual de grupos de pessoas. Em triagem de currículos e análise de crédito, é risco jurídico e reputacional, e é objeto direto da regulação em curso.
LGPD é a Lei Geral de Proteção de Dados brasileira, que regula a coleta, o tratamento e o compartilhamento de dados pessoais. Qualquer sistema de IA que use informação de pessoas identificáveis, seja para treinar, seja para operar, está sujeito a ela. Veja como a LGPD funciona na prática.
Shadow AI é o uso de ferramentas de inteligência artificial por colaboradores sem conhecimento, aprovação ou governança da empresa. Nasce, na maior parte dos casos, da ausência de alternativas oficiais: no levantamento anterior do BCG (2025), mais da metade dos funcionários afirmou que buscaria ferramentas por conta própria se a empresa não as fornecesse. Entenda os riscos do shadow AI e como lidar com ele.
Os 20 termos deste bloco pressupõem que o leitor sabe o que é um modelo de linguagem e já interagiu com um. Neste ponto do glossário de IA, aparecem os conceitos de inteligência artificial que surgem quando a conversa sai do "o que é" e entra no "como colocar para funcionar com controle": técnicas de instrução, arquiteturas de dados, agentes e as camadas de governança e regulação que os cercam.
Engenharia de prompt é a prática de estruturar instruções para obter respostas mais consistentes de um modelo: definir papel, formato, restrições, exemplos e critérios de avaliação. Deixou de ser truque individual e virou padrão documentado em times que operam IA em escala, com prompts versionados da mesma forma que código.
System prompt é a instrução persistente que define o comportamento, o tom, os limites e o contexto de um modelo antes de qualquer interação do usuário. É onde uma empresa estabelece que o assistente responde apenas sobre determinado assunto, não revela dados internos e segue um padrão de linguagem.
Few-shot é a técnica de incluir alguns exemplos resolvidos dentro do prompt para que o modelo entenda o formato e o padrão esperado da resposta. Zero-shot é pedir sem exemplo nenhum. Para tarefas de classificação e extração de dados, dois ou três exemplos costumam melhorar a precisão mais do que qualquer instrução abstrata.
Chain of thought é a técnica de induzir o modelo a explicitar etapas intermediárias de raciocínio antes de dar a resposta final, o que melhora o desempenho em problemas de lógica e cálculo. Os modelos de raciocínio lançados a partir de 2024 incorporaram esse comportamento de forma nativa, gastando mais tokens para pensar antes de responder.
Embedding é a representação numérica de um conteúdo, seja uma frase, um documento ou uma imagem, em um vetor de centenas ou milhares de dimensões, de modo que conteúdos com significado parecido fiquem próximos nesse espaço. É o que permite buscar por sentido em vez de por palavra exata.
Banco de dados vetorial é o sistema que armazena embeddings e permite consultas por similaridade semântica: dado um trecho, ele devolve os documentos mais próximos em significado. É componente central de arquiteturas RAG e de sistemas de busca interna baseados em IA.
RAG é a arquitetura em que o sistema busca informação relevante em uma base própria, como documentos, manuais e contratos, e a injeta no contexto do modelo antes de gerar a resposta. Reduz alucinação e permite usar dados internos sem retreinar o modelo. Veja como o RAG funciona e quando adotá-lo.
Fine-tuning é o processo de continuar o treinamento de um modelo pré-treinado com um conjunto menor de dados específicos, para especializá-lo em um domínio, um estilo ou uma tarefa. Diferente do RAG, altera os pesos do modelo. Faz sentido quando o padrão é estável; para informação que muda com frequência, o RAG costuma custar menos. Compare fine-tuning e RAG em detalhe.
Inferência é a execução de um modelo já treinado para produzir uma saída: cada resposta de um assistente é uma inferência. Treinar acontece uma vez e custa muito; inferir acontece milhões de vezes e concentra o custo operacional recorrente. É a métrica que define se um caso de uso é viável em produção.
Temperatura é o parâmetro que controla o grau de aleatoriedade na escolha da próxima palavra pelo modelo. Valores baixos produzem respostas mais previsíveis e repetíveis, adequadas para extração de dados e tarefas de conformidade; valores altos aumentam a variação, o que serve à geração criativa.
SLM é um modelo de linguagem compacto, com alguns bilhões de parâmetros em vez de centenas de bilhões, projetado para rodar com menos custo, menos latência e, quando necessário, dentro da infraestrutura da própria empresa. Perde em conhecimento geral e ganha em controle e previsibilidade de custo. Saiba quando usar um SLM.
Agente de IA é um sistema que recebe um objetivo, planeja as etapas, executa ações usando ferramentas externas e avalia o resultado, repetindo o ciclo até concluir a tarefa com pouca ou nenhuma intervenção humana a cada passo. É a diferença entre um chatbot que responde e um sistema que faz. Entenda como os agentes de IA funcionam nas empresas.
IA agêntica é a abordagem de projetar sistemas de IA para operar com autonomia orientada a objetivos, e não apenas responder a comandos isolados. O termo descreve a arquitetura e a filosofia; agente de IA descreve o componente. Uma empresa agêntica é a que redesenha processos em torno dessa autonomia governada. Veja o impacto da IA agêntica nos negócios.
Tool use, ou chamada de função, é a capacidade de um modelo acionar ferramentas externas, como uma API, uma consulta a banco de dados ou um envio de e-mail, como parte da resposta. O modelo decide qual ferramenta usar e com quais parâmetros; o sistema executa e devolve o resultado. Sem tool use não existe agente.
MCP é um protocolo aberto, criado pela Anthropic em 2024, que padroniza a conexão entre modelos de IA e fontes de dados ou ferramentas externas. Funciona como um conector universal: em vez de integrar cada ferramenta a cada modelo, o fornecedor expõe um servidor MCP e qualquer cliente compatível o utiliza. Entenda o MCP e as discussões em torno dele.
Human in the loop é o desenho de sistema em que uma pessoa revisa, aprova ou corrige etapas críticas de um processo automatizado antes que ele siga. É o mecanismo que permite dar autonomia a um agente sem abrir mão de responsabilidade, e é exigência direta da regulação para decisões de alto risco.
Guardrails são controles técnicos e de política que restringem o que um sistema de IA pode gerar, acessar ou executar: filtros de conteúdo, limites de escopo, validação de saída, bloqueio de ações irreversíveis. São o que separa um piloto de um sistema em produção dentro de um processo crítico.
Eval é um teste sistemático que mede o desempenho de um modelo ou de um sistema de IA em uma tarefa definida, com critérios objetivos. Benchmark é um eval padronizado e público, usado para comparar modelos. Empresas que operam IA constroem evals próprios, porque o desempenho no benchmark genérico não garante desempenho no caso de uso específico.
Governança de IA é o conjunto de políticas, papéis e controles que define quem aprova, monitora e responde por cada sistema de inteligência artificial em uso na organização. Inclui inventário de sistemas, classificação de risco, auditoria e gestão de incidentes, e pressupõe que todos os envolvidos compartilhem os mesmos conceitos de IA. Veja os desafios de governança de IA para empresas no Brasil.
Regulação de IA é o conjunto de leis que estabelece obrigações para o desenvolvimento e o uso de sistemas de IA conforme o risco que representam. O AI Act europeu é o marco mais avançado; no Brasil, o PL 2338 segue o mesmo desenho por classificação de risco, com obrigações mais severas para sistemas que decidem sobre crédito, emprego e saúde. Entenda o que a regulação de IA exige das empresas.
Os 17 conceitos de inteligência artificial que fecham o glossário de IA pertencem a quem desenha arquitetura, mantém sistemas em produção ou responde pela governança técnica. Um gestor não precisa operá-los, mas precisa reconhecê-los quando aparecem em uma proposta ou em um incidente, porque é neste nível que se explica por que um projeto de IA custa o que custa e falha onde falha.
Transformer é a arquitetura de rede neural, descrita em 2017, que sustenta os modelos de linguagem atuais. Sua inovação é o mecanismo de atenção, que permite ao modelo ponderar a relevância de cada parte da sequência em relação às demais e processar o texto inteiro de uma vez, em vez de palavra por palavra.
Parâmetro é cada um dos valores numéricos internos, os pesos, que um modelo ajusta durante o treinamento e que, em conjunto, codificam o que ele aprendeu. A contagem de parâmetros indica a escala do modelo: SLMs têm alguns bilhões; os maiores LLMs, centenas de bilhões ou mais. Mais parâmetros significam mais capacidade e mais custo de inferência.
São os três regimes de treinamento em machine learning. No supervisionado, o modelo aprende a partir de exemplos rotulados com a resposta certa. No não supervisionado, encontra estrutura em dados sem rótulo, como agrupamentos de clientes com comportamento parecido. No aprendizado por reforço, aprende por tentativa e erro, recebendo recompensa ou penalidade por cada ação.
RLHF é a técnica de treinar um modelo por reforço a partir de preferências humanas: avaliadores comparam respostas, um modelo de recompensa aprende o que as pessoas preferem, e o LLM é ajustado para maximizar essa preferência. É o que converte um modelo de linguagem bruto em um assistente que segue instruções e recusa pedidos nocivos.
Destilação é a técnica de treinar um modelo menor, o aluno, para reproduzir o comportamento de um modelo maior, o professor, transferindo capacidade a um custo de inferência muito menor. É uma das formas de produzir SLMs competentes e está no centro de disputas recentes sobre uso indevido de modelos concorrentes como professores.
Quantização é a redução da precisão numérica dos parâmetros de um modelo, de 16 bits para 8 ou 4, por exemplo, para diminuir o consumo de memória e acelerar a inferência, com perda controlada de qualidade. É o que permite rodar modelos relevantes em servidores comuns ou em dispositivos locais.
LLMOps é o conjunto de práticas para colocar e manter aplicações baseadas em modelos de linguagem em produção: versionamento de prompts, monitoramento de qualidade e custo, avaliação contínua, controle de acesso e gestão de incidentes. Deriva do MLOps e responde a problemas próprios dos LLMs, como a mudança de comportamento depois de uma atualização do modelo.
Latência é o tempo entre o envio de uma requisição ao modelo e o recebimento da resposta. Em uma conversa, alguns segundos são aceitáveis; em um agente que executa vinte etapas em cadeia, a latência de cada uma se soma e define se o caso de uso é viável. Junto com o custo por token, é a restrição de engenharia mais comum em produção.
Loop de IA é o ciclo fechado em que um sistema executa uma tarefa, avalia o próprio resultado contra um critério definido e repete o processo até atingir o objetivo ou esgotar um limite. É o motor dos agentes de IA e o que distingue um sistema que itera sozinho de um que responde a um prompt por vez. Veja por que o loop de IA muda a forma de trabalhar.
Harness é a camada de software que envolve o modelo e o conecta ao ambiente de execução: ferramentas, memória, permissões, critérios de parada e tratamento de erro. O modelo é o mesmo em qualquer produto; o que muda a capacidade de um agente é a qualidade do harness ao redor dele. Entenda o que é harness em IA e para que serve.
Orquestração é a coordenação de múltiplos modelos, agentes, ferramentas e etapas dentro de um fluxo de trabalho, definindo quem faz o quê, em que ordem e com quais dados. Em sistemas corporativos, a camada de orquestração é onde ficam as regras de negócio, os pontos de aprovação humana e o registro de auditoria.
Memória de agente é o mecanismo que permite a um sistema de IA preservar informação entre interações, além da janela de contexto de uma única conversa. Distingue-se a memória de curto prazo, restrita à sessão atual, da memória de longo prazo, com preferências e fatos persistidos em base externa. Sem memória, cada tarefa começa do zero.
Sistemas multiagentes são arquiteturas em que vários agentes de IA, cada um com papel e ferramentas próprias, colaboram em um ambiente compartilhado para resolver um problema que um agente único não resolveria bem. Um agente pesquisa, outro redige, um terceiro revisa. Exigem orquestração e governança mais elaboradas. Veja como os sistemas multiagentes funcionam.
Agent skills são pacotes modulares de instruções, contexto e procedimentos que um agente carrega para executar uma categoria específica de tarefa, como revisar contratos ou produzir relatórios no padrão da empresa. Podem ser versionadas, auditadas e reutilizadas entre agentes, o que as torna um mecanismo de governança em escala. Saiba como criar agent skills.
Prompt injection é o ataque em que instruções maliciosas são inseridas no conteúdo que o modelo lê, como um e-mail, uma página web ou um documento, para desviá-lo do comportamento esperado, vazar dados ou executar ações não autorizadas. Quanto mais autonomia e ferramentas o agente tem, maior o dano possível. Veja como proteger a empresa contra prompt injection.
Engenharia de dados é a disciplina que constrói e mantém a infraestrutura para coletar, armazenar, tratar e disponibilizar dados em escala. Big data descreve volumes e velocidades que os sistemas tradicionais não processam; data lake é o repositório que guarda dados brutos em formato original. Nenhum projeto de IA sustentável existe sem essa base. Entenda como estruturar a engenharia de dados, o que é big data e como funciona um data lake.
Explicabilidade é a capacidade de um sistema de IA justificar, de forma compreensível para uma pessoa, como chegou a determinado resultado. Modelos com bilhões de parâmetros são opacos por natureza, e a explicabilidade se tornou exigência regulatória para decisões automatizadas de alto impacto, como a negativa de um crédito.
Boa parte deste vocabulário não existia há três anos. O MCP foi apresentado em novembro de 2024; "harness" e "loop de IA" ganharam o sentido atual entre 2025 e 2026; "agent skills" é ainda mais recente. Um glossário de IA sem data de atualização visível já nasce desatualizado, e é por isso que esta página tem revisão trimestral: verbetes novos entram no nível correspondente e verbetes que perderam uso saem, em vez de se acumular.
A pressão regulatória acelera essa renovação. O AI Index 2026 da Universidade de Stanford contabiliza 47 países com legislação específica sobre inteligência artificial, e cada lei traz sua própria taxonomia: "sistema de alto risco", "avaliação de impacto algorítmico", "operador" e "desenvolvedor" passam a ter definição legal, que nem sempre coincide com o uso corrente nas empresas.
Dentro da organização, a prática equivalente a esta página é adotar definições compartilhadas nos documentos de governança. Quando a política interna de IA usa "agente", "dado sensível" ou "decisão automatizada", cada um desses conceitos de IA precisa apontar para uma definição única, conhecida pelo jurídico, pela tecnologia e pelas áreas de negócio. Um glossário de IA interno costuma ser o documento mais barato e mais ignorado de um programa de governança, e o que mais evita retrabalho quando um incidente acontece.
Em síntese, o obstáculo que este glossário de IA tenta reduzir está na linguagem, antes de estar na tecnologia. Decisões sobre inteligência artificial são tomadas por grupos que usam os mesmos termos com significados diferentes, e a imprecisão entra no projeto antes da primeira linha de código ou da primeira proposta de fornecedor.
No conjunto, os três níveis se conectam de um modo específico. Os conceitos de inteligência artificial do nível iniciante definem o que a tecnologia é; os do intermediário definem como ela é aplicada com controle; os do avançado explicam por que ela custa o que custa e falha onde falha. Quem pula um nível passa a comprar o que não sabe avaliar.
A implicação para quem lidera é direta. A régua não é dominar os 55 conceitos de inteligência artificial deste glossário, mas saber em qual nível está a conversa e quem, na sala, domina o nível seguinte. Isso muda a composição dos comitês de IA, o desenho dos programas de capacitação e o critério de escolha de fornecedores.
À medida que agentes assumem parte da execução, o vocabulário exigido de quem gerencia migra do "o que é" para o "como governo". Conceitos de IA hoje classificados como avançados neste glossário, como harness, eval e orquestração, tendem a virar exigência de gestor em dois ou três anos, do mesmo modo que "nuvem" e "API" deixaram a área técnica na década passada.
A pergunta pendente para a maioria das empresas é quem, dentro da organização, precisa dominar cada nível deste vocabulário para que as decisões de IA parem de depender de tradução. Um glossário de IA resolve a consulta; a capacidade de aplicar os conceitos em decisão exige formação estruturada por área e por nível de maturidade. Conheça o AI Education do Distrito e veja como levar lideranças e times de negócio do vocabulário à aplicação de IA com critério.
