Os termos aparecem misturados em anúncios, notícias e propostas comerciais como se fossem intercambiáveis. Não são. Eles descrevem camadas aninhadas, e saber qual delas está em jogo muda a expectativa que faz sentido ter.
Círculos dentro de círculos
A forma mais útil de organizar o vocabulário é pensar em círculos concêntricos. Inteligência artificial é o círculo mais externo: qualquer técnica que faça uma máquina executar tarefas que associamos à cognição. Isso inclui coisas antigas e nada glamourosas, como sistemas de regras escritas à mão — o motor de xadrez dos anos 1990 era IA, e não aprendia nada.
Dentro dele está o aprendizado de máquina: em vez de escrever as regras, você mostra exemplos e o sistema ajusta parâmetros até acertar. Regressão logística, árvores de decisão e florestas aleatórias são aprendizado de máquina, e continuam resolvendo boa parte dos problemas reais de empresa melhor do que alternativas mais sofisticadas.
Mais para dentro estão as redes neurais, um tipo específico de modelo inspirado de longe na biologia, feito de camadas de operações matemáticas simples. Quando essas camadas são muitas, chamamos de deep learning — o “profundo” se refere à profundidade da pilha, não à profundidade do raciocínio.
E no núcleo está a IA generativa: modelos de deep learning treinados para produzir conteúdo novo — texto, imagem, áudio, código — em vez de apenas classificar ou prever um número. Os modelos de linguagem que você usa no dia a dia moram aqui.
O que cada camada realmente entrega
| Termo | O que é | Exemplo típico |
|---|---|---|
| Inteligência artificial | Guarda-chuva de qualquer técnica que automatize tarefas cognitivas | Sistema de regras que aprova ou nega um crédito |
| Aprendizado de máquina | Modelos que ajustam parâmetros a partir de exemplos | Previsão de churn a partir de histórico de clientes |
| Redes neurais | Modelos em camadas de operações matemáticas encadeadas | Reconhecimento de dígitos escritos à mão |
| Deep learning | Redes neurais com muitas camadas e muitos dados | Detecção de objetos em vídeo |
| IA generativa | Deep learning treinado para produzir conteúdo inédito | Modelo de linguagem que escreve e resume texto |
Por que a confusão custa caro
Misturar os níveis leva a dois erros opostos, e os dois são caros. O primeiro é usar o modelo mais pesado disponível para um problema que um método simples resolveria: previsão de demanda com histórico tabular raramente precisa de uma rede neural gigante, e o custo de operar uma é muito maior do que o de uma árvore de decisão que ninguém precisa hospedar em GPU.
O segundo erro é esperar de um classificador o comportamento de um gerador. Um modelo treinado para separar e-mails em duas categorias não vai explicar o raciocínio nem escrever a resposta; ele devolve um número. Quando a expectativa é de conversa e a entrega é de rótulo, o projeto é declarado fracasso por um motivo que não tem nada a ver com a qualidade do modelo.
Termos vizinhos que aparecem junto
- Modelo de fundação. Um modelo grande treinado em dados genéricos, feito para ser adaptado depois a tarefas específicas em vez de servir a uma só.
- Aprendizado supervisionado. Treino com exemplos rotulados: cada entrada vem com a resposta certa.
- Aprendizado não supervisionado. Treino sem rótulos, procurando estrutura nos próprios dados — agrupamentos, por exemplo.
- Aprendizado por reforço. O modelo aprende por tentativa e erro, guiado por um sinal de recompensa.
- Inferência. O momento em que o modelo já treinado é usado para responder. É aqui que mora a maior parte do custo operacional.
- Parâmetros. Os números ajustados durante o treino. Servem de medida grosseira de tamanho, não de qualidade.
Como usar isso numa conversa de compra
Quando um fornecedor diz que o produto “usa IA”, a pergunta seguinte não é se usa, e sim em qual camada. Se a resposta for aprendizado de máquina clássico sobre os dados da sua empresa, a discussão vira sobre qualidade e volume de dados históricos. Se for IA generativa sobre um modelo de terceiros, a discussão vira sobre custo por chamada, privacidade e o que acontece quando o modelo erra.
São conversas diferentes, com riscos diferentes e contratos diferentes. Chegar nelas com o vocabulário organizado é o que separa uma avaliação técnica de uma compra por entusiasmo.