Por que um glossário de IA importa para quem decide na empresa

Reuniões sobre inteligência artificial viraram um festival de siglas: LLM, RAG, MCP, embedding, token. Gestores de PMEs no Brasil precisam entender o suficiente para avaliar propostas, proteger dados e conversar com TI ou fornecedores sem depender de tradução posterior. Este glossário reúne os termos que mais aparecem em projetos corporativos — com foco em aplicação prática, não em teoria acadêmica.

Se você está começando a jornada, combine este material com o artigo Inteligência artificial para empresas: por onde começar e o hub IA para Empresas no Guia de TI.

Conceitos fundamentais

Inteligência artificial (IA)

Campo da computação em que sistemas executam tarefas que, até recentemente, exigiam julgamento humano: reconhecer padrões, classificar documentos, responder perguntas ou gerar textos. Na empresa, quase sempre aparece como software integrado a processos existentes, não como robô autônomo.

IA generativa

Subtipo de IA que cria conteúdo novo — texto, imagem, código, áudio — a partir de instruções (prompts). ChatGPT, Copilot e assistentes em CRM são exemplos. Diferente de automação clássica (regras fixas), a saída varia conforme contexto — e exige revisão humana em processos críticos.

LLM (Large Language Model)

Large Language Model — “modelo de linguagem de grande escala”. Programa treinado com volumes enormes de texto para prever a próxima palavra em sequências naturais. GPT, Claude, Gemini e Llama são LLMs. Para a PME, pense em LLM como motor de linguagem que alimenta chatbots, copilotos e automações de texto.

Prompt

Instrução ou pergunta enviada ao modelo. “Resuma este contrato em cinco tópicos” é um prompt. Qualidade do prompt define qualidade da resposta — daí a engenharia de prompt: técnicas para estruturar pedidos (contexto, formato, exemplos, limites).

Token

Unidade mínima de texto que o modelo processa (pedaços de palavras ou palavras inteiras). Provedores cobram por token; contextos longos consomem mais. Para gestores: mais texto de entrada + saída = mais custo e mais tempo.

Janela de contexto (context window)

Quantidade máxima de tokens que o modelo “enxerga” de uma vez — prompt, anexos e resposta. Documentos muito longos podem ser truncados ou exigir estratégias como RAG (abaixo). Ao comparar ferramentas, pergunte qual o limite prático para seus PDFs e bases internas.

Temperature (temperatura)

Parâmetro que controla criatividade versus previsibilidade. Temperatura baixa: respostas mais consistentes (ideal para procedimentos e dados). Alta: mais variação (rascunhos criativos). Em ambiente corporativo, processos críticos costumam usar temperatura baixa.

Dados, busca e conhecimento interno

Embedding

Representação numérica de texto (ou imagem) que captura significado. Textos parecidos geram vetores próximos. Permite buscar “documentos sobre garantia estendida” mesmo sem a palavra exata no arquivo. Base de qualquer busca semântica em manuais, políticas e bases de conhecimento.

Banco de dados vetorial (vector database)

Sistema otimizado para armazenar embeddings e encontrar os mais similares a uma consulta. Pinecone, Weaviate, pgvector (PostgreSQL) são exemplos. Útil quando a empresa quer IA que responda com base em documentos próprios, não só conhecimento genérico do modelo.

RAG (Retrieval-Augmented Generation)

Retrieval-Augmented Generation — geração aumentada por recuperação. Antes de responder, o sistema busca trechos relevantes na base da empresa (manuais, FAQ, contratos) e injeta no prompt. Reduz inventar fatos e permite citar fontes internas. Caso de uso comum: assistente que responde sobre procedimentos da operação com base em PDFs aprovados pela qualidade.

Fine-tuning (ajuste fino)

Treinar ou adaptar um modelo existente com dados específicos da empresa (tom de voz, terminologia, classificações). Mais caro e complexo que RAG; faz sentido quando o vocabulário ou formato de saída é muito particular. Muitas PMEs começam só com RAG + bons prompts.

Zero-shot e few-shot

Zero-shot: pedir ao modelo uma tarefa sem exemplos. Few-shot: incluir um ou poucos exemplos no prompt (“classifique assim: e-mail A → vendas, e-mail B → financeiro”). Few-shot melhora consistência sem projeto de treinamento.

Integração, agentes e protocolos

API (Application Programming Interface)

Interface que permite que um sistema chame outro programaticamente. ERP, CRM ou portal podem enviar texto a um LLM via API e receber resposta estruturada. Essencial para automações que vão além do chat manual no navegador.

MCP (Model Context Protocol)

Model Context Protocol — padrão aberto para conectar modelos de IA a ferramentas e dados externos de forma padronizada (calendário, banco de dados, tickets, arquivos). Em vez de integrações ad hoc por produto, o MCP define como o assistente descobre e usa recursos. Para TI e gestores: facilita ecossistema onde o copiloto acessa sistemas corporativos com permissões controladas — tema em evolução rápida em 2025–2026.

Agente de IA

Sistema que não só responde texto, mas planeja passos e executa ações: consultar API, preencher formulário, abrir chamado, enviar e-mail rascunho. Agente = LLM + ferramentas + memória + regras. Potente para automação; exige governança forte (o que pode ou não fazer sozinho).

Copilot / assistente de IA

Interface integrada a produtos do dia a dia (Microsoft 365, Google Workspace, IDE de programação) que sugere texto, código ou ações no fluxo de trabalho. Diferente de chat genérico: conhece contexto do documento ou tela aberta. Avalie licença empresarial e política de retenção de dados antes de usar com informação confidencial.

Guardrails (barreiras de segurança)

Regras e filtros que limitam comportamento do modelo: bloquear dados pessoais na saída, impedir temas proibidos, forçar formato JSON, exigir citação de fonte. Indispensável em atendimento ao cliente e processos regulados.

Multimodal

Modelo que processa mais de um tipo de mídia — texto, imagem, áudio, vídeo. Exemplo corporativo: enviar foto de etiqueta de equipamento e receber instrução de manutenção; transcrever reunião e gerar ata.

Riscos, infraestrutura e governança

Alucinação

Quando o modelo inventa informação plausível mas falsa — citação inexistente, número errado, procedimento que não existe. Não é bug raro; é limitação do desenho. Mitigue com RAG, revisão humana, fontes citadas e nunca use saída crua em decisões legais ou financeiras críticas.

LLM local / on-premise

Modelo executado em servidor da própria empresa ou nuvem privada, sem enviar prompts a provedor público. Atende requisitos de confidencialidade e setores regulados; exige GPU, manutenção e equipe ou parceiro de TI. Veja também artigos sobre Configurando LLMs locais para trabalho em empresas.

Shadow IT (TI paralela)

Funcionários usando ferramentas de IA não aprovadas (contas pessoais, apps gratuitos) com dados da empresa. Risco de vazamento e não conformidade com LGPD. Política clara + ferramentas corporativas aprovadas reduzem o fenômeno.

LGPD e DPA

Lei Geral de Proteção de Dados exige base legal e transparência no tratamento de dados pessoais. DPA (Data Processing Agreement) é contrato com fornecedor definindo como dados são processados, retidos e excluídos. Antes de IA em RH, saúde ou financeiro, exija DPA e opção de não usar seus dados para treinar modelos globais.

Como usar este glossário na prática

Em reuniões com fornecedor — peça exemplos concretos quando ouvirem RAG, agente ou fine-tuning; evite pagar por arquitetura desnecessária.
Na política interna — defina o que pode ir em prompt, quem aprova novas ferramentas e onde a revisão humana é obrigatória.
No piloto — comece com um caso (ex.: FAQ interno com RAG), meça tempo economizado e taxa de erro antes de escalar.

Leituras relacionadas no Guia de TI

Próximo passo

A ITC Service apoia PMEs no Rio Grande do Sul a adotar IA com base sólida de TI — rede, backup, segurança e integração responsável. Fale conosco para traduzir estes conceitos em piloto concreto na sua operação.