Dicionário de Inteligência Artificial PM3

AI Agent

É um sistema de IA capaz de receber um objetivo, interpretar o contexto, decidir quais ações realizar e executar etapas para chegar a um resultado, com algum grau de autonomia. Diferentemente de um chatbot que apenas responde a uma solicitação, um agente pode combinar raciocínio do modelo com instruções, memória ou estado, ferramentas e acesso a sistemas externos para agir sobre o ambiente. Um agente pode, por exemplo, consultar informações, escolher uma ferramenta, executar uma ação, verificar o resultado e decidir o próximo passo. Dependendo da arquitetura, esse ciclo pode acontecer várias vezes até que o objetivo seja concluído ou seja necessária uma intervenção humana. O grau de autonomia varia: existem agentes que precisam de aprovação antes de ações importantes e outros que conseguem executar fluxos mais longos de forma independente. Por isso, sistemas agênticos precisam de limites de atuação, permissões, critérios de parada, observabilidade e mecanismos de validação, principalmente quando podem alterar dados ou executar ações com impacto real.

AI First

É uma abordagem estratégica em que a Inteligência Artificial é considerada desde o início na forma de desenhar produtos, processos e modelos de negócio, e não apenas adicionada posteriormente como uma funcionalidade ou ferramenta de apoio. Em uma abordagem AI First, o ponto de partida não é “onde podemos colocar IA?”, mas “como resolveríamos esse problema considerando as capacidades que a IA oferece hoje?”. Isso pode mudar a experiência do usuário, os fluxos de trabalho, a arquitetura do produto e até a forma como valor é entregue. Ser AI First não significa usar IA em tudo. A tecnologia deve ser aplicada quando melhora de fato o resultado. Partes do produto podem continuar determinísticas, outras podem utilizar automações, modelos preditivos, IA Generativa ou agentes. A abordagem também exige considerar desde o início dados, qualidade, custos, segurança, privacidade, riscos, avaliação e supervisão humana.

Machine Learning (ML)

Aprendizado de Máquina (Machine Learning ou ML) é uma área da Inteligência Artificial que permite que sistemas aprendam padrões a partir de dados para fazer previsões, classificações ou tomar decisões, sem que todas as regras precisem ser programadas explicitamente. Em vez de definir manualmente cada regra, o sistema é treinado com exemplos e dados para identificar relações e melhorar seu desempenho em determinada tarefa.

Deep Learning (DL)

É uma área de Machine Learning que utiliza redes neurais com múltiplas camadas para aprender padrões complexos a partir de grandes volumes de dados. É especialmente útil para trabalhar com informações como imagens, áudio, vídeo e linguagem. Muitas das tecnologias atuais de IA Generativa são baseadas em Deep Learning.

Automation

É a execução automática de tarefas ou sequências de passos previamente definidos, com pouca ou nenhuma intervenção humana durante o processo. Uma automação normalmente funciona a partir de gatilhos, regras e ações, como abrir um chamado, alterar um status, disparar uma comunicação ou copiar dados entre sistemas. Automações tradicionais são determinísticas e baseadas em regras: quando determinada condição acontece, uma ação previamente configurada é executada. Elas não precisam de Inteligência Artificial e, sozinhas, não interpretam bem situações ambíguas nem decidem livremente o que fazer. A integração pode acontecer diretamente entre sistemas, por meio de APIs e ferramentas de automação, ou pela própria interface. RPA (Robotic Process Automation) é uma abordagem de automação que simula ações humanas na interface, como clicar, preencher campos e copiar informações, sendo especialmente útil em sistemas legados ou quando não existe uma integração via API.

AI Capability

É o menor bloco de competência de um sistema de IA que pode ser definido, testado, avaliado e evoluído de forma independente. Representa uma tarefa específica que o sistema precisa ser capaz de realizar para contribuir com uma experiência ou objetivo maior, como “detectar uma avaria em uma foto”, “consultar informações de um contrato” ou “redigir uma comunicação para o cliente”. Uma solução pode ser formada por várias capacidades combinadas. Cada capacidade pode utilizar uma abordagem tecnológica diferente, como regra determinística, automação, Machine Learning, IA Generativa, RAG, skill ou agente, de acordo com o tipo de problema, nível de incerteza e autonomia necessários. Tratar essas competências como capacidades separadas ajuda a tornar decisões de arquitetura e Produto mais explícitas: o que o sistema precisa fazer, qual abordagem é mais adequada, como essa capacidade será avaliada e o que pode ser substituído ou evoluído sem redesenhar toda a solução.

Capability Contract

É um artefato que especifica de forma objetiva como uma capacidade de IA deve funcionar antes de ser construída ou integrada ao sistema. Ele transforma uma capacidade, como “consultar contrato”, “detectar avaria” ou “redigir comunicação”, em um componente com responsabilidade, limites e critérios de qualidade claros. Um contrato de capacidade deve definir, no mínimo: nome e responsabilidade única, o que a capacidade faz e não faz, entradas e saídas esperadas, responsável pela capacidade, critérios de aceite e comportamento em caso de falha. A falha também faz parte do contrato: o sistema pode tentar novamente, degradar para uma alternativa mais simples, solicitar intervenção humana ou interromper o fluxo. A lógica vem da ideia de contratos de software: um componente não deve ser definido apenas pela tecnologia que utiliza, mas pelo comportamento que promete entregar para os outros componentes que dependem dele. Em sistemas de IA, isso é especialmente importante porque modelos podem apresentar variação, erros e mudanças de desempenho ao longo do tempo.

Copilot / AI Assistant

É um sistema de IA projetado para trabalhar ao lado de uma pessoa durante a execução de uma tarefa, oferecendo sugestões, gerando conteúdos, analisando informações ou executando ações a partir de comandos do usuário. O conceito de “copiloto” reforça que a pessoa continua conduzindo o processo, enquanto a IA amplia sua capacidade e reduz o esforço necessário para realizar determinadas atividades. Copilotos geralmente são integrados ao contexto em que o trabalho acontece, como uma ferramenta de desenvolvimento, editor de texto, CRM ou ambiente corporativo, e podem utilizar informações daquela atividade para produzir respostas mais relevantes. Dependendo da implementação, podem apenas sugerir uma próxima ação ou também executar tarefas após uma solicitação ou confirmação do usuário.

Agentic AI

É uma abordagem de Inteligência Artificial voltada à criação de sistemas capazes de perseguir objetivos com maior autonomia, planejando etapas, tomando decisões, utilizando ferramentas, executando ações e ajustando seu comportamento de acordo com os resultados obtidos. Em vez de apenas responder a um comando, como acontece em muitas aplicações de IA Generativa, um sistema agêntico pode operar em ciclos: entender o objetivo, planejar, agir, observar o resultado, avaliar e decidir o próximo passo. Para isso, pode combinar modelos de IA, memória ou estado, ferramentas, APIs, acesso a dados, regras e mecanismos de validação. IA Agêntica não significa autonomia ilimitada. O nível de autonomia é definido pelo próprio sistema e pelo contexto de uso. Em aplicações reais, é importante estabelecer permissões, limites de atuação, aprovações humanas, critérios de parada, monitoramento e mecanismos de segurança, principalmente quando a IA pode executar ações com impacto sobre usuários, dados ou sistemas.

Human-centered AI

É uma abordagem para criar e utilizar sistemas de Inteligência Artificial colocando necessidades, capacidades, direitos, segurança e objetivos das pessoas no centro das decisões de produto e tecnologia. Em vez de avaliar uma solução apenas pela capacidade ou desempenho do modelo, considera também como a IA afeta quem usa, quem é impactado e o contexto em que a decisão acontece. Na prática, envolve projetar sistemas que sejam úteis e compreensíveis, definir níveis adequados de autonomia, permitir supervisão ou intervenção humana quando necessário e avaliar possíveis erros, vieses e impactos. Isso não significa que uma pessoa precise aprovar todas as ações da IA, mas que o papel humano e o nível de controle sejam definidos de acordo com o risco e as consequências de cada contexto. A abordagem considera todo o ciclo de vida do produto, desde a definição do problema e escolha dos dados até testes, lançamento e monitoramento contínuo.

Generative AI (GenAI)

É um tipo de Inteligência Artificial capaz de gerar novos conteúdos a partir de padrões aprendidos durante seu treinamento. Pode criar textos, imagens, áudio, vídeo, código e outros formatos a partir de instruções ou informações fornecidas pelo usuário. Ferramentas como ChatGPT, Gemini e Claude são exemplos de aplicações baseadas em IA Generativa.

Predictive AI

É o uso de Inteligência Artificial para analisar dados históricos e atuais e estimar o que provavelmente acontecerá no futuro. Esses sistemas identificam padrões nos dados para gerar previsões, probabilidades ou classificações que podem apoiar decisões. É muito utilizada para antecipar comportamentos, riscos, demanda e outros eventos.

Artificial Intelligence (AI)

Inteligência Artificial (IA) é a área da computação dedicada à criação de sistemas capazes de realizar tarefas que normalmente exigiriam capacidades associadas à inteligência humana. Essas tarefas podem incluir aprender com dados, reconhecer padrões, compreender linguagem, resolver problemas, tomar decisões e gerar conteúdos. Por exemplo, sistemas de IA podem reconhecer rostos em fotografias, recomendar filmes, traduzir textos, identificar fraudes ou conversar com pessoas por meio de assistentes virtuais. Em termos simples: IA é a capacidade de uma máquina utilizar dados e algoritmos para executar tarefas de maneira que simule certos aspectos da inteligência humana.

Artificial General Intelligence (AGI)

Inteligência Artificial Geral (AGI) é um conceito de IA que descreve sistemas capazes de aprender, compreender, raciocinar e executar diferentes tipos de tarefas intelectuais, adaptando seus conhecimentos a novos contextos, em vez de serem especializados em uma única tarefa. Diferentemente da IA estreita (ANI), que é desenvolvida para funções específicas, a AGI teria uma capacidade mais ampla e generalizável, comparável à versatilidade da inteligência humana. Importante: a AGI ainda é um conceito e não existe consenso de que sistemas atuais tenham atingido esse nível.

AI Maturity

É o nível de capacidade de uma organização, time ou produto para adotar, desenvolver, operar e evoluir o uso de Inteligência Artificial de forma consistente e sustentável, transformando a tecnologia em resultados reais para usuários e para o negócio. Maturidade em IA vai além de utilizar ferramentas ou ter projetos de IA em andamento. Ela envolve diferentes dimensões, como estratégia, pessoas e competências, dados, tecnologia, processos, governança, segurança, experimentação, mensuração de resultados e capacidade de colocar soluções em produção e mantê-las ao longo do tempo. Uma organização com baixa maturidade pode ter iniciativas isoladas, experimentos e uso individual de ferramentas, mas pouca integração com a estratégia. Conforme a maturidade aumenta, a IA passa a fazer parte de processos, produtos e decisões de maneira mais estruturada, com responsabilidades, métricas, padrões de qualidade e mecanismos de governança definidos. Não existe uma escala universal de maturidade em IA. Diferentes frameworks utilizam dimensões e níveis próprios, por isso o nível de maturidade sempre deve ser interpretado de acordo com os critérios do modelo utilizado.

Generative vs. Discriminative Model

São duas abordagens de modelos de Machine Learning que aprendem padrões nos dados de maneiras diferentes. Um modelo generativo aprende características e padrões da distribuição dos dados e pode ser usado para gerar novas amostras ou conteúdos semelhantes aos dados aprendidos. Um modelo discriminativo aprende principalmente a diferenciar categorias ou estimar uma saída a partir de uma entrada, sendo muito usado para classificação e previsão.

Artificial Neural Network (ANN)

É um tipo de modelo de Machine Learning formado por camadas de unidades conectadas, chamadas neurônios artificiais, que processam informações e aprendem padrões a partir de dados. Durante o treinamento, a rede ajusta a importância dessas conexões para melhorar seus resultados. Sua estrutura foi originalmente inspirada, de forma simplificada, no funcionamento de redes de neurônios biológicos.

Deterministic System

É um sistema em que a mesma entrada, nas mesmas condições, produz sempre a mesma saída. Seu comportamento segue regras ou lógicas previamente definidas, tornando o resultado previsível e reproduzível.

Probabilistic System

É um sistema que trabalha com probabilidades e incerteza para produzir resultados. Em vez de seguir apenas regras fixas, ele pode avaliar diferentes possibilidades e atribuir probabilidades a cada uma delas. Por isso, dependendo do modelo e de sua configuração, entradas semelhantes podem levar a resultados diferentes.