IA generativa: como modelos criam texto, imagem e código

Você descreve uma cena e recebe uma imagem que nunca existiu. Pede um e-mail e ele aparece pronto. Cola um trecho de código com erro e recebe uma correção. Tudo isso é IA generativa, a parte da inteligência artificial que cria conteúdo em vez de apenas classificar ou prever.

A adoção foi rápida. Segundo o AI Index 2026, da Universidade Stanford, a IA generativa chegou a 53% de adoção pela população em três anos, ritmo mais rápido que o do computador pessoal ou da internet, com variação grande entre países (Stanford HAI, AI Index 2026).

Este texto explica o que esses sistemas fazem por dentro, por que a mesma pergunta pode gerar respostas diferentes e onde estão os riscos. Se você ainda não leu o básico sobre como um modelo aprende, comece por O que é inteligência artificial.

O que torna uma IA “generativa”

A maior parte dos sistemas de IA tradicionais responde perguntas fechadas. Um filtro de spam diz “sim” ou “não”. Um modelo de crédito devolve uma nota. A saída é uma escolha entre opções conhecidas.

Um modelo generativo devolve algo novo: um texto, uma imagem, um som. A documentação do Google descreve a IA generativa como uma classe de modelos que cria conteúdo a partir de uma entrada do usuário (Google for Developers).

O perfil de IA generativa publicado pelo NIST em julho de 2024 usa uma definição mais técnica, tirada de uma ordem executiva americana de 2023: a classe de modelos que imitam a estrutura e as características dos dados de entrada para gerar conteúdo sintético derivado, como imagens, vídeos, áudio e texto (NIST AI 600-1).

A palavra importante é “imitar a estrutura”. O modelo não guarda uma pasta de respostas prontas para copiar. Ele aprende como os dados costumam ser e gera exemplos novos que seguem esse padrão.

A ideia central: aprender como os dados costumam ser

Pense em todas as fotos de rosto já tiradas. Elas variam muito, mas não ao acaso: olhos ficam acima do nariz, a pele tem textura, a luz cria sombras coerentes. Esse conjunto de regularidades é o que os pesquisadores chamam de distribuição dos dados: a descrição de quais combinações são comuns, raras ou impossíveis.

O artigo que apresentou as redes adversárias generativas, em 2014, resume o objetivo assim: treinar um modelo que “capture a distribuição dos dados” (tradução livre) (Goodfellow et al., 2014). Gerar, então, é sortear um exemplo novo dessa distribuição aprendida. Um rosto que ninguém tem, mas que parece plausível.

Cada tipo de conteúdo tem técnicas próprias para fazer esse sorteio. As duas famílias mais importantes hoje são a geração pedaço por pedaço, usada em texto, áudio e código, e a remoção gradual de ruído, comum em imagens.

Texto: prever o próximo pedaço

Modelos de linguagem trabalham com tokens, pedaços de texto que podem ser uma palavra, parte de uma palavra ou um sinal de pontuação. O assunto é detalhado em Tokens em modelos de IA.

A geração é autorregressiva: o modelo olha o texto até ali, calcula a probabilidade de cada token possível vir em seguida, escolhe um, acrescenta ao texto e repete. Um parágrafo inteiro é o resultado de centenas dessas escolhas em sequência.

Dois trabalhos explicam por que isso passou a funcionar tão bem:

• A arquitetura Transformer, de 2017, usa um mecanismo de atenção para relacionar cada parte do texto com todas as outras, sem precisar ler palavra por palavra em ordem (Vaswani et al., 2017).
• O GPT-3, de 2020, mostrou que um modelo autorregressivo com 175 bilhões de parâmetros conseguia executar tarefas novas apenas com instruções e alguns exemplos escritos no próprio pedido, sem novo treinamento (Brown et al., 2020). É daí que vem boa parte da prática de engenharia de prompts.

Para entender esses modelos em detalhe, veja O que são LLMs.

Por que a mesma pergunta gera respostas diferentes

Se o modelo sempre escolhesse o token mais provável, o texto seria previsível. Na prática, isso também deixa o texto pior. Um estudo de 2019 mostrou que escolher sempre a opção de maior probabilidade produz texto “sem graça e estranhamente repetitivo” (tradução livre) e propôs sortear apenas entre as opções que concentram a maior parte da probabilidade, descartando a cauda de escolhas improváveis (Holtzman et al., 2019).

O mesmo estudo mostra que a estratégia de escolha, chamada decodificação, muda muito a qualidade do resultado, mesmo com o mesmo modelo. É por isso que você pode fazer a mesma pergunta duas vezes e receber respostas diferentes. Há um sorteio controlado em cada passo.

Imagens: do jogo de falsificador ao ruído controlado

As redes adversárias generativas (GANs, na sigla em inglês) foram propostas em 2014. Elas treinam dois modelos ao mesmo tempo: um gerador, que cria imagens, e um discriminador, que tenta distinguir imagens reais das falsas. Os autores descrevem o processo como um jogo de dois jogadores (Goodfellow et al., 2014). O gerador melhora porque precisa enganar um adversário que também melhora.

Outra família, a dos modelos de difusão, segue um caminho diferente. A ideia é contraintuitiva:

1. No treino, você pega imagens reais e adiciona ruído aos poucos, até virar estática.
2. O modelo aprende a fazer o caminho inverso: dado um pouco de ruído, prever como remover uma parte dele.
3. Na geração, ele parte de ruído puro e remove o ruído passo a passo até surgir uma imagem.

Um artigo de 2020 mostrou que essa abordagem gerava imagens de alta qualidade (Ho, Jain e Abbeel, 2020). Em seguida, outro grupo propôs fazer a difusão em um espaço comprimido, chamado espaço latente, em vez de pixel por pixel. Segundo os autores, isso reduz bastante o custo computacional. O mesmo trabalho usa camadas de atenção para que a geração siga uma condição, como um texto descritivo (Rombach et al., 2021). É essa combinação que permite pedir “um farol na praia ao pôr do sol” e receber a cena.

Áudio: o som também vira token

Áudio pode ser tratado de forma parecida com texto. No AudioLM, pesquisadores converteram gravações em tokens discretos e trataram a geração de som como um problema de modelagem de linguagem: prever o próximo token de áudio (Borsos et al., 2022).

Segundo o artigo, o modelo, a partir de um trecho curto de fala, gerava continuações plausíveis mantendo a identidade e o ritmo de quem falava, mesmo sem transcrição. Ele também continuava trechos de piano de forma coerente. A capacidade de imitar uma voz a partir de poucos segundos é útil para acessibilidade e dublagem, mas também facilita golpes com voz falsificada.

Código: um tipo especial de texto

Para um modelo de linguagem, código-fonte é texto com regras rígidas. Em 2021, pesquisadores apresentaram o Codex, um modelo GPT ajustado com código público do GitHub, e o teste HumanEval, que verifica se o programa gerado realmente funciona (Chen et al., 2021).

Os números mostram como a técnica de amostragem importa. No HumanEval, o Codex resolveu 28,8% dos problemas com uma tentativa. Com 100 tentativas por problema, a taxa subiu para 70,2%. O GPT-3, sem treino específico em código, resolveu 0%. São dados de 2021: modelos posteriores avançaram muito, e o AI Index 2026 registra que o desempenho em outro teste de programação, o SWE-bench Verified, passou de 60% para perto de 100% em um ano (Stanford HAI, AI Index 2026).

O próprio artigo do Codex discute questões de segurança e impactos econômicos da geração de código. Código gerado pode compilar, passar em testes simples e ainda assim conter falhas. A revisão humana continua sendo parte do trabalho.

O que muda quando a máquina cria

Um classificador que erra devolve uma categoria errada. Um gerador que erra devolve um texto, uma imagem ou uma voz convincente e errada. Por isso o NIST lista riscos que são novos ou ampliados pela IA generativa (NIST AI 600-1). Alguns dos mais relevantes para quem usa essas ferramentas:

• Confabulação: conteúdo falso apresentado com confiança, o que se costuma chamar de alucinação. Veja Alucinações de IA.
• Integridade da informação: fica mais barato produzir conteúdo que não distingue fato de opinião ou ficção, inclusive em campanhas de desinformação.
• Privacidade de dados: risco de vazamento ou uso indevido de informações pessoais.
• Propriedade intelectual: facilidade para reproduzir conteúdo protegido sem autorização.
• Viés e homogeneização: amplificação de vieses presentes nos dados e respostas parecidas demais entre si.
• Configuração humano-IA: confiança excessiva no sistema ou tratá-lo como se fosse uma pessoa.
• Impacto ambiental: alto consumo de recursos computacionais no treino e no uso.

Como usar com critério

As recomendações abaixo são da redação, baseadas nos riscos descritos acima:

• Confira fatos, números e citações em uma fonte primária antes de repetir. O método está em Como avaliar respostas de IA.
• Dê contexto confiável quando a precisão importa. Fornecer documentos ao modelo reduz a dependência da memória dele; veja como funciona o RAG.
• Não cole dados sensíveis de clientes, saúde ou finanças em ferramentas cuja política de uso você não conhece.
• Revise código gerado como revisaria o de um colega novo: teste, leia e verifique dependências.
• Desconfie de áudio e vídeo inesperados pedindo dinheiro ou dados, mesmo com voz conhecida.

O que levar deste texto

• Gerar é sortear de um padrão aprendido. O modelo aprende como os dados costumam ser e produz exemplos novos parecidos com eles.
• Texto, áudio e código costumam ser gerados token por token; imagens costumam surgir de ruído removido aos poucos, guiadas por um texto.
• A variação é intencional. O sorteio controlado em cada passo melhora a qualidade e explica por que as respostas mudam.
• Fluência não é verdade. O conteúdo gerado precisa de conferência proporcional ao que está em jogo.