O que é inteligência artificial e como ela funciona

Você abre o aplicativo de mapas e ele sugere a rota mais rápida. O e-mail separa sozinho o que é spam. A plataforma de vídeo escolhe o próximo conteúdo. Em muitos desses casos existe um sistema de inteligência artificial trabalhando, mesmo que ninguém avise.

O problema é que a expressão “inteligência artificial” virou rótulo para quase tudo, de assistentes que conversam a funções simples de aplicativo. Este texto organiza o assunto: o que o termo significa, de onde ele veio, como uma máquina “aprende” e onde estão os limites.

Uma definição sem ficção científica

A referência mais usada hoje por governos é a da Organização para a Cooperação e Desenvolvimento Econômico (OCDE). Na versão atualizada em novembro de 2023, um sistema de IA é um sistema baseado em máquina que, para objetivos explícitos ou implícitos, infere a partir da entrada que recebe como gerar saídas, como previsões, conteúdo, recomendações ou decisões, capazes de influenciar ambientes físicos ou virtuais. O texto acrescenta que esses sistemas operam com níveis variados de autonomia e de adaptação depois de colocados em uso (OECD.AI, 2023).

Vale ler essa definição devagar, porque ela diz mais pelo que deixa de fora:

• Não fala em consciência. O critério é funcional: receber dados e produzir uma saída útil.
• Os objetivos vêm de pessoas. Alguém decidiu o que o sistema deve prever ou recomendar.
• A saída tem efeito. Uma recomendação muda o que você assiste; uma decisão de crédito muda a vida de alguém.
• Autonomia é uma escala. Há sistemas que só sugerem e outros que agem sozinhos.

O Instituto Nacional de Padrões e Tecnologia dos Estados Unidos (NIST) usa uma definição adaptada da mesma base da OCDE em seu Marco de Gestão de Riscos de IA, publicado em janeiro de 2023 (NIST AI 100-1). Na prática, isso significa que órgãos técnicos de países diferentes tratam IA como uma categoria de sistema, não como uma mente.

De onde veio o nome

O termo aparece em uma proposta de pesquisa datada de 31 de agosto de 1955, assinada por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, para um encontro de verão no Dartmouth College (proposta de Dartmouth).

O documento partia de uma aposta: a de que todo aspecto do aprendizado ou de qualquer outra característica da inteligência poderia, em princípio, ser descrito com tanta precisão que uma máquina conseguiria simulá-lo (tradução livre da redação). Sete décadas depois, essa aposta continua aberta. O que mudou foi o caminho para chegar perto dela.

Regras escritas ou padrões aprendidos

Existem duas formas básicas de fazer um computador tomar uma decisão “inteligente”.

A primeira é escrever regras. Imagine um filtro de spam programado assim: se a mensagem contém “ganhe dinheiro rápido”, mande para a lixeira. Funciona até o remetente trocar a frase. Cada exceção exige uma regra nova, e a lista cresce sem fim.

A segunda é deixar o sistema descobrir as regras sozinho a partir de exemplos. Esse é o campo do aprendizado de máquina (machine learning), que a documentação do Google descreve como o processo de treinar um software, chamado modelo, para fazer previsões úteis ou gerar conteúdo a partir de dados (Google for Developers).

No caso do filtro, em vez de escrever regras, você mostra ao modelo milhares de mensagens já marcadas como “spam” ou “não spam”. Ele encontra sozinho as combinações de palavras, remetentes e formatos que separam um grupo do outro. Quase tudo que hoje se chama de IA no dia a dia segue esse segundo caminho.

Como um modelo aprende, passo a passo

O treinamento parece misterioso, mas a lógica cabe em quatro etapas.

1. Dados com respostas. No chamado aprendizado supervisionado, o modelo recebe exemplos com a resposta certa já indicada: fotos rotuladas, e-mails classificados, casas com preço de venda conhecido.

2. Um palpite inicial. O modelo é uma relação matemática com muitos números ajustáveis, chamados parâmetros ou pesos. No começo, esses valores não sabem nada, e os palpites saem ruins.

3. Medir o erro. Para cada exemplo, compara-se o palpite com a resposta certa. A diferença vira um número chamado perda (loss): quanto maior, pior o modelo está indo.

4. Ajustar um pouco e repetir. Uma técnica chamada descida do gradiente calcula em que direção mudar cada peso para reduzir a perda e dá um pequeno passo nessa direção. O processo se repete até que novos passos deixem de melhorar o resultado de forma relevante (Google for Developers).

Uma imagem ajuda: é como descer uma montanha no nevoeiro. Você não vê o vale, mas sente a inclinação do chão e dá um passo para baixo de cada vez.

Depois de treinado, o modelo é usado em dados novos. Essa fase de uso se chama inferência, a mesma palavra que aparece na definição da OCDE. Treinar costuma ser caro e acontecer poucas vezes; inferir acontece a cada pergunta que você faz.

Outras formas de aprender

Nem todo problema vem com respostas prontas. Por isso existem outras famílias de aprendizado (Google for Developers):

• Aprendizado não supervisionado: o modelo procura padrões em dados sem rótulo, como agrupar clientes com comportamento parecido.
• Aprendizado por reforço: o modelo age em um ambiente e recebe recompensas ou penalidades, ajustando a estratégia com base nesse retorno.
• IA generativa: modelos que criam conteúdo novo, como texto, imagem ou áudio, a partir de uma entrada do usuário. O tema tem um texto próprio: IA generativa: como modelos criam texto, imagem e código.

Redes neurais e aprendizado profundo

Muitos problemas reais não têm padrões simples. A relação entre os pixels de uma foto e a palavra “gato” não é uma linha reta. As redes neurais são uma família de modelos feita justamente para encontrar padrões não lineares nos dados (Google for Developers).

Uma rede neural organiza seus pesos em camadas. Cada camada transforma a informação recebida e passa o resultado adiante. Durante o treinamento, um algoritmo chamado retropropagação (backpropagation) distribui a responsabilidade pelo erro entre as camadas, para que todas sejam ajustadas. Quando há muitas camadas, fala-se em aprendizado profundo (deep learning).

Essa abordagem ganhou reconhecimento fora da computação. Segundo o AI Index 2025, da Universidade Stanford, dois prêmios Nobel de 2024 reconheceram trabalhos ligados à IA: o de Física, por fundamentos do aprendizado profundo, e o de Química, por previsão da estrutura de proteínas (Stanford HAI, AI Index 2025).

Em 2017, pesquisadores apresentaram uma arquitetura de rede chamada Transformer, baseada em um mecanismo de atenção que permite ao modelo relacionar partes distantes de uma sequência (Vaswani et al., 2017). Ela se tornou a base dos grandes modelos de linguagem, explicados em O que são LLMs.

A IA que você já usa

Boa parte da IA não tem cara de assistente. Ela aparece como recomendação de produto, correção automática do teclado, tradução, legenda gerada para um vídeo, detecção de fraude no cartão ou desbloqueio facial do celular.

Alguns números ajudam a dimensionar o alcance, sempre com a data da informação:

• O AI Index 2025 registra que a agência reguladora americana FDA aprovou 223 dispositivos médicos com IA em 2023, contra seis em 2015 (Stanford HAI, AI Index 2025).
• O AI Index 2026 informa que a adoção de IA por organizações chegou a 88% e que a indústria produziu mais de 90% dos modelos de fronteira considerados notáveis em 2025 (Stanford HAI, AI Index 2026).

O segundo dado tem uma consequência prática: os sistemas mais avançados hoje são, em grande parte, produtos de empresas, e não de universidades ou governos. Isso influencia o que é publicado sobre eles e o que fica em segredo comercial.

O que a IA não é

Entender como o modelo aprende ajuda a entender como ele falha.

Ele aprende com os dados que recebeu. Se os exemplos de treino forem incompletos ou enviesados, o modelo reproduz o problema. Ele não tem como saber o que ficou de fora.

Ele pode falhar fora das condições de treino. O marco do NIST, de uso voluntário, recomenda documentar os limites de generalização de um sistema, ou seja, o quanto ele funciona fora das condições em que foi desenvolvido (NIST AI 100-1). O mesmo documento lista as características de uma IA confiável: válida e confiável; segura; protegida e resiliente; responsável e transparente; explicável e interpretável; com privacidade reforçada; e justa, com vieses prejudiciais controlados.

A capacidade é irregular. Um modelo pode ser excelente em uma tarefa difícil e errar outra que parece simples. O AI Index 2025 aponta que modelos com bom desempenho em problemas de olimpíada de matemática ainda tinham dificuldade em testes de planejamento complexo. O AI Index 2026 cita que o melhor modelo avaliado acertava a leitura de relógios analógicos em 50,1% das vezes (Stanford HAI, AI Index 2026).

Fluência não é garantia de verdade. Modelos que geram texto podem produzir respostas convincentes e erradas. Os motivos estão em Alucinações de IA, e um método para conferir resultados está em Como avaliar respostas de IA.

Na avaliação da redação, a postura mais útil é tratar a IA como uma ferramenta estatística poderosa: ótima para acelerar trabalho, mas que precisa de alguém que saiba conferir o resultado quando ele importa.

O que levar deste texto

• IA é uma categoria de sistema. Pelas definições da OCDE e do NIST, é um sistema que, a partir de entradas, gera previsões, conteúdos, recomendações ou decisões com algum grau de autonomia.
• Quase toda IA atual aprende com dados. Um modelo começa errando, mede o próprio erro e ajusta seus pesos aos poucos até errar menos.
• Redes neurais profundas e o Transformer explicam boa parte do salto recente, inclusive dos assistentes que conversam.
• Os limites vêm do próprio método. Dados ruins, situações fora do treino e capacidade irregular fazem a verificação humana continuar necessária.