Inteligência artificial (IA) é o ramo da computação que cria sistemas capazes de executar tarefas que antes exigiam inteligência humana: reconhecer uma imagem, entender uma frase, prever um risco, gerar um texto. A definição mais usada por governos é a da OCDE, atualizada em maio de 2024: um sistema de IA é um sistema baseado em máquina que, para objetivos explícitos ou implícitos, infere, a partir das entradas que recebe, como gerar resultados, como previsões, conteúdo, recomendações ou decisões, capazes de influenciar ambientes físicos ou virtuais.
A palavra-chave é "infere". Um programa comum segue regras escritas por alguém. Um sistema de IA, na maior parte dos casos atuais, aprende a relação a partir de exemplos e a aplica a situações que nunca viu. Os princípios de IA da OCDE contam com 47 aderentes, entre eles o Brasil e a União Europeia, e essa definição serviu de base para leis como o AI Act europeu.
Três sistemas reais e o que há dentro de cada um
A forma mais rápida de entender IA é olhar para produtos que funcionam hoje, cada um usando uma técnica diferente.
O filtro de spam: aprender com exemplos
Em fevereiro de 2019, o Google informou que novos modelos de machine learning passaram a bloquear cerca de 100 milhões de mensagens de spam a mais por dia no Gmail. Ninguém escreveu uma regra para cada golpe: os modelos aprenderam com milhões de e-mails marcados como spam ou não spam. Isso é aprendizado supervisionado, a técnica por trás de boa parte da IA que você usa sem perceber, explicada em o que é machine learning.
O carro autônomo: perceber, prever e decidir
O carro da foto é da Waymo, empresa do grupo Alphabet. Em outubro de 2026, a página oficial da empresa lista 15 regiões dos Estados Unidos com atendimento a passageiros, entre elas Phoenix, Los Angeles e a área da baía de San Francisco, e informa mais de 20 milhões de viagens realizadas. Por dentro, o sistema combina várias IAs: visão computacional para reconhecer pedestres e placas a partir de câmeras e sensores, modelos que preveem o que cada objeto vai fazer e um planejador que escolhe a trajetória.
O assistente de conversa: gerar texto
ChatGPT, Gemini e Claude usam grandes modelos de linguagem, treinados para prever o próximo pedaço de texto. Eles não consultam um banco de respostas prontas: geram cada resposta na hora, o que explica tanto a flexibilidade quanto os erros com aparência de certeza. O mecanismo está em como funcionam os LLMs, e o conceito mais amplo em IA generativa.
| Sistema | Técnica principal | O que ele faz | Erro típico |
|---|---|---|---|
| Filtro de spam | Machine learning supervisionado | Classifica | Mandar um boleto legítimo para o spam |
| Carro autônomo | Visão computacional, previsão e planejamento | Percebe e age no mundo físico | Interpretar mal uma situação rara no trânsito |
| Assistente de conversa | Modelo de linguagem (IA generativa) | Gera texto | Inventar uma citação ou uma data |
| Agente de IA | Modelo de linguagem com ferramentas | Executa tarefas em sistemas | Encadear um erro em vários passos |
O último tipo, que usa um modelo de linguagem para acionar ferramentas e executar tarefas, é o tema de agentes de IA.
Como as técnicas se encaixam
As técnicas formam camadas, uma dentro da outra:
- IA é o campo inteiro. Inclui até sistemas de regras escritas por especialistas, populares nos anos 1980.
- Machine learning é a parte da IA que aprende com dados, hoje dominante.
- Deep learning é o machine learning feito com redes neurais de muitas camadas. É ele que lida bem com imagem, voz e texto.
- IA generativa é o uso de deep learning para criar conteúdo novo.
Outra classificação olha para a capacidade. Todos os sistemas em uso são IA estreita: muito bons em tarefas específicas e frágeis fora delas. A IA geral (AGI), capaz de aprender qualquer tarefa intelectual humana, é um objetivo declarado de várias empresas, mas não há consenso científico sobre quando, ou se, vai existir.
Setenta anos em seis datas
- 31/8/1955: John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon assinam a proposta do workshop de Dartmouth, realizado em 1956, que usa o termo "inteligência artificial" e parte da conjectura de que todo aspecto da aprendizagem pode, em princípio, ser descrito com precisão suficiente para que uma máquina o simule.
- 1962: o programa de damas de Arthur Samuel, da IBM, que melhorava jogando contra si mesmo, vence o jogador Robert Nealey. Samuel cunhou o termo "machine learning".
- 1997: em maio, o Deep Blue, da IBM, vence o campeão mundial de xadrez Garry Kasparov em uma série de seis partidas.
- 2012: a rede neural profunda de Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton vence a competição de reconhecimento de imagens ImageNet e impulsiona a era do deep learning.
- 2017: pesquisadores do Google apresentam a arquitetura Transformer, base dos modelos de linguagem atuais.
- 2022: o lançamento do ChatGPT leva a IA generativa ao grande público.
Entre essas datas houve os "invernos da IA", períodos em que promessas não cumpridas secaram o financiamento. O salto dos anos 2010 veio da soma de três fatores: muito mais dados disponíveis, GPUs capazes de treinar redes grandes e melhorias nos algoritmos.
O tamanho do fenômeno em 2026
O AI Index 2026, relatório anual da Universidade Stanford, traz dois números que mostram a escala atual. A adoção de IA pelas organizações pesquisadas chegou a 88%. E a IA generativa alcançou 53% de adoção pela população em três anos, mais rápido do que o computador pessoal e a internet.
Uso não é sinônimo de resultado. Em junho de 2025, a consultoria Gartner previu que mais de 40% dos projetos de agentes de IA serão cancelados até o fim de 2027, por custo alto, valor pouco claro ou falta de controle de riscos. Para o uso no dia a dia profissional, com ganhos e cuidados, veja como usar inteligência artificial no trabalho.
Onde a IA ainda falha
- Situações fora do padrão: o desempenho cai quando o caso real se afasta dos exemplos de treino.
- Erros com cara de acerto: modelos de linguagem escrevem com a mesma fluência quando acertam e quando inventam.
- Vieses: dados que refletem desigualdades produzem sistemas que as repetem, em crédito, seleção de pessoal ou reconhecimento facial.
- Explicação: em redes neurais grandes, é difícil dizer por que uma decisão específica foi tomada.
- Privacidade: o que se digita em uma ferramenta pode ser guardado ou usado para treino, conforme a política do serviço.
Esses riscos são a base das regras que estão surgindo. No Brasil, a LGPD já garante revisão de decisões automatizadas, e o Marco Legal da IA segue em análise na Câmara; o quadro completo está em regulação da IA em 2026.
Perguntas frequentes
O corretor do celular e a recomendação da Netflix são IA?
Sim. Ambos usam modelos treinados com dados para prever a palavra ou o título mais provável para você. São exemplos de IA estreita, sem nenhuma relação com consciência ou intenção.
Todo produto anunciado "com IA" usa IA de verdade?
Não necessariamente. A Gartner, por exemplo, criticou em 2025 o "agent washing", a prática de rebatizar chatbots e automações comuns como agentes de IA. Pergunte o que o sistema faz exatamente, com que dados e quem revisa o resultado.
Robô e IA são a mesma coisa?
Não. Robô é a máquina física; IA é o software que pode ajudá-lo a perceber e decidir. Um braço industrial que repete o mesmo movimento é robô sem IA, e um filtro de spam é IA sem robô.
Preciso saber programar para trabalhar com IA?
Para usar assistentes prontos, não. Para treinar ou ajustar modelos, sim: Python, estatística e noções de álgebra linear são a base mais comum.
Fontes
- OCDE. Princípios de IA da OCDE (atualizados em maio de 2024).
- McCarthy, J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (31/8/1955).
- IBM. Early games: Samuel Checkers.
- Google Workspace Blog. Ridding Gmail of 100 million more spam messages with TensorFlow (6/2/2019).
- Waymo. Página oficial (consultada em outubro de 2026).
- Stanford HAI. AI Index Report 2026.
- Gartner. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25/6/2025).
- IBM. Deep Blue.
- Krizhevsky, A.; Sutskever, I.; Hinton, G. ImageNet Classification with Deep Convolutional Neural Networks (2012).
- Vaswani, A. et al. Attention Is All You Need (2017).
