# Glossário de inteligência artificial para empresários: o que significa cada termo?

> Para conversar sobre IA na empresa, o dono precisa de cerca de 40 termos, divididos em seis grupos: fundamentos, uso no dia a dia, conexão com os dados da empresa, automação e agentes, segurança e dados, e medida. Este glossário explica cada um em linguagem de gestão e diz o que ele muda na prática.

Autor: Marcelo Tebet (Fundador da Vinq)  
Publicado em: 2026-10-30  
Endereço: https://vinqconsulty.com.br/blog/glossario-de-inteligencia-artificial

Em uma reunião sobre IA, um fornecedor fala em LLM, RAG, agente e integração via API. Você entende metade, concorda com a cabeça e sai sem saber se a proposta resolve o problema da empresa ou só usa as palavras do momento.

O dono não precisa saber programar. Precisa entender os termos o suficiente para fazer a pergunta certa, recusar a proposta errada e cobrar o resultado.

Este glossário reúne os termos que aparecem em reuniões, propostas e notícias sobre IA, organizados em seis grupos. Cada um tem uma definição curta e uma linha sobre o que ele muda na sua empresa.

## Fundamentos

### Inteligência artificial (IA)

Área da computação que cria sistemas capazes de realizar tarefas que antes exigiam julgamento humano: reconhecer padrões, classificar, prever, escrever, resumir.

Na prática: "IA" é um nome amplo. Quando alguém oferecer IA, pergunte qual tarefa ela vai fazer e em qual processo da empresa.

### Machine learning (aprendizado de máquina)

Técnica em que o sistema aprende padrões a partir de exemplos, em vez de seguir regras escritas uma a uma. É a base da maior parte da IA atual.

Na prática: previsão de demanda, análise de crédito e detecção de fraude costumam usar machine learning, e dependem de histórico de dados organizado.

### IA generativa

Tipo de IA que produz conteúdo novo: texto, imagem, áudio, vídeo, código. ChatGPT, Claude e Gemini são exemplos de IA generativa de texto.

Na prática: é a IA que o dono já usa no dia a dia. Ela escreve e resume muito bem, e erra com a mesma segurança com que acerta.

### LLM (modelo de linguagem de grande escala)

Sigla em inglês para large language model: o modelo treinado com um volume enorme de texto que está por trás dos assistentes de IA. GPT, Claude e Gemini são famílias de LLMs.

Na prática: o LLM é o motor; o assistente é o carro. Duas empresas podem usar o mesmo LLM e entregar resultados muito diferentes, dependendo do contexto e das instruções.

### Modelo

O sistema de IA já treinado, pronto para uso. As empresas de IA lançam versões novas de seus modelos com frequência, cada uma com custo, velocidade e qualidade diferentes.

Na prática: o modelo mais caro nem sempre é o melhor para a sua tarefa. Para resumir e-mails, um modelo menor e mais rápido resolve.

### Treinamento

Processo em que o modelo aprende com um grande volume de dados antes de ser disponibilizado. Depois de treinado, ele não aprende sozinho com as suas conversas do dia a dia.

Na prática: se a IA "não conhece a sua empresa", não é porque ela não foi treinada o suficiente. É porque ninguém deu a ela o contexto.

### Data de corte

A data até a qual o modelo recebeu informações no treinamento. O que aconteceu depois dela, ele não sabe, a menos que pesquise na internet ou receba a informação na conversa.

Na prática: para preço, lei, norma e notícia recente, confira a fonte. A IA pode responder com uma informação desatualizada sem avisar.

### Multimodal

Modelo que trabalha com mais de um tipo de conteúdo ao mesmo tempo: lê texto, interpreta imagem, ouve áudio, analisa uma tabela em PDF.

Na prática: dá para fotografar um quadro de reunião, uma nota fiscal ou um gráfico e pedir a leitura.

## Uso no dia a dia

### Assistente de IA (chatbot)

O produto em que você conversa com a IA: ChatGPT, Claude, Gemini, Copilot. Funciona por mensagens, no navegador, no computador ou no celular.

Na prática: é o ponto de partida mais barato. A maior parte das empresas já paga por um e usa pouco do que ele faz.

### Prompt

O texto que você envia à IA: a pergunta, o pedido ou a instrução.

Na prática: um prompt de uma linha gera uma resposta de manual. A qualidade da resposta acompanha a qualidade do pedido.

### Instrução

Um prompt completo, que diz à IA o objetivo, o papel que ela deve assumir, o critério de uma boa resposta e o formato de entrega. Também chamada de engenharia de prompt quando vira prática estruturada.

Na prática: "Me ajuda com a reunião" é pergunta. "Prepare a pauta de 45 minutos com a equipe comercial para decidir onde concentrar esforço até o fim do mês, em cinco itens com tempo" é instrução.

### Contexto

Tudo o que a IA sabe sobre a situação no momento da resposta: quem é a empresa, o que ela vende, quais são as metas, o que você já decidiu, os documentos anexados.

Na prática: resposta genérica não é ferramenta ruim. É pergunta sem contexto.

### Janela de contexto

O limite de quanto conteúdo o modelo consegue considerar de uma vez, somando a conversa, os documentos e a resposta. É medida em tokens.

Na prática: em conversas muito longas, a IA começa a "esquecer" o que foi dito no início. Para trabalho contínuo, guarde o contexto em um Projeto em vez de depender de uma conversa infinita.

### Token

A unidade que o modelo usa para ler e escrever texto. Um token é um pedaço de palavra; em português, uma palavra costuma ocupar mais de um token.

Na prática: quando a empresa usa IA por API, a cobrança é por token. Documento maior e resposta mais longa custam mais.

### Projeto (espaço de trabalho)

Recurso de assistentes como Claude e ChatGPT que guarda instruções e arquivos válidos para todas as conversas de um mesmo tema.

Na prática: você explica a empresa uma vez e o assistente passa a considerar esse contexto em cada pedido feito ali.

### Alucinação

Quando a IA apresenta como fato algo que não é verdadeiro: um número, uma lei, um julgado, uma referência que não existe. Ela não "mente"; ela gera o texto mais provável, e o mais provável nem sempre é o correto.

Na prática: nada que tenha número, nome, citação ou valor vai para um cliente ou para uma decisão sem conferência na fonte.

### Viés

Tendência do modelo de repetir distorções presentes nos dados com que foi treinado, por exemplo em descrições de perfis profissionais ou na avaliação de candidatos.

Na prática: em decisões sobre pessoas, como seleção e avaliação, a IA apoia a análise, mas o critério e a decisão final ficam com quem responde por ela.

## Conexão com os dados da empresa

### Base de conhecimento

O conjunto organizado de documentos da empresa que a IA pode consultar: manuais, políticas, tabela de preços, perguntas frequentes, contratos modelo.

Na prática: a IA só responde bem sobre a empresa quando essa base existe e está atualizada. Documento desatualizado gera resposta desatualizada.

### RAG (geração aumentada por recuperação)

Sigla em inglês para retrieval-augmented generation: técnica em que o sistema busca os trechos relevantes na base de conhecimento antes de responder e usa esses trechos como fonte.

Na prática: é o que permite um atendimento com IA responder com a política de troca da sua loja, e não com uma política genérica da internet.

### Embedding

Forma de converter um texto em números que representam o seu significado, para que o sistema encontre conteúdos parecidos mesmo quando as palavras são diferentes. É uma das peças que fazem o RAG funcionar.

Na prática: você não precisa lidar com embeddings. Precisa saber que a busca da IA nos documentos depende de como eles foram preparados.

### API

Sigla em inglês para interface de programação de aplicações: a porta pela qual um sistema conversa com outro. As empresas de IA oferecem seus modelos por API para que outros sistemas usem.

Na prática: quando alguém propõe "integrar a IA ao seu sistema", quase sempre é por API. O custo passa a ser por uso, não por assinatura mensal fixa.

### Integração

Ligação entre a IA e os sistemas que a empresa já usa: ERP, CRM, planilhas, e-mail, WhatsApp.

Na prática: integração tira o trabalho de copiar e colar. Também amplia o que a IA acessa, então exige definir permissões antes.

### Conector e MCP

Conector é a ligação pronta entre um assistente de IA e outro serviço, como Google Drive, e-mail ou agenda. MCP (Model Context Protocol) é um padrão aberto, lançado pela Anthropic em 2024, para conectar assistentes de IA a sistemas e fontes de dados de forma padronizada.

Na prática: com um conector, o assistente lê a sua agenda ou a pasta de propostas sem você anexar arquivo por arquivo.

### Fine-tuning (ajuste fino)

Treinar um modelo já pronto com exemplos específicos da empresa, para que ele adote um estilo, um formato ou um vocabulário próprio.

Na prática: para a maior parte das empresas tradicionais, contexto bem escrito e RAG resolvem antes de qualquer ajuste fino, que é mais caro e exige mais dados.

## Automação e agentes

### Caso de uso

Uma tarefa específica da operação em que a IA é aplicada, com começo, fim e resultado esperado. Exemplo: classificar os pedidos que chegam por e-mail e registrar no sistema.

Na prática: projeto de IA sem caso de uso definido vira assinatura sem dono. Comece pela tarefa, não pela ferramenta.

### Automação

Sequência de passos que roda sozinha seguindo regras fixas: quando chega um pedido, gerar a proposta, enviar ao cliente e avisar o vendedor.

Na prática: automatizar um processo bagunçado só acelera a bagunça. O processo precisa estar mapeado antes.

### Agente de IA

Sistema que recebe um objetivo e decide sozinho os passos para alcançá-lo: pesquisa, usa ferramentas, consulta sistemas, executa ações e verifica o resultado.

Na prática: a diferença para a automação é a decisão. A automação segue o roteiro; o agente escolhe o roteiro. Por isso o agente exige limites claros do que pode e do que não pode fazer.

### Fluxo de trabalho (workflow)

A sequência de etapas de um processo, com quem faz o quê e em que ordem. Em IA, é o desenho de onde a ferramenta entra e onde uma pessoa revisa.

Na prática: desenhe o fluxo no papel antes de contratar qualquer automação. Se ninguém consegue descrever o processo, ninguém consegue automatizá-lo.

### Revisão humana (human in the loop)

Ponto do fluxo em que uma pessoa confere ou aprova o que a IA produziu antes de seguir. A expressão em inglês, human in the loop, aparece muito em propostas.

Na prática: defina onde a revisão é obrigatória. Mensagem ao cliente, valor financeiro e decisão sobre pessoas são bons candidatos.

### Copiloto

IA embutida dentro de uma ferramenta que você já usa, como planilha, editor de texto ou sistema de gestão, para sugerir e completar o trabalho ali mesmo.

Na prática: antes de contratar uma ferramenta nova, veja se o sistema que a empresa já usa oferece esse recurso.

## Segurança e dados

### LGPD

A Lei Geral de Proteção de Dados (Lei 13.709/2018), que regula o uso de dados pessoais no Brasil. Vale também para os dados que a empresa coloca em ferramentas de IA.

Na prática: dado de cliente e de colaborador não entra em ferramenta de IA sem regra definida.

### Dado pessoal e dado sensível

Dado pessoal é qualquer informação que identifique uma pessoa, como nome, CPF, telefone e endereço. Dado sensível é a categoria que a LGPD protege com mais rigor, como saúde, origem racial, religião e biometria.

Na prática: a regra mais simples é não colar dado sensível em assistente de IA.

### Anonimização

Retirar ou trocar os dados que identificam pessoas antes de usar um texto. "Maria Souza, CPF tal" vira "a cliente, pessoa física".

Na prática: a análise quase nunca depende do nome. Anonimizar leva segundos e resolve boa parte do risco.

### Política de uso de IA

Documento curto que define quais ferramentas a empresa usa, em qual plano, o que pode entrar, o que nunca entra e quem revisa o quê.

Na prática: uma página resolve. Sem ela, cada colaborador decide sozinho o que colar na ferramenta.

### Shadow AI (IA na sombra)

Uso de ferramentas de IA pela equipe sem conhecimento ou autorização da empresa, em contas pessoais.

Na prática: proibir sem oferecer alternativa empurra o uso para as contas pessoais. Melhor definir a ferramenta oficial e as regras.

### Treinamento com os seus dados

Configuração que define se as conversas podem ser usadas pela empresa de IA para treinar novos modelos. Nos planos individuais, costuma ser uma opção nas configurações de privacidade; planos para empresas seguem termos comerciais próprios.

Na prática: revise essa configuração antes de usar a ferramenta com qualquer informação da empresa.

## Medida e decisão

### Linha de base

A medida de como a tarefa funciona hoje, antes da IA: tempo gasto, volume, erros, retrabalho.

Na prática: sem linha de base, não existe antes e depois. Existe impressão.

### Piloto

Teste de um caso de uso em escala pequena, com prazo e critério de sucesso definidos antes de começar.

Na prática: piloto sem critério de sucesso nunca termina. Defina antes o número que faz o piloto virar operação.

### ROI de IA

Retorno sobre o investimento em IA: o ganho medido (tempo, custo, receita, erro evitado) comparado com o que foi gasto em ferramenta, implementação e horas da equipe.

Na prática: ROI de IA se mede por caso de uso, não pela empresa inteira de uma vez.

### Benchmark

Teste padronizado usado para comparar o desempenho de modelos de IA em tarefas como raciocínio, programação ou matemática.

Na prática: benchmark mede o modelo em laboratório. O que importa para a empresa é o desempenho na sua tarefa, com o seu contexto.

### Modelo aberto e modelo fechado

Modelo aberto tem os pesos disponíveis para qualquer empresa baixar e rodar no próprio servidor. Modelo fechado só é acessado pelo produto ou pela API da empresa que o criou.

Na prática: modelo aberto dá mais controle sobre onde os dados ficam, mas exige estrutura técnica para rodar e manter.

### GEO e AEO

GEO (otimização para motores generativos) e AEO (otimização para motores de resposta) são práticas para que a empresa seja citada quando alguém pergunta a uma IA sobre o seu mercado, e não só encontrada no Google.

Na prática: o cliente já pergunta ao ChatGPT qual fornecedor contratar. Conteúdo que responde perguntas reais, com autoria clara, aumenta a chance de a sua empresa aparecer na resposta.

## Como usar este glossário

Você não precisa decorar os 42 termos. Precisa reconhecer cinco deles quando aparecerem em uma proposta: caso de uso, contexto, integração, revisão humana e linha de base. Se a proposta não deixa claro qual é o caso de uso, onde a pessoa revisa e como o resultado será medido, o problema não está no seu vocabulário. Está na proposta.

Se você quer saber onde a IA pode rodar na sua operação, o diagnóstico de operação da Vinq é gratuito. São dez perguntas, cerca de sete minutos.

[Fazer o diagnóstico de operação](https://vinqconsulty.com.br/diagnostico-operacao)

## Pontos principais

- IA generativa, LLM e assistente de IA são camadas diferentes: o tipo de tecnologia, o modelo e o produto que você usa.
- Contexto, instrução e janela de contexto explicam a maior parte da diferença entre uma resposta genérica e uma resposta útil.
- RAG, conector e integração são formas de a IA usar os dados da empresa sem que alguém cole tudo a cada conversa.
- Automação segue regras fixas; agente de IA decide os passos. Os dois exigem processo mapeado antes.
- Alucinação, anonimização e política de uso são os termos que mais protegem o dono de um problema.
- Linha de base e caso de uso são os termos que separam "acho que ajudou" de resultado medido.

## Perguntas frequentes

### Qual a diferença entre IA, IA generativa e LLM?

IA é a área inteira. IA generativa é o tipo de IA que produz conteúdo novo, como texto e imagem. LLM é o modelo de linguagem que faz a IA generativa de texto funcionar, como GPT, Claude e Gemini.

### Qual a diferença entre automação e agente de IA?

A automação segue regras fixas definidas por alguém. O agente de IA recebe um objetivo e decide os passos para chegar a ele. Os dois exigem processo mapeado e limites claros.

### O que é alucinação de IA?

É quando a IA apresenta como fato algo que não é verdadeiro, como um número, uma lei ou uma referência inexistente. Por isso, tudo que tem número, nome ou citação precisa ser conferido na fonte antes de ser usado.

### O que é RAG?

É a técnica em que a IA busca trechos nos documentos da empresa antes de responder e usa esses trechos como fonte. É o que permite respostas baseadas na política, no catálogo ou no manual da própria empresa.

### O que é um prompt?

É o texto que você envia à IA. Quando inclui objetivo, papel, critério e formato, vira uma instrução completa e a resposta fica muito mais útil.

### Preciso saber todos esses termos para usar IA na empresa?

Não. Para começar, cinco bastam: caso de uso, contexto, integração, revisão humana e linha de base. Eles respondem o que a IA vai fazer, com que informação, ligada a quê, com quem conferindo e como medir.

## Fontes

- [Planalto: Lei Geral de Proteção de Dados, Lei 13.709/2018](https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm)
- [Anthropic: anúncio do Model Context Protocol (MCP)](https://www.anthropic.com/news/model-context-protocol)

---

A Vinq implementa o que precisa rodar na operação e ensina o dono a conduzir. Diagnóstico gratuito de operação: https://vinqconsulty.com.br/diagnostico-operacao
