Glossário de IA pro empresário: 100 termos sem tecniquês

Vc não precisa decorar 100 termos de IA pra usar IA direito na empresa. Precisa de um lugar pra checar rápido quando o fornecedor, o consultor ou o próprio time solta um termo técnico numa reunião e vc não quer ficar perdido. É isso que esse glossário faz: 100 termos, definição direta, sem curso, sem enrolação.

Não organizei em ordem alfabética. Organizei em 8 blocos, do mais básico (o que é IA, afinal) até o mais aplicado (como medir se a IA tá dando retorno). Cada termo tem definição de uma ou duas frases, e quando ajuda, uma comparação com algo do dia a dia. Não acho que vc precisa entender a matemática por trás de nada disso. Precisa entender o suficiente pra tomar decisão e não ser enganado.

O que é inteligência artificial, na prática?

• Inteligência artificial (IA): sistema de computador que executa tarefa que antes exigia julgamento humano, como reconhecer uma imagem, escrever um texto ou prever um comportamento.
• IA generativa: tipo de IA que cria conteúdo novo (texto, imagem, áudio, código) em vez de só classificar ou prever. É a categoria do ChatGPT, Claude e Gemini.
• Machine learning (aprendizado de máquina): técnica em que o sistema aprende padrões a partir de dados, em vez de seguir regras escritas à mão por um programador.
• Deep learning (aprendizado profundo): subcategoria de machine learning que usa redes neurais com várias camadas, inspiradas (de forma bem solta) no funcionamento do cérebro.
• Algoritmo: sequência de passos que o computador segue pra resolver um problema. Toda IA roda em cima de algoritmo, mas nem todo algoritmo é IA.
• Modelo de IA: o “produto final” do treinamento, o arquivo que guarda o que o sistema aprendeu e que é usado pra gerar respostas.
• Rede neural: estrutura matemática organizada em camadas que processa informação de forma parecida com neurônios trocando sinal, usada pra treinar modelos de IA.
• Dataset (base de dados de treino): conjunto de exemplos usado pra ensinar o modelo. Qualidade do dataset importa mais que quantidade.
• Treinamento (training): processo de ajustar o modelo repetidamente até ele acertar padrões no dataset. Leva de dias a meses, dependendo do tamanho.
• Viés algorítmico: quando o modelo reproduz distorção presente nos dados de treino, tipo favorecer um perfil de cliente em detrimento de outro sem ninguém ter programado isso de propósito.
• AGI (inteligência artificial geral): IA hipotética capaz de qualquer tarefa cognitiva humana, não só tarefas específicas. Não existe ainda, apesar do hype em torno do termo.
• Data de corte (knowledge cutoff): data até quando o modelo “sabe” alguma coisa. Pergunte sobre evento depois disso e ele pode inventar ou avisar que não sabe.

Quais IAs existem e o que muda entre elas?

• LLM (large language model): modelo de linguagem grande, treinado com volume gigantesco de texto pra prever a próxima palavra com coerência. É a base do ChatGPT, Claude e Gemini.
• ChatGPT: produto da OpenAI, o mais popular do mercado, com acesso à internet em tempo real e geração de imagem integrada.
• Claude: modelo da Anthropic, com foco em seguir instrução complexa e análise de documento longo. É o que a gente usa como coassistente técnico principal.
• Gemini: modelo do Google, com integração nativa no Workspace (Gmail, Docs, Planilhas) e leitura multimodal de vídeo.
• Modelo aberto (open source): modelo cujo código e, às vezes, os pesos treinados são públicos, permitindo rodar em servidor próprio sem depender do fornecedor.
• Modelo fechado (proprietário): modelo que só existe via API ou app do fornecedor, sem acesso ao código interno. Caso do GPT, Claude e Gemini.
• Parâmetros: números internos que o modelo ajusta durante o treinamento. Mais parâmetros geralmente significa mais capacidade, mas também mais custo pra rodar.
• Multimodal: modelo que processa mais de um tipo de conteúdo ao mesmo tempo, como texto, imagem, áudio e vídeo, em vez de só texto.
• Janela de contexto: quantidade de texto que o modelo consegue “ler” de uma vez numa conversa. Janela maior permite jogar um contrato inteiro e perguntar sobre ele.
• Temperatura: parâmetro que controla quão previsível ou criativa é a resposta do modelo. Temperatura baixa gera resposta mais direta; alta gera resposta mais variada.
• Benchmark: teste padronizado usado pra comparar modelos entre si. Útil pra especialista, mas raramente reflete o seu caso de uso real de empresa.
• Raciocínio estendido (extended thinking): modo em que o modelo “pensa” em várias etapas antes de responder, útil pra problema com múltiplas variáveis.

Como conversar direito com uma IA (prompt, token, alucinação)?

• Prompt: instrução ou pergunta que vc digita pra IA. Quanto mais contexto e clareza no prompt, melhor a resposta, sem mistério nenhum aí.
• Prompt engineering: prática de estruturar o prompt de forma deliberada (com papel, exemplo, restrição) pra reduzir retrabalho e vagueza na resposta.
• System prompt: instrução fixa configurada por trás da conversa, que define o comportamento padrão do assistente antes mesmo do usuário digitar algo.
• Few-shot (exemplos no prompt): técnica de mostrar 2 ou 3 exemplos do resultado desejado antes de pedir o novo, pra IA copiar o padrão.
• Chain of thought (raciocínio em cadeia): instrução pra IA “pensar passo a passo” antes de dar a resposta final, o que aumenta consistência em decisão complexa.
• Token: fragmento de palavra que a IA processa e cobra. Uma palavra comum em português vira 1 a 2 tokens, em média.
• Contexto: todo o histórico de conversa e documento que a IA tem disponível no momento de gerar a resposta.
• Alucinação: quando a IA gera informação falsa com aparência de certeza. Não é bug raro, é risco estrutural de qualquer LLM quando falta contexto real.
• Fine-tuning (ajuste fino): treinar um modelo já pronto com dados específicos da sua empresa, pra ele responder no seu tom e vocabulário.
• RAG (geração aumentada por recuperação): técnica que busca informação num banco de dados real antes de responder, reduzindo alucinação. É como dar uma consulta ao invés de deixar a IA “chutar de memória”.
• Embedding: representação numérica de um texto que permite comparar significado, não só palavra exata. É o que faz busca semântica funcionar.
• Prompt injection: ataque em que alguém esconde instrução maliciosa dentro de um texto pra manipular o comportamento da IA. Risco real em agente que lê e-mail ou documento externo.

O que é um agente de IA e como ele difere de um chatbot?

• Agente de IA: sistema que não só responde, mas executa ação (consultar sistema, mandar mensagem, atualizar planilha) de forma autônoma pra completar uma tarefa.
• Chatbot: programa que conversa por texto seguindo fluxo definido ou respondendo com IA generativa, mas sem necessariamente executar ação fora da conversa.
• SDR digital: agente de IA que faz a prospecção e qualificação inicial de lead antes de passar pro vendedor humano. Setup típico fica entre R$8K e R$15K, com infraestrutura mensal de R$550 a R$650.
• Agente autônomo: agente que toma decisão sobre os próprios próximos passos, sem instrução detalhada pra cada ação, dentro de limites definidos por quem construiu.
• Orquestração de agentes: coordenação entre múltiplos agentes especializados trabalhando numa mesma tarefa, cada um responsável por uma etapa.
• Workflow (fluxo de trabalho): sequência definida de passos que um processo segue, seja executado por humano, automação simples ou agente de IA.
• Automação: execução de tarefa repetitiva sem intervenção humana, com ou sem IA envolvida. Nem toda automação usa IA, e nem toda IA é automação.
• RPA (automação robótica de processos): automação baseada em regra fixa que imita clique e digitação humana em sistema legado, sem inteligência adaptativa.
• Human in the loop: desenho de processo em que um humano revisa ou aprova a decisão da IA antes dela virar ação final, comum em decisão de alto risco.
• Function calling (chamada de função): capacidade do modelo de acionar uma ferramenta externa (buscar dado, mandar e-mail) de forma estruturada durante a conversa.
• MCP (Model Context Protocol): protocolo aberto que padroniza como um agente de IA se conecta a ferramentas e dados externos, tipo uma “tomada universal” entre IA e sistema.
• Squad de agentes (multiagente): arquitetura com vários agentes especializados dividindo uma tarefa complexa, cada um com um papel só, em vez de um agente generalista fazendo tudo.

Como a IA se conecta com meus sistemas (API, no-code, vibe coding)?

• API: porta de entrada padronizada pra um sistema conversar com outro. É como enviar um pedido pronto e receber a resposta de volta, sem interface visual.
• Webhook: aviso automático que um sistema manda pro outro quando algo acontece (novo lead, pagamento aprovado), disparando uma ação em cadeia.
• Integração: conexão entre dois ou mais sistemas pra trocar dado sem digitação manual repetida, geralmente via API ou webhook.
• No-code: construção de sistema ou automação sem escrever código, usando interface visual de arrastar e configurar.
• Low-code: meio termo entre no-code e programação tradicional, com interface visual mas espaço pra inserir trecho de código quando precisa.
• Vibe coding: construir software conversando com uma IA generativa que escreve o código, em vez de vc mesmo digitar linha por linha.
• IDE (ambiente de desenvolvimento): programa onde desenvolvedor (ou vc, com vibe coding) escreve, testa e organiza código.
• Deploy (publicação): ato de colocar um sistema ou automação no ar, disponível pra uso real, depois de testado.
• Banco de dados: estrutura organizada onde a empresa guarda informação (cliente, pedido, estoque) de forma consultável.
• Backend: parte do sistema que roda “por trás”, processando lógica e dado, sem interface visível pro usuário final.
• Frontend: parte visível do sistema, a tela que o usuário vê e interage.
• SaaS (software como serviço): software pago por assinatura, acessado pela internet, sem precisar instalar nem manter servidor próprio.

Meus dados ficam seguros usando IA?

• LGPD aplicada a IA: a Lei Geral de Proteção de Dados também vale pra dado processado por IA. Empresa que alimenta modelo com dado de cliente sem base legal corre risco de multa.
• Dado sensível: categoria de dado com proteção reforçada pela LGPD, como saúde, orientação sexual e biometria. Merece cuidado redobrado em qualquer fluxo com IA.
• Anonimização: processo de remover identificação de uma pessoa dos dados antes de usar em treino ou análise, reduzindo risco de exposição.
• Criptografia: técnica que transforma dado em código ilegível pra quem não tem a chave de acesso, protegendo informação em trânsito e em repouso.
• Vazamento de dados: exposição não autorizada de informação, seja por falha técnica, erro humano ou ataque. Um dos maiores riscos de projeto de IA mal configurado.
• Shadow AI: uso de ferramenta de IA por colaborador sem aprovação nem supervisão da empresa, tipo colar dado de cliente num ChatGPT pessoal.
• Governança de dados: conjunto de regras e responsáveis definidos pra decidir quem acessa, edita e usa cada tipo de dado dentro da empresa.
• Compliance: conformidade com lei, norma e política interna. Em IA, envolve LGPD, contrato com fornecedor e política de uso interna.
• Auditoria de IA: revisão sistemática de como um sistema de IA toma decisão, pra checar erro, viés ou uso indevido de dado.
• Privacy by design: princípio de projetar sistema já pensando em proteção de dado desde o início, não como remendo depois de pronto.
• Consentimento (opt-in): autorização explícita da pessoa antes de usar o dado dela pra treinar ou personalizar um sistema de IA.
• Retenção de dados: por quanto tempo uma empresa guarda um dado antes de descartar. IA mal configurada pode reter conversa e documento por tempo indefinido sem necessidade.

Como a IA aparece nas vendas e no atendimento ao cliente?

• Omnichannel: estratégia de atender o cliente pelo mesmo histórico e contexto, independente do canal (WhatsApp, e-mail, site), sem repetir a conversa do zero.
• CRM: sistema que centraliza informação de cliente e negociação, base pra qualquer automação comercial funcionar direito. Pipedrive e HubSpot são exemplos comuns em PME.
• Funil de vendas: sequência de etapas que um lead percorre até virar cliente, do primeiro contato até o fechamento.
• Lead scoring: pontuação automática que classifica quão qualificado um lead está, com base em comportamento e dado de perfil.
• Qualificação de lead: processo de checar se um contato tem perfil e intenção real de compra antes de investir tempo de vendedor nele.
• Cadência de vendas: sequência planejada de contatos (ligação, e-mail, WhatsApp) num intervalo definido, pra não deixar o lead esfriar.
• Follow-up automatizado: mensagem de acompanhamento disparada automaticamente em momento estratégico do funil, sem depender do vendedor lembrar.
• NPS (net promoter score): métrica que mede o quanto o cliente recomendaria a empresa, numa escala de 0 a 10.
• Chatbot de atendimento: assistente automatizado que responde dúvida frequente e triagem inicial antes de escalar pra atendente humano.
• Base de conhecimento (knowledge base): repositório organizado de informação que alimenta chatbot e agente de IA com resposta consistente.
• Ticket de suporte: registro de uma solicitação de atendimento, do abertura até a resolução, geralmente dentro de um sistema de help desk.
• SLA (acordo de nível de serviço): prazo combinado pra resposta ou resolução de um atendimento, usado pra medir performance de suporte.
• Personalização (personalization): ajuste de mensagem, oferta ou conteúdo com base no histórico e perfil individual do cliente, em vez de comunicação genérica pra todo mundo.

Como saber se a IA tá dando retorno financeiro?

• ROI (retorno sobre investimento): quanto a empresa ganhou em relação ao que investiu num projeto de IA, geralmente medido em economia de tempo ou aumento de receita.
• Ticket médio: valor médio gasto por cliente numa compra ou contrato. IA de vendas costuma ser avaliada também pelo impacto nesse número.
• CAC (custo de aquisição de cliente): quanto custa, em média, conquistar um cliente novo, somando marketing e vendas. Automação bem feita tende a reduzir esse número.
• LTV (valor do tempo de vida do cliente): quanto um cliente gera de receita durante todo o relacionamento com a empresa, não só na primeira compra.
• Churn: taxa de cancelamento ou perda de cliente num período. Métrica central pra qualquer negócio de assinatura.
• Produtividade: quantidade de trabalho útil entregue por pessoa ou por hora. É o ganho mais citado (e mais fácil de medir errado) em projeto de IA.
• Throughput: volume de tarefa processada por um sistema ou time num intervalo de tempo, útil pra medir capacidade de atendimento ou produção.
• KPI (indicador-chave de desempenho): métrica escolhida pra acompanhar se um objetivo específico está sendo atingido, como taxa de conversão ou tempo médio de resposta.
• Payback: tempo necessário pra um investimento se pagar com o retorno gerado. Em projeto de IA bem escopado, a estimativa de mercado costuma ficar entre 3 e 6 meses, variando com o caso.
• Escala (scalability): capacidade de um processo crescer em volume sem crescer proporcionalmente em custo ou pessoa. É a promessa central da automação bem feita.
• Setup (implementação): investimento inicial pra colocar um projeto de IA no ar, incluindo configuração, integração e treinamento do time.
• MRR (receita recorrente mensal): soma de toda receita previsível que se repete todo mês, métrica-chave pra negócio de assinatura ou SaaS.
• Piloto (projeto piloto): versão reduzida de um projeto de IA, testada com escopo limitado antes de rodar pra empresa inteira.
• Curva de adoção: tempo e esforço que o time leva pra incorporar uma nova ferramenta na rotina real, não só instalar.
• Governança de IA (AI governance): conjunto de política, responsável e limite definido sobre como a empresa usa IA, cobrindo desde dado até decisão automatizada.

Sendo bem sincero, essa lista não é definitiva. Termo novo surge todo mês nesse mercado, e daqui um ano provavelmente vou ter que atualizar uns 15 aqui. Mas os 100 acima cobrem praticamente toda conversa que vc vai ter com fornecedor, consultor ou time nos próximos meses. Guarda esse post e volta quando precisar.

FAQ

Preciso saber todos esses 100 termos pra usar IA na empresa?

Não. O objetivo do glossário é consulta rápida, não memorização. Na prática, um empresário lida no dia a dia com uns 15 a 20 termos do bloco de fundamentos, prompt e comercial. O resto aparece esporadicamente, em reunião com fornecedor técnico ou análise de proposta. Quando aparecer um termo desconhecido, volta aqui, procura o bloco temático e segue a conversa sem perder o fio.

Qual a diferença entre IA generativa e machine learning tradicional?

Machine learning tradicional prevê ou classifica algo com base em padrão (esse cliente vai cancelar? essa transação é fraude?). IA generativa cria conteúdo novo, como texto, imagem ou código, a partir de um prompt. ChatGPT, Claude e Gemini são IA generativa. Um sistema de score de crédito automático é machine learning tradicional. As duas coisas usam a mesma base técnica, mas resolvem problemas diferentes na empresa.

O que é RAG e por que meu fornecedor de IA fala tanto nisso?

RAG busca informação num banco de dados real antes de gerar a resposta, em vez de deixar o modelo responder só de “memória” do treinamento. Isso reduz alucinação e permite que a IA responda com base em documento, contrato ou catálogo específico da sua empresa. Fornecedor sério fala nisso porque é a diferença entre um agente que inventa dado e um que responde com base na sua realidade.

Alucinação de IA é um bug que vai ser corrigido?

Não da forma como a maioria imagina. Alucinação é consequência de como o modelo funciona: ele prevê a palavra mais provável, não consulta uma verdade absoluta. Técnicas como RAG e constraint no prompt reduzem bastante o risco, mas não eliminam por completo. Por isso qualquer decisão de alto risco (contrato, número financeiro, dado de cliente) merece revisão humana antes de virar ação final.

O que é MCP e por que virou um termo comum em 2026?

MCP (Model Context Protocol) é um protocolo aberto que padroniza como um agente de IA se conecta a ferramenta externa, banco de dado e sistema da empresa. Antes do MCP, cada integração exigia código específico. Com ele, virou mais parecido com plugar um cabo USB: o mesmo padrão serve pra várias ferramentas diferentes. Isso acelerou muito a construção de agente prático em empresa pequena e média.

Preciso me preocupar com LGPD se uso ChatGPT ou Claude na empresa?

Sim. A LGPD vale pra qualquer processamento de dado pessoal, incluindo o que passa por uma IA generativa. Colar dado de cliente (nome, CPF, saúde) num prompt sem base legal ou aviso de privacidade é risco real, e é justamente isso que o termo shadow AI descreve. Regra prática: trate qualquer input de IA generativa igual trataria um e-mail, e revise contrato de fornecedor pra saber onde o dado é armazenado e por quanto tempo.