Primeiro curso da trilha. Sem metáfora de cérebro e sem futurologia: o que a máquina realmente executa, e por que isso explica onde ela acerta e onde ela erra.
Explicar a alguém da sua empresa, em uma frase, o que um sistema de IA faz, e reconhecer três situações em que a resposta dele não deve ser aceita sem revisão.
A forma mais honesta de descrever um modelo de linguagem é esta: ele recebe um texto e calcula qual continuação é mais provável, com base em um volume enorme de texto que já viu. Não há consulta a uma base de fatos, não há verificação, não há intenção.
Isso explica de uma vez as duas coisas que mais confundem quem está começando. A resposta soa segura mesmo quando está errada, porque a fluência vem do cálculo de probabilidade, não da certeza. E a mesma pergunta pode receber respostas diferentes, porque o cálculo tem variação embutida.
Quando você pede algo que não está no material que o modelo viu, ele não responde "não sei". Ele produz a continuação mais plausível, que às vezes é um nome de lei que não existe, um número inventado ou uma citação atribuída à pessoa errada.
O termo técnico é alucinação, e o nome atrapalha, porque sugere defeito ocasional. É o comportamento normal do mecanismo operando fora do que conhece.
Quanto mais específica, recente ou interna à sua empresa for a informação pedida, maior a chance de a resposta ser inventada. Fatos gerais e antigos são mais seguros. Dados do seu negócio, quase nunca.
O vídeo carrega apenas quando você clica. Fonte: YouTube. Conteúdo de terceiro, não produzido pela TheNeil.
O modelo é, na essência, dois arquivos em um computador: os parâmetros e o código que os executa. Ele não consulta nada quando responde.Andrej Karpathy · cofundador da OpenAI, ex-diretor de IA da Tesla
| O que você pede | Risco de invenção | Por quê |
|---|---|---|
| Explicar um conceito geral | Baixo | Assunto amplamente presente no material de treino, com formulação estável. |
| Resumir um texto que você forneceu | Baixo | A fonte está na própria pergunta. O modelo trabalha sobre o que recebeu. |
| Número, data ou percentual | Alto | Não há cálculo nem consulta. O valor é a continuação mais plausível, não a correta. |
| Artigo de lei ou cláusula | Alto | A citação pode existir e estar desatualizada, ou ser construída com aparência correta. |
| Dado interno da sua empresa | Muito alto | Se o sistema não foi conectado à sua base, ele está adivinhando com fluência. |
Um modelo escreve. Um sistema em produção faz mais que escrever: ele consulta a fonte certa, aplica a regra da empresa, registra o que fez e para quando encontra um caso que não cabe na regra.
É por isso que "usar ChatGPT" e "colocar IA na operação" não são a mesma conversa. A primeira depende de quem digita. A segunda depende de desenho: qual fonte, qual ação permitida, quem revisa, quando pára.
A máquina é boa em produzir rascunho, resumir volume, encontrar padrão e aplicar regra explícita. É ruim em decidir o que importa, assumir consequência e reconhecer o que não sabe.
Na prática, a divisão útil é esta: ela reduz o custo de produzir a primeira versão. Você continua responsável por julgar se aquela versão serve.
Número. Qualquer valor, data, percentual ou prazo precisa vir de uma fonte que você consegue abrir. Modelo não calcula, ele estima o que parece certo.
Norma. Artigo de lei, cláusula de contrato, exigência de órgão regulador. A citação pode existir e estar desatualizada, ou não existir.
Dado interno. Nome de cliente, saldo, histórico, política da casa. Se o sistema não foi conectado à sua base, ele está adivinhando.
Um profissional pede a uma ferramenta de IA a fundamentação legal de um procedimento. A resposta traz número de lei, artigo e parágrafo, redigidos com a formatação exata de uma norma real. O documento vai adiante e a inconsistência aparece depois, na revisão de outra pessoa.
O caso é conhecido o suficiente para ter chegado a tribunais em vários países, com advogados sancionados por peticionar com jurisprudência inventada. Não houve má fé: houve confiança em um mecanismo que produz forma correta sem garantir conteúdo correto.
Nada disso é história por curiosidade. Cada marco explica uma característica do sistema que você usa hoje.
John McCarthy cunha "inteligência artificial" na Conferência de Dartmouth. A promessa era máquinas que raciocinam. Levou quase sessenta anos para algo funcionar em escala, e o que funcionou não raciocina: prevê.
O trabalho de Geoffrey Hinton e sua equipe mostra que redes neurais profundas superam qualquer técnica anterior em reconhecimento de imagem. Hinton recebeu o Nobel de Física em 2024. Aqui nasce a lógica de aprender com volume de dados em vez de regra escrita à mão.
A DeepMind prevê a estrutura tridimensional de proteínas, problema que consumia anos de laboratório. Demis Hassabis e John Jumper receberam o Nobel de Química em 2024. É a prova de que o método serve para domínios com regra rígida e verificável.
O lançamento em novembro leva a tecnologia a cem milhões de pessoas em cerca de dois meses. O que mudou não foi a capacidade: foi a interface. Conversar removeu a barreira técnica, e com ela a noção de que havia limite.
A conversa corporativa deixa de ser sobre o que o modelo consegue e passa a ser sobre quem responde, quanto custa e como se mede. É exatamente onde a sua empresa está agora, e é o assunto desta trilha.
Pegue três respostas que uma ferramenta de IA gerou para você esta semana. Para cada uma, aponte o que precisaria ser verificado antes de usar.
| O que você pediu | O que precisa ser conferido | Onde conferir |
|---|---|---|
Se em alguma linha você não soube dizer onde conferir, essa é a resposta que não deveria ter sido usada. Reconhecer isso é o objetivo do curso.
A descrição usada aqui não é simplificação didática: é o funcionamento declarado pelos próprios fabricantes na documentação de seus modelos.
Entender o mecanismo é o primeiro passo. O curso 02 mostra por que a maior parte das ferramentas parece igual, e o que de fato diferencia uma da outra.