Open weights, RAG, agente, modelo de fronteira — quem nunca se perdeu no meio de uma conversa sobre inteligência artificial e ficou com cara de quem entendeu tudo, mas na verdade não entendeu quase nada?
Esse cenário é muito mais comum do que parece, e a culpa definitivamente não é sua. O vocabulário de IA cresceu na mesma velocidade absurda que a tecnologia em si, e hoje é praticamente impossível acompanhar qualquer notícia do setor sem esbarrar em pelo menos cinco termos que parecem saídos de um manual escrito por robôs para outros robôs.
O problema real não está na complexidade dos conceitos — a maioria deles é bem mais simples do que aparenta. O problema é que quase ninguém os explica de forma honesta, sem jargão empilhado em cima de mais jargão. Foi pensando exatamente nisso que Oren Etzioni, pesquisador e uma das vozes mais respeitadas do campo da IA, publicou originalmente no GeekWire um glossário opinativo — e levemente debochado — dos termos que mais confundem, inclusive quem trabalha com o assunto todos os dias.
Como ele mesmo resume: jargão é chato. A ideia aqui é traduzir esses termos para o português claro, com contexto prático, exemplos do mundo real e aquela dose de honestidade que costuma faltar nas definições de manual 👇
Modelo, LLM e modelo de fronteira
Vamos começar desfazendo uma confusão básica. O ChatGPT é o aplicativo que você abre. Um LLM, ou large language model (grande modelo de linguagem), é a inteligência artificial que roda por trás dele. Todo mundo fala LLM, mas pouca gente conseguiria definir na hora o que é: trata-se de um sistema treinado para prever a próxima palavra em uma sequência de texto, e é dessa mecânica aparentemente simples que nasce tudo o mais.
Já o termo modelo de fronteira — ou frontier model — não é uma categoria técnica de verdade. Ele apenas designa o punhado de modelos mais poderosos e capazes de um dado momento. O detalhe engraçado é que esse troféu troca de mãos o tempo todo, e o ranking geralmente é anunciado pelas próprias empresas que estão sendo ranqueadas. Ou seja: é marketing disfarçado de classificação técnica.
Prompts, tokens e parâmetros
Um prompt é o pensamento, a pergunta ou as instruções que você fornece ao modelo — somado a tudo que o aplicativo adicionou antes sem te avisar. O modelo pega esse prompt e gera palavras, tanto no seu processo interno de raciocínio quanto na resposta que aparece na sua tela.
Os tokens são, de forma aproximada, as palavras que entram e saem. O modelo fatia seu prompt em tokens, produz mais tokens ao responder, e é exatamente por isso que o setor cobra. Aqui vai um detalhe importante: o número de parâmetros é anunciado como se fosse potência de motor, mas o dado que ninguém propaga é quantos tokens são necessários para responder à sua pergunta. E adivinha? É justamente esse número que aparece na conta no fim do mês.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Os parâmetros, também chamados de pesos, são os valores numéricos internos do modelo. Pense neles como os ajustes finos de um instrumento: cada parâmetro é uma pequena configuração que, junto a bilhões de outras, define como o modelo interpreta e responde. Um modelo de fronteira tem centenas de bilhões deles, e os maiores já chegam à casa dos trilhões. O curioso é que ninguém consegue explicar o que cada parâmetro individual faz — eles codificam padrões estatísticos, não fatos armazenados como num banco de dados.
Pré-treinamento, pós-treinamento e fine-tuning
O pré-treinamento é alimentar o modelo com boa parte da internet para que ele aprenda a prever a próxima palavra numa frase. Essa é a parte cara da brincadeira, que custa centenas de milhões de dólares e produz algo que sabe muita coisa, mas não consegue seguir uma instrução direito.
O pós-treinamento é quando pessoas classificam as respostas do modelo, e ele aprende a entregar mais daquilo que foi bem avaliado. O fine-tuning é o pós-treinamento feito por você, sobre o modelo de outra pessoa, usando os seus dados. Resumindo de forma direta: o pré-treinamento te dá um modelo que não responde bem a perguntas; é o pós-treinamento que transforma tudo isso em um produto utilizável.
Esse processo de refinamento costuma envolver uma técnica chamada RLHF — Reinforcement Learning from Human Feedback, ou aprendizado por reforço com feedback humano. É ela que ensina o modelo a ser mais útil, mais seguro e mais alinhado ao que as pessoas realmente esperam de um assistente.
Treinar do zero versus destilação
Treinar do zero significa comprar (ou alugar) os computadores e fazer todo o trabalho de construir e treinar um modelo. Já a destilação treina um modelo barato usando as saídas de um modelo caro, herdando o comportamento sem pagar a conta. O detalhe é que a destilação viola os termos de serviço da maioria das empresas de IA.
Essa questão virou notícia quente quando a OpenAI acusou a DeepSeek de destilar seus modelos — uma posição no mínimo curiosa para uma empresa que treinou seus próprios sistemas usando a internet inteira sem pedir permissão a ninguém. Aprender com o trabalho dos outros parece ótimo, até o momento em que os outros são você mesmo.
Treinamento versus inferência
O treinamento é como você constrói um modelo. A inferência é o que acontece toda vez que ele responde: o modelo roda e produz um resultado. O treinamento é um custo único, que dura meses e consome centenas de milhões. Já a inferência é um custo que você paga para sempre — cada resposta custa uma fração de centavo, mas isso se repete bilhões de vezes por dia.
É aqui que mora uma verdade pouco comentada: os custos de treinamento são anunciados em coletivas de imprensa, mas os custos de inferência só são descobertos com o tempo. Segundo previsões da Deloitte, a inferência deve consumir cerca de dois terços de todo o poder computacional de IA em 2026, contra apenas um terço em 2023. Ou seja, o gasto real está migrando justamente para a parte que ninguém coloca no comunicado oficial.
Open weights, open source e API-only
Normalmente usamos LLMs através de aplicativos como ChatGPT, Claude ou Gemini. Mas especialistas frequentemente querem o modelo em si, não apenas um app embrulhado em volta dele.
Open weights significa que um especialista pode baixar o modelo e rodá-lo em um servidor próprio — porém sem acesso aos dados ou ao código que o criaram. Open source de verdade significa dados e software que qualquer um pode usar e modificar, algo que quase nenhum grande modelo oferece. O Olmo, da AI2, é uma das raras exceções. Já o modelo API-only não te entrega nada: você envia seu texto para os computadores da empresa, a resposta volta, e você paga por cada uso.
Vale a provocação honesta: open weights costuma ser a forma de reivindicar a aura do código aberto sem entregar muita coisa de fato. Um pesquisador de Stanford chegou a chamar isso de open distribution — distribuição aberta, mas longe de ser realmente open source.
Janela de contexto, memória e RAG
A janela de contexto é a quantidade de texto que o modelo consegue manter na cabeça de uma vez só, incluindo sua pergunta e tudo que foi colado na conversa. A memória é um recurso que salva fatos sobre você e os injeta de volta na janela de contexto mais tarde.
O RAG, sigla para retrieval-augmented generation (geração aumentada por recuperação), busca informações em uma coleção de documentos e insere os trechos relevantes na janela de contexto antes do modelo responder. Isso reduz alucinações e torna o modelo muito mais confiável para tarefas que exigem dados atualizados ou específicos de uma empresa.
Uma verdade desconfortável: nada dentro do modelo realmente lembra de você. O aplicativo mantém um arquivo com suas informações e o cola no início de cada conversa — uma forma bem menos charmosa de descrever exatamente o mesmo recurso vendido como memória.
Chatbot, workflow e agente
Um chatbot responde e para por aí. Um workflow executa os passos que você definiu, na ordem que você estabeleceu. Já um agente recebe um objetivo em vez de passos, e descobre sozinho o que fazer, acionando outros softwares e verificando os resultados até concluir a tarefa ou travar.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Um exemplo torna tudo mais claro: pergunte sobre um voo atrasado e um chatbot te recita a política da companhia; um workflow envia o formulário de reembolso que você montou; um agente simplesmente reserva um novo voo pra você. O teste é simples e útil: se ele decide o próprio passo seguinte, é um agente. Se você decidiu os passos, é um workflow.
Alucinação, AI slop e AI cream
Uma alucinação é uma falsidade dita com total confiança, como a citação de um artigo que não existe. O modelo não está mentindo — ele nem sequer tem noção de verdade para violar. Ele apenas produz um texto que parece o tipo certo de resposta.
O AI slop é um fracasso diferente: conteúdo preciso, fluente e completamente inútil. Pense naquele post de LinkedIn que não diz absolutamente nada em 300 palavras impecáveis. Não à toa, slop foi eleita a palavra do ano de 2025 pelo dicionário Merriam-Webster. Já o AI cream é o caso raro e desejável: escrita excelente produzida com a ajuda da IA. A ironia é que ninguém sai por aí querendo produzir slop — todo mundo acredita que está fazendo cream.
Alinhamento, guardrails e censura
O alinhamento é o problema de pesquisa de fazer um modelo agir como as pessoas querem, mesmo quando ninguém está olhando. Os guardrails são as regras por trás das recusas do modelo — aquele não, eu não vou te explicar como fabricar uma arma biológica. E a censura é, essencialmente, um guardrail que bloqueou algo que você queria.
Repare no jogo de palavras: a mesma recusa vira segurança no comunicado de imprensa, guardrail na documentação técnica e censura quando reclamam nas redes sociais. Tudo depende de quem está contando a história.
Por que entender esse vocabulário faz diferença de verdade
Dominar esses termos não é apenas questão de parecer antenado numa conversa. É a diferença entre tomar decisões informadas sobre quais ferramentas adotar, saber avaliar fornecedores de IA com senso crítico e conseguir enxergar o que está por trás dos anúncios grandiosos do setor. Quando você entende que um modelo de fronteira é um ranking anunciado por quem está sendo ranqueado, ou que inferência é o custo que aparece depois da festa, você passa a ler as notícias de tecnologia com outros olhos.
O campo da inteligência artificial avança numa velocidade impressionante, e novos termos surgem quase toda semana. Mas os conceitos fundamentais que vimos aqui permanecem sólidos e continuam sendo a base de tudo. Quem os entende de verdade — sem se deixar intimidar pelo jargão nem impressionar pelo marketing — sai na frente em qualquer discussão sobre o presente e o futuro dessa tecnologia 🚀
