TechCrunch publica guia do jargão de IA: o que são LLMs, alucinações e RAG

O boom de IA de 2024–2026 trouxe não só novos produtos e recursos, mas também toda uma camada de jargão profissional em que é fácil se perder. LLM, RAG, alucinações, tokens, fine-tuning, prompts: essas palavras aparecem cada vez mais em notícias, apresentações e negociações de negócios, mas o entendimento da maioria continua vago. O TechCrunch publicou um glossário detalhado que explica os conceitos-chave da era da IA, da arquitetura básica às técnicas aplicadas para trabalhar com modelos.

A maioria dos sistemas de IA modernos se baseia em grandes modelos de linguagem, os LLMs (Large Language Model). São redes neurais treinadas em enormes volumes de texto. Eles não "entendem" a linguagem no sentido humano, mas conseguem gerar respostas estatisticamente plausíveis para qualquer pergunta.

A unidade básica com que um LLM trabalha é o token: cerca de três a quatro caracteres, parte de uma palavra ou um sinal de pontuação. O GPT-4o processa até 128 000 tokens de uma vez, o equivalente a cerca de 300 páginas de texto. Quanto maior a janela de contexto (context window), mais informação o modelo consegue levar em conta ao formular a resposta.

Um dos principais defeitos dos LLMs são as alucinações (hallucinations). O termo descreve situações em que o modelo entrega com confiança informações factualmente erradas: citações inventadas, fontes inexistentes, datas falsas. Isso não é "mentira" no sentido ético: o modelo apenas gera um texto que soa plausível e não tem um mecanismo embutido de verificação de fatos.

Para combater as alucinações foi desenvolvido o método RAG (Retrieval-Augmented Generation): antes de gerar a resposta, o sistema busca trechos relevantes em uma base de dados real e se apoia neles. Hoje, muitos assistentes de IA corporativos e mecanismos de busca de nova geração funcionam assim.

Quando um modelo base precisa de especialização, ele é retreinado com dados específicos. Esse processo se chama fine-tuning (ajuste fino): o modelo aprende a responder em determinado estilo, sobre um tema especializado ou dentro de um formato definido. Uma abordagem mais acessível é a engenharia de prompts (prompt engineering): formular bem as solicitações para obter o resultado desejado sem retreinar o modelo.

Os agentes de IA (AI agents) formam uma classe à parte e em rápido crescimento. Eles não apenas respondem a perguntas: planejam e executam cadeias de ações, como pesquisar informações na internet, rodar código e controlar arquivos e o navegador. Os exemplos mais conhecidos são o Claude Computer Use e o OpenAI Operator.

Entre outros termos-chave:

• parâmetros (parameters): os "pesos" numéricos de uma rede neural que definem seu comportamento (estima-se que o GPT-4 ultrapasse um trilhão de parâmetros);
• inferência (inference): o processo de obter uma resposta de um modelo treinado em tempo real, que determina a velocidade e o custo dos serviços de IA;
• embeddings: representações numéricas de palavras e textos que permitem medir a proximidade de significado entre conceitos.

Multimodalidade (multimodality) é a capacidade de um modelo de trabalhar ao mesmo tempo com vários tipos de dados: texto, imagens, áudio e vídeo.

Entender o vocabulário básico de IA deixou de ser coisa só de desenvolvedores: está se tornando necessidade para gestores, investidores, jornalistas e todos que trabalham perto dessa tecnologia. O jargão continua crescendo: cada nova classe de modelos traz seus próprios termos, como sistemas multiagente, dados sintéticos e inferência em streaming. Mas quem dominar o núcleo (LLMs, tokens, alucinações, RAG, fine-tuning e agentes) consegue se orientar com segurança na maioria das publicações e conversas sobre IA.