Introdução à IA Generativa

Escrito por Gabriel Neves Siqueira

Imagine que você precisa estudar para uma prova de Astronomia e pede a um assistente de IA, como o ChatGPT, que “faça um resumo sobre os planetas e suas propriedades”. Em poucos segundos, pode-se ver um texto organizado, em parágrafos e listas, contendo até explicações de nuances. Em tão pouco tempo, um texto tão denso foi escrito especialmente para você.

Isso parece quase mágica. Afinal, como um computador consegue escrever algo novo? Ele copiou esse resumo de algum lugar? E ele entende o que escreveu? Para responder a essas perguntas, primeiro precisamos entender que existem tipos bem diferentes de inteligência artificial e que a IA que escreveu o seu resumo funciona de um jeito diferente da maioria das IAs que você já usou sem perceber.

Modelos generativos vs. modelos discriminativos

Muito antes do ChatGPT ser criado, já existiam modelos de IA embutidos em aplicações do dia a dia. Por exemplo, eles já estavam presentes quando o seu e-mail enviava uma mensagem diretamente para a pasta de spam, quando o banco bloqueava uma compra suspeita no seu cartão, ou até quando o celular desbloqueava ao reconhecer o seu rosto.

Notavelmente, em todos esses casos, o modelo de IA recebe algo já existente e escolhe uma resposta entre opções definidas: spam ou não spam, é você ou não é você, fraude ou compra normal. Esse tipo de IA é chamado de IA discriminativa porque o seu trabalho é discriminar, ou seja, separar as coisas em categorias. Portanto, dizemos que ela classifica os dados.

A IA que escreveu o seu resumo de Astronomia faz algo bem diferente. Em vez de escolher entre uma lista de respostas prontas, ela produz textos inexistentes. Esse tipo de IA é chamado de generativa porque gera conteúdo novo, seja texto, imagem ou áudio.

Para entender melhor essa diferença, imagine dois modelos de IA treinados com milhares de fotos de gatos e cachorros.

O primeiro é discriminativo. Se você mostrar a ele as fotos abaixo, ele vai analisar cada imagem e responder com uma das opções que conhece: “gato” ou “cachorro”. Ele não cria nada, apenas decide o que está vendo.

O segundo é generativo. Em vez de receber uma foto, ele recebe um pedido, como “um gato chorando no meio de uma escola”. A partir disso, ele cria uma imagem que nunca existiu, como a que você vê abaixo.

Repare na diferença entre as duas tarefas. Para separar as fotos, o modelo discriminativo só precisa aprender o que diferencia um gato de um cachorro, como o formato das orelhas, o focinho ou o tamanho. Já para criar o gato chorando no corredor da escola, o modelo generativo precisa aprender como um gato é por inteiro: os pelos, as cores, as poses, as proporções e até como seria a sua expressão de tristeza. Só assim ele consegue montar um gato do zero, em uma cena que nenhuma câmera registrou.

Geração autorregressiva

Por trás do ChatGPT há um modelo de linguagem de grande porte, ou LLM (do inglês Large Language Model), chamado GPT. O ChatGPT é o aplicativo que você usa, e o GPT é o modelo que, de fato, escreve o texto.

Um LLM é um modelo treinado com uma grande quantidade de textos, como livros, sites, artigos e conversas. Durante esse treinamento, ele praticou uma única tarefa bilhões de vezes: ler um trecho de texto e adivinhar qual palavra vem em seguida.

Você provavelmente já viu uma versão bem simples dessa ideia. Quando você digita uma mensagem no celular, o teclado sugere a próxima palavra. Se você escreve “bom” ele sugere “dia”. Um LLM faz algo parecido, só que em uma escala muito maior, porque ele leva em conta todo o texto anterior, e não apenas a última palavra.

Para cada palavra que poderia vir a seguir, o modelo calcula uma probabilidade. Imagine que ele está escrevendo o seu resumo e chegou ao trecho “O Sistema Solar tem”. As opções poderiam ser algo assim:

• “oito”: 85%
• “nove”: 10%
• “muitos”: 3%
• …

O modelo escolhe uma dessas palavras, geralmente a mais provável, e a adiciona ao texto.

Agora, a frase é: “O Sistema Solar tem oito”. Então ele repete o processo inteiro com a frase nova: qual palavra deve vir depois de “O Sistema Solar tem oito”? Provavelmente “planetas”.

E depois? Talvez “que”, e depois “giram”, e assim por diante, até formar “O Sistema Solar tem oito planetas que giram em torno do Sol”.

Esse ciclo, chamado de geração autorregressiva, se repete centenas de vezes, palavra por palavra, até que o resumo esteja pronto. É por isso que, no ChatGPT, você vê a resposta aparecer aos poucos na tela.

Na prática, os LLMs não trabalham exatamente com palavras, mas com partes do texto chamadas tokens, separadas por padrões recorrentes nos dados de treinamento. Para entender a ideia, porém, basta pensar nelas como palavras.

Com isso, agora podemos responder às perguntas da introdução. O ChatGPT não copiou o resumo de lugar nenhum. Ele montou cada frase na hora, com base nos padrões que aprendeu durante o treinamento.

Também é importante notar que ele não “entende” o texto da mesma forma que nós. O que ele faz é calcular quais palavras costumam vir depois de outras.

Ferramentas de IA generativa

Até aqui, falamos principalmente de texto. Mas a ideia de gerar conteúdo novo a partir de padrões aprendidos também funciona com outros tipos de dados. Hoje existem ferramentas de IA generativa para quase todo tipo de conteúdo:

• Texto: o ChatGPT, o Claude e o Gemini escrevem respostas, resumos, redações e até código de programação.
• Imagem: o Midjourney, o Stable Diffusion e o próprio ChatGPT criam imagens a partir de uma descrição em texto, como o gato chorando que vimos antes.
• Áudio: o Suno compõe músicas inteiras a partir de um pedido, e o ElevenLabs gera vozes que soam como as de pessoas reais.

Já existem até ferramentas que geram vídeos, e vídeos de gatos criados por IA, por exemplo, viralizaram nas redes sociais (BBC, 2024).

Nem todas essas ferramentas funcionam exatamente como um LLM. As de imagem, por exemplo, usam outras técnicas. Mas todas seguem a mesma ideia geral, que é aprender padrões a partir de muitos exemplos e usá-los para criar algo novo.

Alucinações

Essa capacidade de criar coisas novas é o que torna essas ferramentas tão úteis. Só que ela também tem um lado menos óbvio. Se a IA escreve com base no que é provável, e não no que foi verificado, o que acontece quando o provável está errado?

Vamos voltar ao seu resumo de Astronomia. Imagine que, para deixá-lo mais completo, você pede ao ChatGPT que inclua as fontes das informações. Ele responde com algo como

A frase parece perfeita. Ela tem ano, nome de revista e nomes de pesquisadores, e a informação sobre Júpiter está correta. O problema é que esse estudo pode simplesmente não existir. A revista, os autores e o ano podem ter sido inventados.

Quando uma IA produz uma informação falsa ou inventada, mas a apresenta com total confiança, dizemos que ela teve uma alucinação.

Para entender por que isso acontece, lembre-se de como um LLM escreve. Nos textos usados no treinamento, depois de “segundo um estudo publicado em” quase sempre vem um ano, depois o nome de uma revista e depois os nomes dos autores. Por isso, cada palavra da citação é muito provável, e o resultado tem exatamente o formato de uma citação verdadeira. Porém, em nenhum momento, o modelo verificou se esse estudo existe. Ele aprendeu como uma citação parece, e não quais citações são reais.

Além de inventar informações, a IA também pode errar por estar desatualizada. Um LLM só conhece os textos com que foi treinado. Nos últimos anos, por exemplo, astrônomos descobriram mais de cem novas luas de Saturno. Um modelo treinado antes dessas descobertas pode responder com um número antigo, e com a mesma confiança de sempre.

Por isso, uma resposta bem escrita e confiante não é garantia de uma resposta correta. Para a IA, soar certo e estar certo são coisas diferentes.

Usando a IA generativa com responsabilidade

Saber que a IA pode errar não significa que devemos parar de usá-la. Apenas significa que precisamos de estratégias para usá-la bem, primordialmente diante de três problemas:

• Alucinações: como vimos, um LLM escolhe palavras prováveis, e não informações verificadas, e por isso fontes de informações merecem atenção especial.
  
  Algumas estratégias ajudam a reduzir esse problema:
  • Conferir datas, números, nomes e citações em fontes confiáveis. Se a IA cita um estudo que não aparece em lugar nenhum, ele provavelmente foi inventado.
  • Fornecer um texto confiável, como o capítulo de um livro, e pedir que a IA responda com base nele. Assim, ela tem menos “motivos” para inventar.
  • Usar ferramentas que pesquisam na internet antes de responder e mostram os links usados, o que ajuda com informações desatualizadas, como o número de luas de Saturno.
  • Do lado das empresas responsáveis pelos produtos, treinar os modelos para admitir quando não sabem uma resposta. Mesmo assim, nenhuma técnica elimina as alucinações por completo.
    
• Viés: um modelo generativo aprende com os textos e as imagens do seu treinamento e, se esses dados repetem estereótipos, ele também vai repeti-los. Se você pedir a um modelo gerador de imagens uma imagem de “um cientista no laboratório”, por exemplo, é comum que ele inclua um homem de jaleco branco na maioria das vezes, porque esse é o padrão mais frequente nas imagens que ele viu.
  
  Para reduzir o viés, é possível:
  • Perceber esses padrões e não tratar a resposta da IA como neutra.
  • Ser específico no pedido, dizendo explicitamente quando se quer representar pessoas diferentes.
  • Do lado dos desenvolvedores dos modelos, usar dados de treinamento mais diversos e testar os modelos em busca de vieses antes de lançá-los.
    
• Uso inadequado: mesmo quando funciona bem, a IA generativa pode ser usada de forma errada, por exemplo para criar imagens, vídeos ou áudios falsos de pessoas reais (os chamados deepfakes), para entregar como seu um trabalho escrito pela IA ou para expor dados pessoais.
  
  Para evitar isso, vale:
  • Ser transparente e avisar quando um conteúdo foi gerado por IA, como fizemos com a imagem do gato chorando nesta aula.
  • Conhecer as regras de escolas, competições e plataformas sobre o uso dessas ferramentas.
  • Nunca compartilhar senhas, documentos ou dados pessoais, seus ou de outras pessoas.
  • Do lado das plataformas, usar filtros que bloqueiam pedidos perigosos e incluir marcas d’água que possibilitam estimar a probabilidade de um conteúdo ter sido gerado por seus modelos (Anthropic, 2026; Google, 2025).

Nenhuma dessas estratégias resolve tudo sozinha. Juntas, elas permitem aproveitar o que a IA generativa tem de útil sem ser afetado pelos seus principais problemas.