O que é IA generativa (e o que não é)

Antes de aprender a falar com uma IA, vale saber o que ela é de verdade - porque metade dos problemas de quem começa é tratar o modelo como se fosse uma pessoa. Não é.

Uma IA generativa é um modelo estatístico que aprendeu padrões a partir de uma quantidade absurda de texto (e, no caso dos modelos multimodais, de imagens, áudio e vídeo também). Dado um trecho de entrada, ela gera a próxima coisa mais provável - palavra por palavra, token por token. É isso. Não tem "entendimento", não tem "intenção", não tem "vontade". Tem estatística treinada em escala.

Os três tipos que importam agora:

• LLM (Large Language Model) - processa e gera texto. Claude, GPT, Gemini, Llama, Mistral. É o que vamos usar 95% do tempo nesta trilha.
• Modelo de difusão - gera imagens a partir de texto. DALL·E, Midjourney, Stable Diffusion. Aparece na Fase 3, em multimodal.
• Modelo multimodal - entende e/ou gera mais de um tipo de mídia. GPT-4o, Claude com visão, Gemini multimodal. Mesmo ecossistema do LLM, com superpoderes.

O que não é uma IA generativa (e a confusão aqui custa caro):

• Não é um mecanismo de busca. Ela não "procura" a resposta num banco; ela gera a resposta a partir de padrões. Por isso pode alucinar (inventar fatos com cara de verdade).
• Não é um raciocinador perfeito. Ela é boa em imitar raciocínio, mas não raciocina de verdade. Em lógica, matemática e código complexo, ela erra - e erra com confiança.
• Não é onisciente. Ela só sabe o que estava nos dados de treino, e tem uma data de corte. Não sabe o que aconteceu ontem, a não ser que alguém tenha dado a ela essa informação (no prompt ou via RAG).

• IA generativa gera - ela não "sabe" no sentido humano, ela prevê o próximo pedaço de texto a partir de padrões.
• LLM é o tipo que vamos usar aqui - texto entra, texto sai. Multimodal amplia isso.
• Alucinação, knowledge cutoff e a falta de "busca" são as três limitações que vão te morder se você não souber delas. Tratamos delas em limitacoes-comuns.

Dica: quanto antes você internalizar "isso é estatística, não mágica", mais rápido você para de brigar com o modelo e começa a trabalhar com ele. Toda a trilha gira em torno de uma pergunta: como dar a esse gerador estatístico o contexto certo pra ele gerar o que você quer.

No próximo nó, vamos abrir a "caixa preta" e ver o que acontece por dentro quando o modelo gera uma resposta: tokens, contexto e temperatura.