Entendendo a IA Generativa

O que é IA Generativa

IA tradicional vs generativa, o que é um LLM e como o ChatGPT funciona em alto nível.

Intermediário 25 min 20 pontos Leitura 0%

Nesta aula você vai

  • Diferenciar IA tradicional, automação e IA generativa
  • Explicar o papel de um LLM na predição de tokens
  • Descrever o fluxo prompt → modelo → resposta

O que é IA Generativa

Objetivos

  • Entender o que realmente acontece quando um usuário conversa com uma IA
  • Diferenciar IA tradicional de IA generativa
  • Saber o que é um LLM e como ele produz texto

Por onde começar

Imagine que o chefe pede: "Coloca um chatbot no site até sexta." Você abre o ChatGPT, copia a resposta, cola no HTML e acha que integrou IA. Na segunda-feira o cliente pergunta "cadê meu pedido 8842?" e o bot inventa um código de rastreio.

Esse é o ponto de partida deste módulo: usar IA na interface é fácil; construir produto com IA exige entender o que o modelo faz — e o que ele não faz.

Antes de escrever uma linha de código, vale alinhar o vocabulário. Muita confusão vem de misturar três coisas diferentes: regra fixa, classificador tradicional e modelo generativo.

IA tradicional vs IA generativa

Tipo Entrada Saída Exemplo
Tradicional (classificação) Dados estruturados Rótulo fixo Spam ou não spam
Tradicional (regressão) Números Valor numérico Previsão de vendas
Generativa (LLM) Texto (prompt) Texto novo Resposta a pergunta, código, JSON

Pense assim: IA tradicional escolhe entre opções conhecidas — como um porteiro com lista de convidados. IA generativa compõe sequências novas token a token — como um escritor que improvisa a partir do que leu na vida.

Automação (if/else, cron, webhook) também não é IA generativa. Um script que envia e-mail após pagamento é regra fixa: previsível, barato, sem modelo de linguagem. Isso não é "menos inteligente" — é a ferramenta certa para tarefa determinística.

Diálogo típico no time:

Produto: "O bot precisa responder sobre pedidos."
Dev: "Isso é classificação de intenção ou consulta ao ERP?"
Produto: "Os dois."
Dev: "Então não é só um prompt — precisamos de backend, histórico e uma API de pedidos."

Esse tipo de conversa separa quem "colou ChatGPT" de quem está projetando um sistema.

O que é um LLM

LLM (Large Language Model) é um modelo estatístico treinado em bilhões de textos para responder a uma pergunta simples: dado o que veio antes, qual é o próximo token mais provável?

Tokens são pedaços de palavras — "desenvolv" + "edor" podem ser dois tokens. O modelo não "consulta um banco de fatos". Ele recombina padrões vistos no treinamento. Por isso a resposta soa convincente mesmo quando está errada.

Analogia útil: o LLM é um autocompletar extremamente sofisticado. Não pensa como humano; prevê a continuação mais plausível do texto.

Implicações práticas para quem integra:

  1. Não há garantia de verdade — respostas plausíveis podem estar erradas (alucinação)
  2. Conhecimento tem data de corte — salvo integração com busca/RAG (fora deste curso)
  3. Comportamento muda com parâmetros — temperature, system prompt, contexto

Exemplo de alucinação em produção:

Usuário: "Qual o telefone do suporte da Loja X?"
Bot (sem dados reais): "Ligue para (11) 3456-7890."
Realidade: número inventado, mas com tom de certeza.

Por isso, em produto, o LLM formata e conversa; dados críticos vêm do seu sistema — tema das matérias finais deste curso.

Como o ChatGPT funciona (alto nível)

Quando alguém digita no ChatGPT, acontece algo parecido com isto — e você vai reproduzir em código:

Usuário → [Frontend] → [Seu Backend] → [API OpenAI/Anthropic/etc.]
                              ↓
                    Monta mensagens:
                    - system (regras)
                    - user/assistant (histórico)
                              ↓
                    LLM gera próximos tokens
                              ↓
                    Resposta → Backend → Frontend

O seu backend não é opcional em produção. Ele esconde a API key, aplica rate limit, loga custo e valida entrada. O frontend nunca deve falar direto com o provedor — qualquer pessoa abriria o DevTools e roubaria sua chave.

Pense no backend como o maestro: o LLM é o músico virtuoso, mas quem decide o repertório, o volume e quando parar é a sua aplicação.

Stack mental para desenvolvedores

Organize o projeto em três camadas:

  1. Modelo — motor probabilístico (GPT-4o, Claude, Gemini, Llama hospedado)
  2. Aplicação — seu código que monta prompts, chama API, persiste histórico
  3. Produto — UI, regras de negócio, integrações (ERP, CRM, banco)

Este curso foca na camada 2. Frameworks como LangChain são atalhos úteis depois — aqui você aprende o que eles escondem, linha a linha.

O que NÃO é este curso

Evitamos de propósito: fine-tuning, RAG avançado, multiagentes, MCP, orquestração distribuída. São o próximo degrau — depois que você dominar API + prompt + memória + uma tool.

Se alguém disser "só falta plugar LangChain", pergunte: "E se a API cair? Quem paga os tokens? Onde fica o histórico?" — essas respostas vêm deste módulo.

Resumo

  • IA generativa cria conteúdo; IA tradicional classifica ou prevê números
  • LLM prevê tokens sequencialmente — não "pensa" no sentido humano
  • Seu backend orquestra chamadas, segurança e custo
  • Integrar IA é engenharia de software, não mágica de prompt

Na próxima aula entramos no assunto que mais surpreende quem vai para produção: tokens e dinheiro. Cada palavra que você manda — e cada palavra que o modelo devolve — tem preço.