Glossário de IA para empresas: termos essenciais para líderes

Um glossário de IA para empresas é uma lista curta dos termos que aparecem em propostas, definidos pelo que mudam na sua empresa e não pelo modo como funcionam por dentro. Os que mais importam são agente, harness, contexto, geração aumentada por recuperação (RAG) e chamada de ferramenta, porque cada um aponta para uma decisão que você terá de tomar: o que o sistema pode fazer, o que ele pode saber e quem consegue acompanhar e interromper. Este artigo define esses termos em linguagem simples e traz a pergunta a fazer para cada um.

Principais pontos

• Quase todo o jargão de IA em uma proposta se resume a três perguntas: o que o sistema pode fazer, o que ele sabe e quem pode ver e interromper.
• Um agente é um modelo que recebe um objetivo e ferramentas. Um harness é o software ao redor do modelo que o executa, o limita e registra o que ele faz.
• Contexto é o que o modelo enxerga no momento em que responde. RAG é uma forma de colocar os documentos certos da empresa dentro desse contexto.
• Uma chamada de ferramenta é o ponto em que a IA toca seus sistemas reais, e por isso é onde permissões e aprovações precisam estar.
• Se um termo não puder ser explicado em uma frase e ligado a um teste, trate-o como uma lacuna a fechar antes de assinar.

O que significam os blocos básicos?

Antes do vocabulário de agentes, alguns termos de base aparecem em quase toda conversa. Você não precisa da matemática por trás deles. Precisa saber qual parte do seu negócio cada um afeta.

• Modelo: o sistema treinado que lê uma entrada e produz uma resposta. Modelos diferem em qualidade, velocidade e custo de operação, e uma empresa pode usar mais de um.
• Modelo de linguagem de grande porte (LLM): um modelo treinado com grandes volumes de texto para entender e gerar linguagem. A maioria dos produtos de IA para empresas é construída sobre um deles.
• Prompt: as instruções e o material entregues ao modelo em uma única solicitação.
• Prompt de sistema: as instruções permanentes que definem o papel, o tom e as regras de um assistente. Pense nele como uma descrição de cargo escrita que o modelo lê a cada vez.
• Token: o pequeno pedaço de texto que o modelo lê ou escreve. O uso costuma ser medido em tokens, e é assim que o termo chega à sua fatura.
• Janela de contexto: a quantidade máxima de texto que o modelo consegue considerar de uma vez. O que passa disso precisa ser cortado, resumido ou deixado de fora.
• Alucinação: uma resposta dita com confiança, mas sem apoio em fatos ou fontes. Boa recuperação de documentos, regras claras e revisão reduzem o problema. Nada o elimina por completo.

Um bom hábito é perguntar se o termo descreve o modelo ou o sistema ao redor dele. O modelo costuma ser substituível. O sistema em volta, com sua memória, suas ferramentas e suas regras, é com o que você vai conviver, e por isso é ali que a maior parte da sua atenção deve estar.

O que são agente, harness e chamada de ferramenta?

Esses três termos descrevem como a IA passa de responder perguntas a executar trabalho. Para uma explicação mais completa do primeiro, veja o que é um agente de IA para empresas.

• Agente: um modelo que recebe um objetivo, instruções e um conjunto de ferramentas, decide o próximo passo, executa, confere o resultado e continua até concluir a tarefa ou precisar de ajuda. Um chatbot responde. Um agente age dentro dos limites que você define.
• Fluxo de trabalho (workflow): uma sequência fixa de etapas, algumas das quais podem usar um modelo. É previsível e fácil de testar. Muitos sistemas úteis são fluxos com uma ou duas etapas flexíveis, e isso costuma ser o desenho certo.
• Harness: o software ao redor do modelo que conduz o ciclo de trabalho. Ele monta o que o modelo vê, executa as ferramentas que o modelo pede, aplica limites, trata erros e registra o que aconteceu. Quando uma proposta diz que o agente é seguro, é no harness que essa afirmação costuma ser verdadeira ou vazia.
• Ferramenta: uma ação definida que o agente tem permissão para usar, como pesquisar uma base de conhecimento, consultar uma agenda ou redigir uma resposta em um sistema de atendimento.
• Chamada de ferramenta (tool call): o momento em que o modelo pede que uma ferramenta seja usada, com entradas específicas. O harness decide se executa, executa e devolve o resultado. O modelo nunca toca seus sistemas diretamente.
• Model Context Protocol (MCP): um padrão aberto para conectar modelos e agentes a ferramentas e fontes de dados de forma consistente. Ele reduz a necessidade de integrações sob medida, mas não decide o que o agente tem permissão de fazer.
• Orquestração: a coordenação de várias etapas, ferramentas ou agentes em direção a um mesmo resultado.

A consequência prática é simples. Toda chamada de ferramenta é um ponto em que algo pode dar certo ou errado no mundo real: uma mensagem enviada, um registro alterado, um arquivo lido. Por isso as perguntas que importam são quais ferramentas existem, o que cada uma pode acessar e quais chamadas exigem aprovação de uma pessoa antes.

Como contexto, memória e RAG se encaixam?

Um modelo sabe apenas o que aprendeu no treinamento e o que é colocado diante dele naquele momento. Boa parte do trabalho em um agente empresarial é decidir o que colocar diante dele.

• Contexto: tudo o que o modelo vê em determinada etapa, incluindo instruções, a conversa, documentos recuperados e resultados de ferramentas. Como a janela de contexto é limitada, o que entra nela é uma decisão de projeto.
• Engenharia de contexto: a prática de selecionar, ordenar e cortar o que entra no contexto para que o modelo tenha o que precisa e pouco além disso. Mais texto não é melhor. Material irrelevante pode piorar as respostas.
• Memória: informação mantida entre sessões para que o agente não comece do zero, como preferências, decisões anteriores ou o estado de uma tarefa longa. Pergunte onde ela fica guardada, quem pode lê-la e como é corrigida ou apagada.
• Geração aumentada por recuperação (RAG): um método em que o sistema primeiro busca trechos relevantes nos seus documentos e depois os entrega ao modelo para que responda a partir deles. A resposta pode apontar para uma fonte, e atualizar um documento atualiza a resposta.
• Embeddings e busca vetorial: uma forma de representar textos para que trechos com significado parecido sejam encontrados mesmo quando as palavras diferem. Costuma ser o mecanismo de busca dentro de uma configuração de RAG.
• Fine-tuning (ajuste fino): treinamento adicional de um modelo com exemplos para mudar como ele se comporta ou escreve. Ensina estilo e padrões mais do que mantém fatos atualizados.

Para conhecimento da empresa que muda, como políticas, tabelas de preços, procedimentos e históricos de clientes, a recuperação costuma ser a primeira abordagem a avaliar, porque os documentos podem ser atualizados sem treinar nada de novo. O ajuste fino é mais considerado para obter formato ou tom consistentes. Nenhum dos dois corrige documentos de origem ruins. Se a pasta de políticas se contradiz, o agente também vai se contradizer.

Onde essas peças ficam em um sistema completo é mais fácil de ver em um mapa. As sete camadas da infraestrutura de IA empresarial colocam memória, ferramentas e controles em uma única imagem.

Quais termos descrevem controle e segurança?

Este grupo merece a maior atenção dos donos de empresa, porque é onde mora o risco do negócio e onde a linguagem vaga é mais comum.

• Permissões: o que a conta do agente pode ler e alterar. O princípio correto é o do menor privilégio: apenas o que o papel exige, nada além disso.
• Limite de aprovação: a linha entre as ações que o agente pode executar sozinho e as que aguardam uma pessoa indicada. Redigir um e-mail pode estar dentro da linha. Enviar um pagamento costuma estar fora.
• Humano no circuito (human in the loop): uma pessoa revisa ou aprova antes que uma ação tenha efeito. É uma escolha de projeto que pode valer para algumas etapas e não para outras.
• Guardrails (salvaguardas): regras e verificações que limitam o que o agente pode dizer ou fazer, como ações bloqueadas, formatos obrigatórios ou limites de assunto. Pergunte se são aplicadas pelo harness ou apenas pedidas no prompt, já que o segundo tipo pode ser contornado com conversa.
• Injeção de prompt: um ataque ou acidente em que um texto lido pelo agente, como um e-mail ou uma página da web, contém instruções que tentam desviá-lo. As defesas incluem limitar ferramentas, separar instruções confiáveis de conteúdo não confiável e exigir aprovação para ações sensíveis.
• Trilha de auditoria: um registro do que o agente viu, decidiu e fez, mantido para que uma pessoa possa reconstituir os fatos depois.
• Residência de dados: onde os dados da empresa são armazenados e processados, o que pode importar para contratos e regulação.

Quando uma proposta diz seguro ou em conformidade, traduza para estas palavras. Quais permissões o agente tem? Quais ações exigem aprovação? O que fica registrado? Uma revisão periódica de permissões é a rotina que mantém essas respostas verdadeiras depois do lançamento, e não só no primeiro dia.

Quais termos descrevem medição e operação?

Um sistema que você não consegue medir é um sistema em que só dá para confiar ou desconfiar. Estes termos transformam isso em algo que você pode verificar.

• Avaliação (eval): um teste repetível do desempenho do agente em tarefas realistas, com uma forma definida de julgar o resultado. As avaliações permitem mudar algo e saber se melhorou ou piorou.
• Critério de sucesso: o resultado observável que indica que o agente está cumprindo seu papel, combinado antes do lançamento. Veja como definir critérios de sucesso para um piloto de agente de IA.
• Observabilidade: a capacidade de ver o que o sistema fez e por quê, por meio de logs e rastros de cada etapa, chamada de ferramenta e resultado.
• Latência: quanto tempo uma resposta leva. Importa mais onde um cliente ou funcionário está esperando.
• Limites de uso: tetos e alertas de consumo para que um ciclo descontrolado ou uma semana movimentada não gere surpresa.
• Regressão: algo que funcionava e parou depois de uma mudança, como uma nova versão do modelo ou uma instrução editada.
• Deriva (drift): mudança gradual nos resultados porque o mundo mudou: documentos envelhecem, produtos mudam, as pessoas passam a perguntar outras coisas.

Repare que nenhum desses itens é um recurso que se compra uma vez. São hábitos de operação. Uma proposta que descreve a construção em detalhes e a operação em uma linha deixou de fora a parte que decide se o agente ainda será bom daqui a alguns meses.

Como usar este glossário quando chega uma proposta?

Um glossário só ajuda se mudar a forma como você lê um documento. Aqui está um método curto que serve para qualquer proposta ou demonstração.

• Sublinhe todo termo deste artigo que aparecer na proposta.
• Ao lado de cada um, escreva a definição de uma frase com suas próprias palavras. Se não conseguir, peça ao fornecedor que a faça por escrito.
• Para cada ferramenta, pergunte o que ela pode ler, o que pode alterar e quais chamadas precisam de aprovação.
• Para cada fonte de conhecimento, pergunte quem mantém os documentos e como um documento desatualizado é corrigido.
• Para cada afirmação de qualidade, pergunte qual avaliação a sustenta e se você pode vê-la rodar com exemplos seus.
• Para cada promessa contínua, pergunte quem faz o trabalho, com que frequência e que evidência você recebe.

Cenário ilustrativo: a proposta para uma empresa de serviços descreve um agente autônomo com RAG, ferramentas MCP e guardrails. Lendo com o glossário em mãos, o dono faz quatro perguntas. Quais documentos a recuperação consulta e quem os mantém atualizados? Quais ferramentas podem gravar na base de clientes, e essas chamadas são aprovadas por uma pessoa? Os guardrails são aplicados no harness ou só escritos no prompt? Qual avaliação será executada antes do lançamento e de novo após cada mudança? Nenhuma das perguntas é técnica. Juntas, mostram se o fornecedor projetou um sistema ou apenas montou uma demonstração.

Como a Be Human trata esses termos na prática?

A Be Human projeta, implementa e opera infraestrutura de IA personalizada para empresas, e por isso cada um destes termos corresponde a um componente definido, não a um slogan. Um primeiro projeto define um papel útil, a memória e as ferramentas de que ele precisa, os limites de aprovação e um critério de sucesso observável. A operação gerenciada pode então incluir monitoramento, avaliações recorrentes, manutenção de integrações, revisão de permissões, resposta a incidentes e melhorias controladas, enquanto identidade, memória, canais, ferramentas e permissões permanecem sob controle humano. O atendimento é remoto, em português e inglês.

Perguntas frequentes

Qual é a diferença entre um agente de IA e um chatbot? Um chatbot responde a mensagens, em geral a partir de uma base de conhecimento fixa. Um agente tem um objetivo, ferramentas e a capacidade de executar etapas nos seus sistemas dentro das permissões que você define, e por isso precisa de limites de aprovação e de registros que um chatbot simples pode dispensar.

Preciso de RAG na IA da minha empresa? Você precisa se o agente tiver de responder a partir de documentos próprios, principalmente os que mudam. Se a tarefa depende apenas de conhecimento geral ou de dados em tempo real vindos de uma ferramenta, a recuperação pode ser desnecessária. Decida listando o que o papel precisa saber e onde essa informação está hoje.

O que devo perguntar sobre um harness? Pergunte o que ele aplica por conta própria, como limites, aprovações e registros, em contraste com o que ele apenas pede ao modelo que faça. Pergunte também se você pode ver os registros dele e se ele funciona com mais de um modelo, já que isso afeta a liberdade de trocar de fornecedor mais adiante.

Quanto desse vocabulário preciso aprender? O suficiente para exigir respostas em linguagem simples e perceber quando não as recebe. Se você consegue explicar o que o agente pode fazer, o que ele sabe e como o trabalho dele é verificado, já sabe o bastante para decidir. Os detalhes podem ficar com quem opera o sistema.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.