Tipos de IA: um guia completo

Se parece que a Inteligência artificial (IA) está de repente em todo lugar, é porque está mesmo. De acordo com pesquisa recente da McKinsey, a adoção global de IA cresceu de cerca de 50–60% das organizações em 2020–2021 para impressionantes 88% em 2025.

No entanto, esse crescimento explosivo criou um problema de linguagem. "IA" virou uma buzzword genérica usada para descrever tecnologias muito diferentes. O termo aparece como sinônimo para chatbots simples baseados em regras, geradores de imagens e até robôs de ficção científica.

Para profissionais de dados, essa ambiguidade é um obstáculo. Quando um stakeholder pede uma "solução de IA", você precisa entender: eles precisam de um modelo de regressão simples, de um agente generativo ou de um sistema de visão computacional?

Neste guia completo, vamos destrinchar essa terminologia. Em vez de apenas listar definições, vamos olhar por quatro lentes distintas: como é construída, o que consegue fazer, como decide e como se encaixa em fluxos de trabalho do mundo real.

Se você está começando no tema, recomendo fazer o curso Understanding Artificial Intelligence.

O que é IA?

Inteligência artificial (IA) é um subcampo da computação focado em criar agentes inteligentes capazes de executar tarefas que normalmente exigem inteligência humana, como resolução de problemas, reconhecimento de fala e tomada de decisões.

IA é uma ciência interdisciplinar com muitas abordagens. Pode ser baseada em regras (operando sob condições predefinidas) ou usar algoritmos de machine learning para aprender com dados, permitindo que sistemas se adaptem a cenários imprevistos.

Porém, definir IA com precisão é surpreendentemente difícil por conta do chamado "Efeito IA". Esse fenômeno descreve como a percepção social sobre IA muda conforme as tecnologias amadurecem. Quando um recurso vira lugar-comum, as pessoas deixam de chamá-lo de "IA" e passam a ver como software comum. 

Por causa dessa definição fluida e do escopo amplo, uma única classificação não basta. Precisamos de múltiplas lentes para ver o quadro completo:

• Tecnologia: Os algoritmos e as arquiteturas por baixo do capô. 
• Capacidade: O nível de inteligência, do foco estreito à superinteligência.
• Funcionalidade: Como os sistemas processam informações e mantêm memória?

Por exemplo, um(a) carro autônomo pode ser classificado de três maneiras ao mesmo tempo:

• IA estreita (pela sua capacidade específica).
• Deep learning (pela tecnologia subjacente).
• Memória limitada (pela funcionalidade).

Nas seções a seguir, vamos explorar esses tipos.

Para um resumo totalmente não técnico dos fundamentos, recomendo ler nosso guia de IA para iniciantes.

Tipos de IA baseados em tecnologia

A forma mais rigorosa de classificar a IA é pela tecnologia subjacente, o "motor" que impulsiona o sistema. Essa classificação separa sistemas com base em como processam dados e aprendem. Vamos ver esses tipos.

Machine learning

Machine learning (ML) é um subconjunto da IA que foca em sistemas que aprendem com dados e melhoram sem serem explicitamente programados para cada regra. Em vez de escrever código do tipo "se isso, então aquilo", você alimenta o algoritmo com dados e deixa que ele encontre padrões.

O machine learning se divide em três paradigmas principais, cada um adequado a um tipo de problema:

• Aprendizado supervisionado: O mais comum nos negócios. Usa dados rotulados (pares entrada-saída) para treinar algoritmos. Por exemplo, você mostra ao modelo 1.000 e-mails rotulados como "Spam" ou "Não é spam", e ele aprende a classificar o próximo e-mail. Algoritmos comuns incluem regressão linear, K-Nearest Neighbors (KNN) e árvores de decisão.
• Aprendizado não supervisionado: O algoritmo recebe dados sem rótulos e precisa encontrar estruturas ou padrões ocultos por conta própria. É muito usado para segmentação de clientes (clustering). K-means e análise de componentes principais (PCA) estão entre os mais usados.
• Reinforcement learning (RL): Seguindo um caminho diferente, o RL ensina agentes por tentativa e erro usando um sistema de recompensas e penalidades. Um agente de RL recebe feedback sobre sua interação com o ambiente e aprende gradualmente quais comportamentos maximizam recompensas acumuladas ao longo do tempo. É o método usado para treinar robôs e IAs de jogos avançadas, como a AlphaGo.

Para construir uma boa base em machine learning, recomendo seguir a trilha de habilidades Machine Learning Fundamentals with Python.

Deep learning

Deep learning (DL) é um subconjunto especializado de ML inspirado na estrutura do cérebro humano. Ele usa redes neurais artificiais com muitas camadas (daí o "deep") para modelar relações complexas e não lineares em grandes volumes de dados. Enquanto o ML tradicional pode estagnar com mais dados, o DL costuma continuar melhorando.

Arquiteturas-chave incluem:

• Redes neurais convolucionais (CNNs): O padrão-ouro para processamento de imagens. Usam "filtros" para escanear imagens automaticamente e detectar hierarquias espaciais como bordas, formas e texturas.
• Redes neurais recorrentes (RNNs): Projetadas para dados sequenciais como séries temporais ou fala. Mantêm uma "memória" de entradas anteriores para influenciar a saída atual.
• Transformers: A arquitetura por trás dos Large Language Models (LLMs) modernos, como GPT 5.2 e Gemini 3. Utiliza um mecanismo de atenção para processar sequências inteiras simultaneamente, ponderando a importância das palavras entre si em vez de processá-las uma a uma.
• Generative adversarial networks (GANs): Um framework em que duas redes competem: um "gerador" cria dados falsos e um "discriminador" tenta detectá-los. Essa competição gera saídas sintéticas altamente realistas.
• Modelos de difusão: O motor por trás de ferramentas como o Midjourney. Eles geram imagens de alta qualidade aprendendo a reverter sistematicamente o ruído aleatório até chegar a imagens nítidas e distintas.

Se você quer construir esses modelos, recomendo começar pelo curso Introduction to Deep Learning with PyTorch.

Processamento de linguagem natural

Processamento de linguagem natural (NLP) foca em permitir que computadores entendam, interpretem e gerem linguagem humana de forma significativa. O NLP faz a ponte entre a comunicação humana e a compreensão das máquinas ao lidar com a ambiguidade, dependência de contexto e complexidade inerentes à linguagem natural.

As técnicas incluem:

• Análise de sentimento: Analisar o sentimento por trás de uma frase, por exemplo, classificar se uma avaliação é positiva ou negativa
• Named Entity Recognition (NER): Identificar pessoas ou lugares em um texto
• Tokenização: Quebrar o texto em unidades menores, como palavras, sílabas ou até caracteres individuais

Vamos ver um exemplo de análise de sentimento usando transformers em Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Visão computacional

Visão computacional permite que máquinas extraiam informações significativas de imagens e vídeos, ajudando computadores a perceber e entender dados visuais de forma semelhante à percepção humana. A área lida com identificação de objetos, medição de distâncias e reconhecimento de padrões invisíveis a observadores humanos.

Sistemas de visão computacional combinam técnicas de processamento de imagem com machine learning, especialmente deep learning, para extrair representações cada vez mais abstratas dos dados visuais brutos. Tarefas-chave incluem:

• Classificação de imagens: Identificar o que há em uma imagem (por exemplo, "isto é um gato").
• Detecção de objetos: Localizar onde um objeto está (por exemplo, "há um pedestre nas coordenadas x,y").
• Reconhecimento facial: Verificar identidade com base em traços faciais.

A imagem médica é uma das aplicações mais impactantes de visão computacional, com sistemas de IA detectando tumores em raios X, tomografias e ressonâncias com níveis de precisão que igualam ou superam os de radiologistas humanos. Esses sistemas não substituem os profissionais, mas os apoiam, por exemplo, sinalizando possíveis anormalidades para revisão especializada.

Processamento de áudio

O processamento de áudio se concentra em reconhecer, interpretar e sintetizar sinais sonoros, incluindo fala humana e sons ambientais. O objetivo é permitir que máquinas escutem, entendam e gerem conteúdo de áudio, fazendo a ponte entre ondas acústicas e significado semântico. 

O reconhecimento automático de fala (ASR) converte linguagem falada em texto e alimenta assistentes de voz, serviços de transcrição e ferramentas de acessibilidade. Sistemas modernos de ASR usam arquiteturas de transformers para mapear diretamente formas de onda em sequências de texto, alcançando precisão quase humana em fala limpa e melhorando gradualmente em condições desafiadoras como ruído de fundo ou sotaques. 

Mecanismos de texto para fala (TTS) como o Amazon Polly fazem a operação inversa, sintetizando fala natural a partir de texto com vocoders neurais que geram prosódia, entonação e expressão emocional realistas. Sistemas modernos de TTS conseguem clonar vozes com apenas alguns minutos de áudio de amostra, ampliando possibilidades criativas e levantando questões éticas.

As aplicações vão além da fala para domínios criativos e práticos. A clonação de voz possibilita assistentes virtuais personalizados, narração de audiolivros com vozes consistentes e áudio de deepfake controverso.

Robótica e IA incorporada

Aqui está a interseção entre IA e engenharia. IA incorporada significa colocar "cérebros" avançados (como modelos visão-linguagem) em corpos robóticos. Enquanto muita IA existe apenas no digital, a IA incorporada precisa lidar com gravidade, atrito e a complexidade imprevisível de ambientes físicos. 

Esse enraizamento no mundo real traz desafios ausentes na IA puramente computacional, mas também permite interação direta com o ambiente físico. Robôs tradicionais exigiam programação explícita para cada tarefa, com engenheiros codificando movimentos precisos e árvores de decisão para atingir resultados específicos. 

Sistemas modernos de IA incorporada entendem comandos em linguagem natural, como "pegue a maçã" ou "abra aquela porta", usando percepção visual para identificar objetos e planejar ações adequadas sem programação específica para cada tarefa. 

Esse avanço endereça o paradoxo de Moravec: tarefas triviais para humanos, como dobrar roupa, abrir portas e navegar em ambientes bagunçados, são extraordinariamente difíceis para robôs, enquanto tarefas difíceis para humanos, como xadrez ou cálculo, são relativamente fáceis para IA. 

A IA incorporada, usando foundation models, está finalmente reduzindo essa lacuna ao dar aos robôs a compreensão perceptiva e o planejamento adaptativo que humanos consideram naturais. Aplicações incluem dispositivos de consumo como aspiradores robóticos, cobots industriais e humanóides avançados como o Atlas, da Boston Dynamics.

Tipos de IA baseados em capacidade

Enquanto a tecnologia define como uma IA é construída, a capacidade define o que ela consegue fazer em relação à inteligência humana. Essa classificação funciona como uma linha do tempo da evolução da IA, indo das limitações atuais a futuros teóricos.

Inteligência artificial estreita

Artificial Narrow Intelligence (ANI), também chamada de IA fraca, representa a IA que existe hoje. Ela engloba sistemas projetados para se destacar em tarefas específicas e predefinidas, mas que falham completamente se forem designados para algo fora de seus parâmetros de treino. Um bot de xadrez não dirige um carro, e uma ferramenta de diagnóstico médico não escreve poesia.

No entanto, a definição de "estreita" está se expandindo. O estado da arte atual envolve LLMs multimodais avançados. Estamos vendo o lançamento de modelos como GPT-5.2 e Gemini 3, que processam texto, áudio e entradas visuais simultaneamente. 

Embora imitem raciocínio, ainda carecem de compreensão genuína do mundo. Desenvolvedores interagem com esses sistemas ANI via APIs para integrá-los a aplicações.

O próximo passo dentro de ANI é a Agentic AI. São sistemas que vão além do bate-papo passivo; conseguem executar ações autônomas de múltiplas etapas, como navegar na web para reservar um voo, servindo de ponte para uma inteligência mais ampla.

Inteligência artificial geral

Artificial General Intelligence (AGI) é o grande objetivo da pesquisa em IA. Refere-se a um estágio teórico em que uma máquina possui a capacidade de aprender, raciocinar e resolver problemas em domínios completamente distintos, igualando a flexibilidade cognitiva humana.

O diferencial é a generalização. Um sistema ANI treinado para falar português não consegue usar esse conhecimento para aprender espanhol mais rápido. Um sistema AGI poderia aplicar lógica de uma área em outra sem re-treinamento manual.

O cronograma para a AGI é amplamente debatido. Otimistas do setor prevêem sua chegada entre 2026 e 2029. Céticos argumentam que ainda não temos a arquitetura fundamental (principalmente "modelos de mundo" precisos) para isso, empurrando o horizonte para 2040 ou mais.

Superinteligência artificial

Superinteligência artificial (ASI) descreve um estágio hipotético em que a IA supera as mentes humanas mais brilhantes em praticamente todos os campos: criatividade científica, sabedoria geral, habilidades sociais e resolução de problemas. A ASI não apenas igualaria Einstein ou Da Vinci; ela os superaria tão dramaticamente quanto eles superaram a inteligência humana média.

A maior preocupação em torno da ASI envolve a autoaperfeiçoamento recursivo, quando uma ASI redesenha a própria arquitetura para ficar mais inteligente e usa essa inteligência ampliada para melhorar novamente, criando um ciclo descontrolado de aceleração exponencial. 

Essa explosão de inteligência poderia rapidamente gerar sistemas tão além da compreensão humana que prever seu comportamento se torna impossível, levantando questões profundas de segurança sobre alinhamento e controle. Se os objetivos de uma ASI se desalinharem mesmo que minimamente dos valores humanos, sua inteligência superior poderia persegui-los de formas prejudiciais à humanidade.

Não existe um roadmap crível para construir ASI, e muitos pesquisadores questionam se a superinteligência é alcançável ou sequer coerente como conceito. Ainda assim, a possibilidade teórica de ASI motiva trabalhos acadêmicos sérios em alinhamento de IA para garantir que sistemas cada vez mais capazes permaneçam benéficos e controláveis. 

Tipos de IA baseados em funcionalidade

Enquanto a capacidade mede poder, a funcionalidade mede como o sistema interage com o mundo e processa dados. Essa classificação nos permite diferenciar entre um computador de xadrez dos anos 1990 e os robôs sociais do futuro. Vamos a cada tipo.

Máquinas reativas

Máquinas reativas representam a forma mais básica e antiga de IA. Esses sistemas não têm noção de passado ou futuro; operam estritamente sobre entradas imediatas com base em regras preprogramadas.

A característica definidora da IA reativa é ser stateless e determinística. Se você fornecer a mesma entrada dez vezes, ela produzirá a mesma saída dez vezes. Não aprende com experiência porque não armazena memória.

Um bom exemplo é o Deep Blue, da IBM, o computador de xadrez que derrotou Garry Kasparov. Ele não aprendeu a psicologia de Kasparov. Apenas calculava o melhor lance com base no estado atual do tabuleiro. Filtros de spam padrão que sinalizam palavras-chave sem analisar seu histórico de e-mails também entram nessa categoria.

IA de memória limitada

IA de memória limitada domina as aplicações modernas. Ao armazenar temporariamente dados recentes ou contexto para tomar decisões informadas, esses sistemas possibilitam comportamento dinâmico. Diferente das máquinas reativas, elas consultam informações históricas dentro de uma janela de contexto limitada.

Quase todas as ferramentas de IA preditiva e generativa usadas hoje se encaixam nessa categoria. LLMs como o Claude Opus 4.5 mantêm o histórico da conversa, lembrando o que você disse minutos antes para fornecer respostas coerentes que se apoiam em interações anteriores. A janela de contexto determina quanta informação histórica o sistema pode consultar. 

Carros autônomos acompanham a velocidade e a trajetória de veículos próximos por alguns segundos, prevendo suas posições futuras em vez de reagir apenas à localização atual.

IA com teoria da mente

IA com teoria da mente ocupa um espaço controverso entre protótipo de pesquisa e capacidade prática. Sistemas nessa categoria modelariam estados mentais humanos, crenças, intenções, emoções e desejos para prever comportamentos com precisão. 

Essa habilidade é essencial para interações sociais naturais, permitindo à IA interpretar sinais implícitos, detectar engano ou adaptar respostas ao humor do usuário. 

Modelos de fronteira anteriores, como o GPT-4 da OpenAI, já alcançaram resultados em nível humano em tarefas de crença falsa, como prever ações com base em crenças incorretas, conforme mostrou o pesquisador de Stanford Michal Kosinski em estudo na PNAS de 2024. 

Ainda assim, especialistas debatem se isso significa que LLMs modernos já podem ser classificados como sistemas genuínos de teoria da mente ou se apenas aplicam correspondência de padrões aprendida no treino de linguagem. Esforços prototípicos incluem o ToMnet, do DeepMind, projetado para inferir crenças de outros agentes em ambientes simulados.

IA autoconsciente

IA autoconsciente descreve a ideia de máquinas com consciência, sensição e um entendimento claro de sua própria existência separada do mundo ao redor. 

Isso representa não apenas inteligência, mas experiência subjetiva. Uma máquina assim não apenas processaria informações sobre si; teria a sensação de "eu existo", com sentimentos, necessidades e desejos associados.

Esse nível transcende a capacidade computacional e entra no terreno filosófico sobre a natureza da consciência. Uma IA autoconsciente sentiria dor, prazer ou medo de ser desligada? Se sim, ela merece consideração moral ou direitos? Essas questões deslocam a conversa da engenharia para a ética.

Não há sistemas existentes próximos a esse patamar. Exemplos fictícios, como HAL 9000 em 2001: uma odisseia no espaço ou Data em Star Trek, ilustram o conceito, mas segue especulativo se algum dia será alcançado.

Principais tipos de modelos de IA

Para além da teoria, profissionais de dados precisam entender as arquiteturas que vão encontrar em produção. Em linhas gerais, os modelos de IA usados hoje no mercado podem ser classificados como criadores ou analistas. Você pode ler mais sobre essa distinção neste artigo sobre modelos generativos versus discriminativos.

IA generativa: os criadores

Modelos de IA generativa são projetados para gerar novos dados semelhantes aos do seu conjunto de treino. Eles aprendem a distribuição de probabilidade subjacente de um dataset para produzir texto, imagens, código ou áudio originais. Essa mudança de análise para criação abre muitas possibilidades para geração de conteúdo em escala, ampliação criativa e simulações. 

Exemplos populares incluem LLMs como o Claude para escrita e código, modelos de difusão como o Midjourney ou Nano Banana Pro para síntese de imagens, e modelos de geração de vídeo como o Sora que podem simular cenas complexas. Vale notar: nem todo gerador de imagens usa difusão; modelos como o GPT Image 1.5 utilizam arquitetura autoregressiva.

IA generativa representa um grande avanço em fluxos de trabalho agentic, nos quais modelos não apenas respondem, mas criam ativos ou planos ativamente. Vamos ver agentes de IA em mais detalhes adiante.

IA discriminativa: os analistas

Enquanto a IA generativa rouba os holofotes, a IA discriminativa, também chamada de IA preditiva, continua sendo a espinha dorsal das operações empresariais. Esses modelos não criam novos dados; em vez disso, aprendem a fronteira entre classes para classificar entradas ou prever valores futuros.

O valor de negócio da IA discriminativa está na capacidade de embasar decisões e avaliar risco. Organizações usam esses modelos para automatizar julgamentos que exigem aplicação consistente de critérios aprendidos.

Ao contrário dos modelos generativos, os discriminativos não priorizam criatividade, mas sim precisão e confiabilidade, muitas vezes operando em cenários críticos em que erros têm grande impacto.

Exemplos incluem:

• Modelos de credit scoring prevendo risco de inadimplência.
• Filtros de spam classificando e-mails como lixo ou legítimos.
• Ferramentas de diagnóstico médico identificando anomalias em raios X.
• Sistemas de monitoramento financeiro detectando transações fraudulentas. 

Foundation models

Foundation models são treinados em grandes e diversos conjuntos de dados, incluindo texto, imagens, código e dados estruturados, aprendendo padrões gerais aplicáveis em vários domínios. Um foundation model não apenas aprende a classificar imagens ou gerar texto; ele desenvolve uma compreensão ampla de linguagem, raciocínio e conhecimento de mundo que se transfere para novas tarefas com treino adicional mínimo.

Essa abordagem reduz drasticamente o tempo e os dados necessários para implementar IA em novas aplicações. Em vez de construir um modelo separado para cada problema, as organizações fazem fine-tuning de um único foundation model para tarefas diversas, de análise de documentos jurídicos a geração de código e tradução.

Estamos vendo o crescimento dos Small Language Models (SLMs). São versões eficientes e destiladas de foundation models projetadas para rodar localmente em dispositivos (como laptops ou celulares), oferecendo privacidade e velocidade sem o alto custo computacional da nuvem.

Tipos de agentes de IA

A IA está evoluindo de ferramentas passivas para agentes autônomos capazes de executar fluxos de trabalho complexos. Enquanto um modelo padrão espera uma entrada para produzir uma saída, um agente de IA consegue perceber o ambiente, raciocinar sobre como atingir um objetivo e agir para executá-lo. Para entender a arquitetura por trás de agentes e como construí-los, recomendo começar pelo curso Introduction to AI Agents.

Os tipos de agentes de IA geralmente são categorizados pelo nível de complexidade e autonomia. Vamos dar uma olhada.

Agentes reflexos simples

Agentes reflexos são a forma mais simples de agente. Operam por regras do tipo "condição-ação", reagindo apenas à percepção atual e ignorando o histórico. Um termostato inteligente exemplifica isso com regras como: se a temperatura cair abaixo de 20°C, ligar o aquecimento; se ultrapassar 22°C, ativar o resfriamento. 

Robôs de linha de montagem são outro exemplo: executam ações quando sensores detectam que as peças chegaram às posições designadas. Agentes reflexos brilham em tarefas repetitivas em ambientes estáveis, mas sofrem quando as condições mudam de forma inesperada, pois carecem de entendimento contextual para se adaptar.

Agentes reflexos baseados em modelo

Agentes reflexos baseados em modelo mantêm um modelo interno do mundo, acompanhando o estado ao longo do tempo para lidar com ambientes parcialmente observáveis. Eles não apenas reagem, mas lembram informações-chave necessárias para operar corretamente.

Sistemas autônomos de frenagem de emergência exemplificam isso ao fundir dados de radar e câmeras para rastrear trajetórias de veículos ao longo do tempo, em vez de reagir apenas a ameaças imediatas. Eles mantêm estimativas de estado mesmo com informações incompletas, como lembrar a posição estimada de um carro após ele desaparecer atrás de um caminhão.

Agentes baseados em metas

Agentes baseados em metas agem para atingir objetivos específicos, e não apenas para reagir. Dada uma meta como "planejar uma viagem à Itália", eles consideram múltiplas sequências de ações e avaliam quais levam à satisfação da meta. Esse é o estado da arte da agentic AI.

Ferramentas como o Roo Code para engenharia de software ou assistentes autônomos de reservas executam fluxos de trabalho de várias etapas, como pesquisar, comparar, checar restrições e tomar decisões para concluir tarefas inteiras. Plataformas de workflow como a n8n permitem construir processos complexos em que agentes de IA lidam com pontos de decisão e lógica adaptativa.

Se você quer criar uma base sólida em agentes de IA, recomendo a trilha AI Agent Fundamentals.

Agentes baseados em utilidade 

Agentes baseados em utilidade vão um passo além: eles otimizam pelo melhor caminho para as metas, e não por qualquer caminho que funcione. Fazem isso empregando funções de utilidade que atribuem pontuações numéricas aos resultados, permitindo comparação quantitativa. 

Enquanto um agente baseado em metas reserva qualquer voo para Roma, um agente baseado em utilidade considera fatores como custo, duração, conexões e horários de partida para maximizar a utilidade geral.

Exemplos incluem sistemas de negociação algorítmica que equilibram lucro e risco, e apps de navegação como o Waze, que otimizam rotas com base em preferências como menor tempo, menor distância ou evitar pedágios.

Agentes que aprendem

Agentes que aprendem operam em ambientes desconhecidos ou em mudança, melhorando continuamente com a experiência sem intervenção humana. A arquitetura inclui um crítico que fornece feedback de desempenho e um componente de aprendizado que modifica a política do agente. 

Rovers em Marte aprendem quais características do terreno indicam caminhos seguros à medida que encontram formações geológicas novas. O algoritmo de recomendação da Netflix é outro exemplo: ele refina continuamente o entendimento das preferências do usuário com base no histórico de visualização, melhorando as sugestões ao longo do tempo.

Frameworks agentic: construindo os agentes

Frameworks agentic funcionam como o sistema operacional para agentes complexos, conectando o núcleo de raciocínio (tipicamente um LLM) à memória, ferramentas e coordenação multiagente. Eles gerenciam:

• Orquestração: Decidir qual agente cuida de cada subtarefa e controlar o workflow entre componentes
• Planejamento: Quebrar metas complexas em etapas executáveis e se adaptar quando as circunstâncias mudam
• Uso de ferramentas: Dar acesso a buscadores, bancos de dados, APIs ou execução de código
• Memória: Manter histórico de conversa e contexto de longo prazo para além das interações imediatas

Frameworks populares incluem:

• LangChain/LangGraph: Padrão do setor para conectar LLMs a fontes de dados, com integrações extensas.
• Google ADK: Framework open source para criar agentes sofisticados no Vertex AI.
• CrewAI: Orquestra vários agentes com papéis distintos colaborando em tarefas complexas.

Para uma referência rápida sobre essas arquiteturas, recomendo conferir o cheat sheet de AI Agents. 

Conclusão

Cobrimos muita coisa por aqui; vamos recapitular. 

Em vez de ver a IA como uma tecnologia monolítica, precisamos reconhecê-la como um ecossistema diverso de abordagens especializadas, cada uma adequada a problemas específicos. Entender IA de ponta a ponta exige examiná-la pelas três lentes de tecnologia, capacidade e funcionalidade.

Atualmente, vivemos a transição de uma IA estreita, focada em tarefas específicas, para formas iniciais de agentic AI que executam fluxos de trabalho complexos de forma autônoma, tornando este um ponto de inflexão para a adoção em diversos setores.

Dê o primeiro passo rumo à especialização em IA matriculando-se na trilha de habilidades AI Fundamentals.