Como a IA Funciona (de verdade)

Você não precisa saber como um motor de combustão funciona para ser um motorista excelente. Mas precisa saber que ele superaquece se ficar sem óleo, que não funciona com diesel se for a gasolina, e que o acelerador não é o freio.

Com a IA é igual. Você não precisa entender matrizes de transformação ou gradiente descendente. Mas precisa entender o suficiente para não cometer os erros que a maioria comete — tratar a IA como oráculo, confundir fluência com veracidade, delegar o que não deve ser delegado.

Este módulo é o "manual básico do motor" — sem matemática, com analogias que ficam.

O ponto de partida: prever o próximo token

O mecanismo fundamental de um modelo de linguagem como o Claude ou o ChatGPT é surpreendentemente simples de descrever: prever qual é o próximo token — o próximo fragmento de texto.

Você conhece isso do teclado do seu celular. Quando você digita "Bom dia,", o teclado sugere "como vai você?" — porque essa sequência apareceu bilhões de vezes em mensagens anteriores. O teclado aprendeu padrões.

Um modelo de linguagem faz a mesma coisa — mas em escala astronômica. Treinado em centenas de bilhões de palavras (livros, artigos, sites, conversas, código), ele internalizou padrões tão complexos que consegue completar sequências longas de texto de forma coerente, informativa e persuasiva.

O autocomplete do seu celular e um grande modelo de linguagem partilham a mesma ideia básica: prever a continuação mais provável. Mas os modelos atuais vão muito além da escala: combinam arquiteturas muito mais poderosas, janelas de contexto enormes e etapas de pós-treinamento (ajuste por instruções e feedback humano) que os tornam qualitativamente diferentes no uso. Um aprendeu padrões em milhões de mensagens; o outro, em trilhões de palavras.

O que "treinamento" significa na prática

Quando dizemos que um modelo foi "treinado", estamos descrevendo um processo: o sistema leu enormes volumes de texto e, bilhões de vezes, tentou prever o próximo token. Cada vez que errou, um algoritmo ajustou levemente os seus parâmetros internos — os "pesos" que determinam como ele processa informação. Ao longo de semanas ou meses, com bilhões de ajustes, o modelo ficou progressivamente melhor em prever texto.

O que emerge desse processo não é uma "memória" dos textos que leu — como você memorizaria uma página. É mais parecido com uma abstração profunda dos padrões que existem na linguagem — como argumentos se estruturam, como conceitos se relacionam, como histórias são contadas. (Ainda assim, o modelo pode memorizar certos trechos, sobretudo quando são raros ou muito repetidos nos dados.)

Por que a IA alucina — e o que isso revela sobre como ela funciona

"Alucinação" é o termo popularmente usado para quando a IA inventa informações com a mesma confiança com que reporta informações verdadeiras. Ela cita artigos científicos que nunca existiram. Inventa citações de pessoas reais. Declara datas históricas com precisão — e erra.

Não é prudente tratar a alucinação como um defeito que some na próxima versão. Melhorias de treinamento, busca e verificação podem reduzi-la bastante — mas nenhuma versão garante verdade em toda situação. É uma consequência direta de como o sistema funciona.

O modelo não "sabe" a diferença entre o que é verdade e o que é plausível. Ele sabe o que é provável de aparecer em texto. Quando você pergunta "Quando o Einstein nasceu?", um modelo puro, sem ferramenta de busca conectada, não consulta um banco de dados — ele gera a resposta mais plausível a partir de padrões (produtos modernos podem buscar na web ou em documentos que você fornece; voltaremos a isso no M5). Normalmente está certo. Às vezes está terrivelmente errado, com igual confiança.

Isso é fundamental: a IA não tem acesso privilegiado à verdade. Ela tem acesso a padrões em texto humano. Quando o texto humano era consistente sobre um fato, ela geralmente acerta. Quando é ambíguo, inconsistente ou ausente do seu treinamento — ela pode inventar algo plausível.

Tokens, contexto e a "memória de curto prazo" da IA

A IA não processa palavras — processa "tokens", que são fragmentos de texto. A relação entre tokens e palavras varia conforme o idioma e o modelo: em português, uma palavra pode ocupar um ou vários tokens. E tem uma janela de contexto: o equivalente à quantidade de texto que ela consegue "manter em mente" ao mesmo tempo.

Pense assim: cada conversa com a IA é como falar com alguém que tem uma memória de curto prazo excelente mas nenhuma memória de longo prazo. O modelo, sozinho, recebe apenas o contexto daquela execução — no início de uma nova conversa, ele não traz as anteriores. Alguns produtos adicionam memória persistente, histórico ou projetos, mas isso é uma camada do produto, não uma lembrança espontânea do modelo. Dentro de uma conversa, ela consegue manter o fio com impressionante coerência — até o limite da janela de contexto. Mesmo dentro desse limite, porém, estar na janela não garante uso perfeito: em contextos longos, detalhes do meio podem receber pouca atenção — um fenômeno que a Anthropic chama de "context rot".

Isso tem implicações práticas: em conversas longas, as informações do início podem ser "esquecidas". E entre sessões, você começa do zero — a menos que configure um sistema de memória (como o Coach Burrinho IA faz).