Da compreensão dos modelos generativos à criação de agentes e à transformação estratégica de organizações.
I
Educação Universal em IA
Introdução
Apresentação do curso, da proposta pedagógica, da apostila e de seu autor.
Para quem é este curso e por que "IA sem barreiras"
O termo “IA sem barreiras” nasce da ideia de que a educação em inteligência artificial deve estar ao alcance de todas as pessoas. A IA não é um assunto restrito a profissionais de tecnologia: ela já influencia a maneira como trabalhamos, aprendemos, nos comunicamos, criamos e tomamos decisões.
Este curso foi criado para todas as pessoas que desejam compreender e utilizar melhor a inteligência artificial, independentemente da profissão, da idade, da área de atuação ou do nível de familiaridade com tecnologia. Para algumas, aprender sobre IA será uma forma de atualização profissional; para outras, poderá abrir caminhos para novos trabalhos, atividades ou até mesmo uma mudança de carreira. Há também quem queira simplesmente compreender melhor o que está acontecendo no mundo, acompanhar as transformações em curso e se preparar para viver e trabalhar em uma realidade cada vez mais influenciada por essa tecnologia.
O conteúdo foi estruturado para atender pessoas em diferentes níveis de conhecimento, sem exigir formação técnica prévia. A abordagem é progressiva e didática: parte dos fundamentos, apresentados com clareza, e avança gradualmente para conceitos, aplicações, estratégias e perspectivas mais complexas. Assim, o curso serve tanto para quem está começando e deseja construir uma base sólida quanto para quem já utiliza inteligência artificial e busca aprofundar, organizar e expandir o que sabe.
Por isso, ser acessível para iniciantes não significa ser básico ou superficial. Mesmo quem já tem experiência encontrará novas ideias, conexões e formas de pensar que podem ajudar a consolidar conhecimentos, aprimorar a prática e explorar melhor o potencial da inteligência artificial.
Não temos como frear o avanço dessa tecnologia. Diante desse cenário, a melhor escolha é aprender, experimentar e nos adaptar. Foi assim com a internet e com tantas outras tecnologias que transformaram profundamente a sociedade: no início, pareciam distantes ou restritas a determinados grupos; com o tempo, passaram a fazer parte da vida de todos.
Este curso busca oferecer conhecimentos que ajudem cada pessoa a encontrar o seu próprio lugar nesse novo mundo.
Ementa e visão geral sobre os conteúdos
Princípio do curso
Os conceitos não dependem de uma única plataforma
O curso foi construído para ensinar conceitos que não dependem de uma única ferramenta. Você pode utilizar ChatGPT, Claude, Gemini ou outra plataforma de inteligência artificial: os fundamentos apresentados ao longo das aulas continuam válidos e podem ser aplicados em diferentes ambientes.
A maior parte das demonstrações práticas será realizada no ChatGPT, mas, sempre que for relevante, também serão apresentadas as equivalências, particularidades e possibilidades existentes em outras plataformas. As interfaces e alguns recursos podem mudar, mas os principais conceitos permanecem os mesmos. O objetivo é que você desenvolva uma compreensão que não fique limitada a uma ferramenta específica e consiga se adaptar à evolução constante desse mercado.
O curso está organizado em três módulos complementares:
01
Módulo 1 — Fundamentos de IA Generativa e LLMs
O primeiro módulo constrói a base necessária para utilizar bem a inteligência artificial. Nele, você compreenderá o que é IA, como funcionam os modelos de linguagem, como avaliar suas respostas e como se comunicar melhor com essas ferramentas.
Também serão apresentados temas como engenharia de prompts, engenharia de contexto, assistentes de IA, pesquisa na internet, análise de arquivos e geração de diferentes tipos de conteúdo. Esses fundamentos são importantes porque permitem um uso mais consciente, seguro e eficiente da tecnologia. Mesmo que você já utilize a inteligência artificial com certa proficiência, este módulo traz insights importantes que podem aprofundar sua visão sobre o assunto e ampliar a qualidade dos seus resultados.
02
Módulo 2 — Agentes de IA
O segundo módulo avança para um dos temas mais importantes da transformação atual: os agentes de IA. Você compreenderá o que são agentes, como funcionam e por que eles podem transformar profundamente o trabalho. O conteúdo também ajudará você a entender como escolher a ferramenta mais adequada para criar agentes diante do número crescente de plataformas que surgem a cada dia, cada uma com diferentes recursos, níveis de integração e possibilidades de uso.
Neste módulo, você deixará de criar apenas copilotos, que dependem da interação constante com uma pessoa, para aprender a criar verdadeiros funcionários de IA: sistemas capazes de automatizar tarefas longas e complexas de forma integrada e autônoma.
03
Módulo 3 — Desenvolvendo visão estratégica com IA
O terceiro módulo amplia a perspectiva e apresenta uma visão mais estratégica da transformação provocada pela inteligência artificial. Ele foi pensado especialmente para lideranças, profissionais responsáveis por decisões e pessoas interessadas em compreender como essa mudança pode afetar empresas, setores, profissões e mercados.
Ao longo do módulo, serão discutidos temas como transformação AI-first, integração entre pessoas e agentes, governança, cultura organizacional, dados e vantagem competitiva através de IA. Também será abordada a importância dos dados no mundo atual, ajudando você a compreender com mais profundidade por que eles se tornaram tão relevantes, e o que está acontecendo a partir dessa transformação. O objetivo é ajudar você a identificar oportunidades reais, diferenciar tendências passageiras de transformações estruturais e compreender como organizações e áreas profissionais podem se preparar para o futuro.
O curso foi estruturado para construir uma base sólida desde os fundamentos e avançar gradualmente até as aplicações mais estratégicas da Inteligência Artificial. Leia sem pressa, teste os conceitos, converse com uma IA sobre suas dúvidas e volte aos pontos que ainda não ficaram claros.
01
A leitura deste material ajuda muito no aprendizado
O conteúdo das aulas gravadas é denso. A leitura oferece outro ritmo para revisitar os conceitos, complementar as explicações e consolidar o aprendizado.
02
Transforme dúvida em diálogo
Entregue esta apostila ao ChatGPT, Claude ou Gemini e peça que atue como tutor, respondendo com base no material.
03
Aplique ao seu contexto
Faça os exercícios propostos ao longo da apostila. Essa prática ajuda a recuperar e aplicar os conceitos, identificar pontos que precisam ser revistos e promover uma absorção mais profunda do conteúdo, especialmente quando você relaciona as respostas ao seu trabalho, à sua empresa ou à sua vida.
A apostila segue a ementa oficial e cresce aula por aula. Cada capítulo combina o conteúdo falado na gravação com os respectivos slides, reorganizado em explicações, diagramas, exemplos, exercícios e instrumentos de revisão.
Sobre o professor e autor do conteúdo
Me chamo Fernando Casanova. Trabalho como consultor de Tecnologia e Inteligência Artificial, educador e cofundador da Mnova Solutions. Minha trajetória passa por temas como engenharia de software e desenvolvimento de sistemas, arquitetura de soluções, liderança de tecnologia e produtos, estruturação de empresas, consultoria e, principalmente, educação e ensino.
Desde pequeno, sempre fui apaixonado por ensinar e criar conteúdos didáticos. A realização deste projeto representa, para mim, a concretização de um sonho pessoal: construir um conteúdo capaz de ajudar pessoas a atravessarem da melhor maneira possível a transformação trazida pela inteligência artificial, oferecendo conhecimento, caminhos, ideias e ferramentas que as ajudem a continuar relevantes em um mercado de trabalho que está mudando diante dos nossos olhos.
Se quiser conhecer mais sobre meu trabalho, trocar experiências ou conversar sobre o conteúdo desse curso, será um prazer me conectar com você no LinkedIn.
Este curso nasceu do desejo de compartilhar conhecimento sobre Inteligência Artificial com o maior número possível de pessoas. Vivemos uma transformação que pode impactar o trabalho, os estudos e as escolhas de muita gente. O propósito deste projeto é oferecer orientação para que mais pessoas entendam o que está acontecendo, consigam se atualizar e atravessem essa mudança da melhor forma possível.
Como parte desse compromisso, o curso já é distribuído gratuitamente a escolas e associações que atendem pessoas de baixa renda. Dessa forma, o conhecimento pode chegar a comunidades e estudantes que nem sempre têm as mesmas oportunidades de acesso à formação e às novas tecnologias.
Os aprendizados podem e devem circular. Compartilhe as ideias, aplique o que aprendeu e ajude outras pessoas a compreenderem essa transformação. Já os materiais que tornaram esse aprendizado possível não devem ser compartilhados sem autorização expressa do autor.
Se você adquiriu este material, use-o com consciência e não o distribua sem autorização. Se gostou do curso e deseja compartilhá-lo com um amigo ou com a sua empresa, indique o curso e incentive essas pessoas a obterem o próprio acesso. Respeitar o acesso ao material ajuda a tornar este projeto sustentável.
Ao fazer isso, você contribui diretamente para a continuidade do curso e para o crescimento do projeto de educação em comunidades periféricas. Cada acesso adquirido por quem pode pagar ajuda a manter o conteúdo acessível e a ampliar sua distribuição gratuita para quem mais precisa.
Antes de aprender técnicas de uso, precisamos construir um mapa mental: o que chamamos de Inteligência Artificial, como as principais abordagens se relacionam, o que torna uma IA generativa e por que as LLMs ampliaram tanto as possibilidades de interação com computadores.
O que é Inteligência Artificial
Uma resposta útil começa reconhecendo que não existe uma única definição aceita por todas as pessoas. A aula abre justamente com casos que desafiam nossa intuição: o computador que derrotou Garry Kasparov no xadrez em 1997, uma assistente de voz, os antigos chatbots de árvore de decisão e um semáforo que ajusta seu tempo ao movimento da rua. Todos automatizam competências associadas a seres humanos, mas fazem isso de maneiras muito diferentes.
O computador jogador de xadrez que venceu Kasparov em 1997 usava seu poder computacional para calcular, por força bruta, um enorme número de jogadas possíveis e identificar a melhor. Por ser um programa baseado em cálculos matemáticos, que se apoiava na capacidade de fazer muitas contas, algumas pessoas questionam se isso é, de fato, uma IA. A aula começa, então, com uma provocação: o resultado de um sistema basta para chamá-lo de Inteligência Artificial ou precisamos saber como ele foi construído?
Para compreender essa evolução, podemos comparar uma definição tradicional com uma definição moderna.
Definição tradicional
Na definição tradicional, um sistema poderia ser considerado Inteligência Artificial quando utiliza regras, lógica, busca ou outras técnicas para reproduzir capacidades associadas à inteligência humana, como perceber, raciocinar, resolver problemas, compreender linguagem e tomar decisões.
Definição moderna
Uma definição contemporânea bastante utilizada é a da Organização para a Cooperação e Desenvolvimento Econômico, a OCDE, que de forma resumida diz: “Um sistema de Inteligência Artificial recebe informações, considera objetivos explícitos ou implícitos e infere como produzir uma saída, como uma previsão, um conteúdo, uma recomendação ou uma decisão.”
Quando falamos da definição moderna apresentada, a palavra inferir é central. Ela indica que o sistema utiliza algum modelo, lógica ou mecanismo de análise para determinar qual saída deve produzir a partir das informações recebidas.
O que muda entre as duas definições
As duas definições não são opostas. Muitos sistemas são considerados IA nas duas.
A definição tradicional parte da tentativa de reproduzir capacidades associadas à inteligência humana. A definição moderna descreve o funcionamento do sistema de forma mais objetiva: ele recebe entradas, considera objetivos, realiza algum tipo de inferência e produz saídas.
A definição moderna também ajuda a evitar uma interpretação ampla demais. Nem todo programa que executa uma tarefa humana é uma Inteligência Artificial segundo essa definição. Uma calculadora realiza cálculos que poderiam ser feitos por uma pessoa e, por isso, pode ser considerada IA segundo a definição tradicional apresentada. Pela definição moderna, porém, ela apenas executa a operação escolhida pelo usuário por meio de procedimentos previamente definidos, sem inferir qual estratégia deve utilizar.
Uma limitação da definição tradicionalQuando adotamos um critério tão amplo, até uma calculadora pode ser considerada Inteligência Artificial.
Exemplo
Definição tradicional
Definição moderna
Por quê?
Calculadora comum
Sim
Não
Utiliza regras para reproduzir uma capacidade humana e resolver cálculos, enquadrando-se na definição tradicional ampla. Pela definição moderna apresentada, apenas executa a operação escolhida pelo usuário por meio de um procedimento previamente definido, sem inferir qual estratégia deve utilizar.
Deep Blue, que derrotou Garry Kasparov
Sim
Sim
Reproduzia uma capacidade associada à inteligência humana e utilizava busca e avaliação para decidir qual jogada realizar.
Assistente de voz
Sim
Sim
Interpreta uma solicitação e produz uma resposta ou ação de acordo com o objetivo identificado.
Chatbot de árvore de decisão
Sim, em uma definição ampla
Não
Pode ser considerado uma forma de IA baseada em regras. Entretanto, se apenas conduz o usuário por opções totalmente fixas, aproxima-se mais de uma automação.
Semáforo com horários fixos
Não
Não
Apenas executa uma programação predefinida, sem analisar o ambiente ou decidir como adaptar seu comportamento.
Semáforo adaptativo
Sim
Sim
Recebe dados de sensores, analisa o fluxo de veículos e decide como ajustar o tempo dos sinais.
Robô aspirador com percurso fixo
Sim
Não
Pela definição tradicional ampla, utiliza regras para reproduzir uma capacidade humana: limpar um ambiente. Pela definição moderna apresentada, apenas repete uma trajetória ou sequência previamente programada, sem inferir como adaptar seu comportamento.
Robô aspirador que mapeia o ambiente
Sim
Sim
Utiliza sensores para reconhecer obstáculos, construir um mapa, planejar rotas e adaptar seu comportamento.
O caso dos chatbots baseados em regras
O chatbot de árvore de decisão é o exemplo mais difícil de classificar.
Historicamente, sistemas baseados em regras e lógica simbólica fazem parte do campo da Inteligência Artificial. Por isso, um chatbot que utiliza regras para simular uma conversa pode ser considerado IA pela definição tradicional.
Entretanto, se ele apenas mostra um menu e conduz o usuário por caminhos completamente predefinidos, sua capacidade de inferência é muito limitada. Nesse caso, é mais preciso descrevê-lo como uma automação conversacional.
A classificação pode mudar se o chatbot interpretar mensagens escritas livremente, consultar uma base de conhecimento ou inferir qual caminho é mais adequado para responder ao usuário.
Automação ou Inteligência Artificial?
Tanto uma automação quanto uma Inteligência Artificial podem receber informações, escolher caminhos e produzir resultados. Portanto, o simples fato de um sistema analisar uma entrada não significa que ele utiliza IA.
Em uma automação tradicional, as regras são definidas previamente por pessoas. Por exemplo: “se o cliente escolher a opção boleto, envie o link para pagamento”. O sistema identifica a opção selecionada e executa a ação programada.
Em uma Inteligência Artificial, não é necessário programar antecipadamente uma regra para cada situação possível. Imagine que, em vez de selecionar uma opção, o cliente escreva livremente: “Não consegui pagar minha fatura. Você pode me mandar outra forma de pagamento?”. A IA interpreta o que a pessoa escreveu, identifica que ela precisa de uma alternativa e pode concluir que deve oferecer um boleto. Não foi necessário criar uma regra específica para cada maneira possível de fazer esse pedido.
Uma pergunta útil para ajudar nessa distinção é: uma pessoa precisou definir previamente cada regra e cada caminho ou o sistema consegue interpretar as informações e determinar o resultado?
Na prática, automação e IA também podem trabalhar juntas. Nesse mesmo exemplo, a IA pode interpretar a mensagem e decidir que o cliente precisa de um boleto, enquanto uma automação gera o documento e envia o link para pagamento.
Os diferentes tipos de IA
Inteligência Artificial é o campo mais amplo. Dentro dele existem diferentes maneiras de fazer uma máquina executar uma tarefa. A primeira é a programação tradicional: uma pessoa escreve regras e um algoritmo determina o passo a passo. A segunda é o Machine Learning, ou aprendizado de máquina: o sistema recebe exemplos, identifica padrões e usa esses padrões para tomar decisões de forma probabilística. Ou seja, de acordo com o que observou nos dados fornecidos, o modelo de Machine Learning diz qual resposta tem a maior probabilidade de ser a correta.
O mapa dos slides organiza diferentes formas de construir IA e situa Machine Learning, Deep Learning, IA Generativa e ChatGPT dentro do campo mais amplo.
Regras explícitas
Programação tradicional
O comportamento nasce de instruções escritas por pessoas. É adequada quando as regras são conhecidas e podem ser descritas com clareza.
Padrões nos dados
Machine Learning
Em vez de programar todas as decisões, fornecemos dados e exemplos para que o modelo aprenda relações úteis e tome decisões probabilísticas.
Deep Learning é uma área de Machine Learning criada para lidar com problemas de maior complexidade. Durante muito tempo, boa parte desse potencial ficou restrita à teoria porque faltava capacidade de processamento. O uso de GPUs, originalmente populares na computação gráfica, permitiu processar volumes muito maiores de dados e acelerou a passagem dessas ideias para aplicações práticas.
Uma hierarquia, não uma disputaMachine Learning não substitui toda programação, e Deep Learning não torna as demais técnicas inúteis. Cada camada amplia as possibilidades para determinados problemas. A escolha deve partir da tarefa e da complexidade necessária.
Como surgiram a IA Generativa e as LLMs
A IA Generativa acrescenta uma propriedade importante: depois de aprender padrões, ela consegue produzir conteúdos novos. Se você solicitar várias versões de um texto ou de uma imagem, o sistema não precisa recuperar sempre um item pronto. Ele combina o que aprendeu para construir novas respostas a cada execução.
Conteúdo gerado no momento da interação
O mesmo pedido pode produzir respostas diferentes
Em condições normais de uso, se você pedir dez vezes para uma LLM responder à mesma solicitação, ela pode produzir dez respostas diferentes. A LLM não recupera uma resposta única pronta: ela gera a resposta no momento da interação, usando o contexto disponível e os padrões que aprendeu.
2009GPUs destravam processamento
A aula destaca o uso de placas de vídeo como ponto de aceleração para técnicas mais complexas.
2012Primeiras aplicações práticas
O avanço computacional começa a transformar pesquisas em sistemas utilizáveis.
2014Salto generativo
A IA generativa é explorada na academia como um campo ainda teórico, dedicado a modelos capazes de criar novos conteúdos.
2018Imagem, vídeo e restauração
Deep Art, Deep Fakes e reconstrução de dados tornam a ideia mais visível.
2020Popularização das LLMs
Interfaces conversacionais aproximam modelos de linguagem do público.
Esta linha do tempo reproduz a narrativa didática apresentada na gravação e nos slides.
Deep Art: aprender padrões visuais para imaginar novas versões de uma imagem.Deep Fake: transformar rostos e cenas em vídeo, com aplicações criativas e riscos de desinformação.Restauração: reconstruir partes danificadas de fotos, músicas e outros arquivos.
Entre essas aplicações, Deep Fakes deixam clara a ambivalência da tecnologia: a mesma capacidade de transformar imagens e vídeos pode ser criativa, mas também pode facilitar falsificações e desinformação. A técnica não determina sozinha se o uso é benéfico. Contexto, intenção e supervisão continuam essenciais.
As aplicações que mais chamaram a atenção do público foram os Large Language Models, ou grandes modelos de linguagem. As LLMs são treinadas em grandes volumes de textos e aprendem padrões suficientes para compreender instruções, conversar em linguagem natural, adaptar respostas e produzir conteúdos sobre muitas áreas do conhecimento.
As LLMs aparecem nos slides como uma aplicação de IA Generativa voltada à linguagem.O mesmo princípio generativo pode transformar uma instrução em texto, imagem, vídeo ou áudio.
Na prática, a experiência generativa não fica limitada a texto. Diferentes modelos recebem uma instrução e geram texto, imagem, vídeo ou áudio. A linguagem natural se torna uma interface: a pessoa descreve o que deseja e o sistema interpreta esse pedido para construir uma resposta.
Quais problemas as LLMs resolvem
O valor de uma LLM aparece quando conectamos sua capacidade de linguagem a problemas reais. A aula percorre aplicações que vão da aprendizagem à produção de conteúdo, passando por pesquisa, desenvolvimento de software, análise de dados e atendimento.
Consulta de conhecimentos gerais. Conversar com um sistema treinado em muitas áreas permite pedir explicações, tirar dúvidas e adaptar a profundidade ao estudante.Brainstorm de ideias. A IA amplia alternativas quando recebe direção de alguém que conhece o problema. O objetivo é potencializar a criatividade, não terceirizar o pensamento.Geração e revisão de textos. É possível redigir, reescrever e revisar conteúdos, inclusive verificando tom, clareza e aderência a diretrizes de comunicação.Buscas na internet ou em arquivos. A linguagem natural facilita consultar manuais extensos, combinar informações e pesquisar fontes, que ainda precisam ser abertas e avaliadas.Geração de código. Modelos apoiam desenvolvimento, explicação e revisão de software, acelerando tarefas que antes exigiam muito trabalho manual.Geração de vídeos, imagens e sons. Modelos generativos criam e transformam diferentes mídias a partir de instruções e referências.Classificação de dados e monitoramento. A IA pode localizar exceções e chamar atenção para o que precisa de ação, como inconsistências em um sistema de apontamento de horas.Suporte inteligente. Em vez de seguir apenas árvores rígidas, o atendimento pode compreender intenção, contexto e preferências do usuário.
Potencializar não é terceirizar o pensamentoUma pessoa sem repertório pode aceitar qualquer resposta fluente e tornar-se dependente. Uma pessoa que conhece o domínio consegue direcionar referências, reconhecer ideias fracas e usar a IA para ampliar sua pesquisa e sua criatividade. O melhor uso combina capacidade técnica com julgamento humano.
Essa distinção vale para todos os exemplos. Uma busca assistida ainda exige abertura e avaliação das fontes. Um texto gerado precisa de revisão. Um alerta sobre dados precisa ser interpretado dentro do processo. Um atendimento automatizado precisa de limites e possibilidade de escalonamento. O papel humano não é apenas avaliar o resultado. Também é preciso fornecer o contexto correto, verificar se as informações de entrada são confiáveis, suficientes e adequadas para a tarefa e acompanhar se a IA está interpretando essas informações da forma esperada. A IA reduz esforço e amplia alcance, mas a responsabilidade pelo uso permanece humana.
Revisão
Revisão da Aula 1.1
Tente responder com suas próprias palavras antes de abrir cada pergunta e conferir a explicação.
01
Questões de revisão
Abra cada pergunta para conferir a resposta.
O que é IA?
Não existe uma única definição aceita por todas as pessoas. Em sentido amplo, Inteligência Artificial é o campo que desenvolve sistemas capazes de reproduzir capacidades associadas à inteligência humana, como perceber, raciocinar, compreender linguagem, resolver problemas e tomar decisões. Pela definição contemporânea apresentada na aula, um sistema de IA recebe informações, considera objetivos explícitos ou implícitos e infere como produzir uma saída, como uma previsão, um conteúdo, uma recomendação ou uma decisão.
Uma calculadora pode ser considerada uma IA?
Depende da definição adotada. Pela definição tradicional e mais ampla apresentada na aula, uma calculadora pode ser considerada IA por reproduzir uma capacidade associada à inteligência humana: realizar cálculos. Pela definição moderna, uma calculadora comum não é considerada IA, pois apenas executa operações previamente definidas e não utiliza um modelo para inferir como produzir o resultado.
O que diferencia uma IA de uma automação?
As duas podem receber informações, analisar condições e produzir resultados. Em uma automação tradicional, pessoas definem previamente as regras e os caminhos que o sistema seguirá. Em uma IA, o sistema utiliza um modelo, aprendido com dados ou construído com técnicas de conhecimento e raciocínio, para inferir como produzir uma saída. Na prática, IA e automação também podem trabalhar juntas no mesmo processo.
O que são LLMs? Dê exemplos.
LLMs são grandes modelos de linguagem. Elas aprendem padrões a partir de grandes volumes de textos e outros dados para compreender instruções e gerar linguagem. Podem responder perguntas, resumir documentos, produzir textos, apoiar pesquisas e executar outras tarefas relacionadas à linguagem. GPT, Claude e Gemini são exemplos de famílias de modelos de linguagem.
1.2
Módulo 1 | Fundamentos de IA Generativa e LLMs
Como funcionam as LLMs
Usar uma LLM com segurança começa por entender de onde vem cada resposta. Nesta aula, o modelo é apresentado em duas camadas: um conhecimento aprendido antes do uso e um contexto que pode ser acrescentado durante a tarefa.
Como funcionam as LLMs
Toda interação começa com um prompt, o pedido que enviamos ao modelo. Para construir a resposta, a LLM combina o que aprendeu durante seu treinamento com informações que se tornaram disponíveis naquela conversa. A aula organiza esse processo em duas camadas: modelo base e contexto adicional.
A resposta nasce do encontro entre o pedido do usuário, o conhecimento do modelo base e as informações acrescentadas para a tarefa atual.
Camada 1
Modelo base
É o conhecimento incorporado ao modelo durante o treinamento realizado pela empresa que o desenvolveu.
Livros e materiais escritos
Artigos e conteúdos técnicos
Fóruns, manuais e outras fontes
Padrões de linguagem aprendidos em grande escala
Camada 2
Contexto adicional
É o conjunto de informações que pode orientar a tarefa atual.
O próprio prompt
Mensagens anteriores da conversa
Arquivos e bases fornecidos
Resultados de pesquisas e ferramentas
Essa distinção muda a forma de conversar com a IA. Em vez de perguntar apenas “o modelo sabe?”, passamos a perguntar: qual conhecimento está disponível e qual dele está sustentando esta resposta? Um livro enviado pelo usuário, por exemplo, pode orientar uma explicação mesmo quando seu conteúdo não fazia parte do treinamento original.
O que é data de corte
O modelo base é treinado e lançado em determinado momento. Por isso, o conhecimento incorporado durante o treinamento possui uma data de corte. Informações posteriores não entram automaticamente naquele pacote de conhecimento.
A data de corte limita o conhecimento incorporado ao modelo durante seu treinamento.
A data de corte não significa que a plataforma seja incapaz de responder sobre acontecimentos recentes. Significa que, para isso, ela precisará receber contexto atualizado, consultar a internet ou usar alguma ferramenta disponível. A diferença é importante porque muda a origem e a confiabilidade da resposta.
Conhecimento estável
“O que faz um vereador?”
A função institucional é anterior à data de corte e tende a estar presente no modelo base.
Informação atual
“O que o vereador X está fazendo agora?”
A resposta depende de dados recentes e provavelmente exigirá pesquisa ou outra fonte atualizada.
Na gravação, Fernando relata ter perguntado sobre um jogo que estava acontecendo naquele dia e receber como resposta que o evento não existia. Ao pedir explicitamente uma pesquisa sobre o que estava ocorrendo em Campinas, o modelo encontrou a informação. O episódio ilustra um princípio prático: quando a pergunta depende do presente, confirme se houve busca atualizada.
O que é contexto adicional
Contexto adicional é tudo aquilo que complementa o modelo base para uma tarefa específica. Ele pode ser fornecido diretamente pelo usuário, recuperado de uma base de arquivos, lembrado do histórico disponível ou obtido por pesquisa. Esse contexto não reescreve permanentemente o modelo. Ele ajuda a orientar a resposta naquele uso.
Uma pergunta estável pode ser respondida principalmente pelo modelo base.A função institucional já fazia parte do conhecimento anterior do modelo.Uma pergunta atual exige informação posterior ao treinamento.O contexto adicional, especialmente a pesquisa, passa a sustentar a resposta.
Dar contexto é escolher a lente da respostaAo enviar um livro e pedir que a explicação se baseie nele, você reduz a dependência do conhecimento genérico. Ao indicar sites ou fontes, você direciona a pesquisa. Ao fornecer informações erradas, porém, também aumenta a chance de receber uma resposta errada.
O contexto adicional amplia a capacidade do modelo, mas não elimina a necessidade de avaliação. Arquivos podem estar desatualizados, conversas podem conter premissas incorretas e páginas encontradas na internet podem ser enviesadas. A qualidade da resposta depende também da qualidade do material usado para construí-la.
Como as respostas de uma LLM são geradas
Uma LLM não consulta uma verdade única para então reproduzi-la. Ela avalia o prompt, o modelo base e o contexto adicional para gerar o texto que parece ter maior probabilidade de ser uma continuação adequada. Essa probabilidade é relativa ao que o sistema recebeu e aprendeu, não uma garantia de que a afirmação seja verdadeira no mundo.
A LLM produz uma continuação probabilisticamente coerente com o prompt e com o conhecimento usado naquele momento.O contexto adicional pode vir da conversa, de pesquisas, de arquivos e de bases de conhecimento. Para cada tarefa, o sistema seleciona o que é mais relevante a partir do prompt.
1
Interpretação
O modelo identifica intenção, assunto, restrições e referências presentes no prompt.
2
Composição
Relaciona padrões do treinamento com as informações adicionais consideradas relevantes.
3
Geração
Produz uma sequência coerente de linguagem, palavra após palavra, de acordo com probabilidades.
Probabilidade não é comprovaçãoSe o contexto contém informação falsa, incompleta ou enviesada, a resposta pode refletir esse problema com grande fluidez. A confiança do tom não é evidência de correção.
Como avaliar a confiabilidade das respostas de uma IA
Antes de confiar em uma resposta, procure entender sua origem. A aula apresenta cinco possibilidades. Quatro delas apontam para algum tipo de fonte ou contexto. A quinta é a alucinação: quando o modelo produz algo plausível, mas sem sustentação, e pode inclusive inventar fatos ou referências.
A origem pode ser o pré-treinamento, a internet, o histórico, arquivos fornecidos ou uma alucinação sem sustentação.
Pré-treinamento
Padrões e conhecimentos aprendidos antes da data de corte.
Internet
Resultados recuperados no momento da pesquisa.
Histórico
Informações fornecidas em conversas disponíveis ao modelo.
Arquivos
Materiais enviados ou presentes em uma base consultada.
Alucinação
Conteúdo inventado ou sem fonte verificável.
Uma resposta confiável não depende apenas de uma citação. É preciso abrir as fontes, verificar se elas realmente sustentam o que foi dito e observar autoria, data, método, interesses e limitações. Em temas controversos, procure evidências favoráveis e contrárias para reduzir a chance de confirmar apenas aquilo em que você já acreditava.
Investigue a origem antes de avaliar a resposta.Procure sustentação e também evidências que desafiem a afirmação.Transforme a LLM em ferramenta de pesquisa, não em autoridade final.
Pergunte pela origem
“De onde você tirou essa informação?” ajuda a distinguir treinamento, arquivo, histórico e pesquisa.
Busque sustentação e contrapontos
Peça argumentos, provas e fontes que apoiem e também que contestem a afirmação.
Avalie as fontes
Confira o conteúdo original e compare sua qualidade, atualidade e aderência ao que foi afirmado.
Prompt para investigação crítica
Investigue o tema com base em fontes confiáveis, atuais e verificáveis. Apresente evidências que sustentem as afirmações feitas e também fontes relevantes que as contestem ou ofereçam interpretações alternativas.
Para cada fonte, informe o autor ou instituição, a data de publicação e o link. Priorize estudos científicos, documentos oficiais, dados públicos e veículos reconhecidos. Avalie a credibilidade, a metodologia, possíveis vieses e as limitações de cada evidência.
Ao final, faça uma análise crítica e neutra comparando os argumentos, identificando consensos, divergências, lacunas e incertezas. Conclua indicando qual interpretação é mais bem sustentada pelas evidências disponíveis e qual é o grau de confiança dessa conclusão. Não trate opiniões ou correlações como fatos comprovados e não invente referências.
Prompt para avaliar a confiabilidade de uma fonte
Pesquise a reputação e a confiabilidade da fonte abaixo:
Fonte: [cole aqui o nome, link ou referência]
Identifique quem é responsável por essa fonte, sua trajetória, possíveis interesses ou conflitos e como ela é percebida por especialistas, instituições e veículos independentes.
Busque evidências que sustentem ou coloquem em dúvida sua credibilidade: histórico de acertos e erros, transparência sobre métodos e fontes, reconhecimento na área, críticas fundamentadas, checagens independentes e eventuais controvérsias relevantes.
Apresente links para as evidências encontradas, diferencie fatos de opiniões e conclua, de forma equilibrada, qual é o grau de confiança recomendado para essa fonte e quais limitações devo considerar antes de utilizá-la.
Use a IA para investigar, não para decretar a verdadeEm vez de perguntar apenas se algo é verdadeiro, transforme o modelo em apoio para encontrar evidências, comparar interpretações e revelar incertezas. A conclusão continua exigindo leitura crítica e responsabilidade humana.
Revisão
Revisão da Aula 1.2
Tente responder com suas próprias palavras antes de abrir cada pergunta e conferir a explicação.
01
Questões de revisão
Abra cada pergunta para conferir a resposta.
De onde o modelo pode extrair as respostas que ele te dá?
O modelo combina duas fontes principais. A primeira é o conhecimento adquirido durante o treinamento, limitado pela data de corte. A segunda é o contexto adicional disponível naquela interação, como o prompt, o histórico da conversa, instruções do sistema, arquivos anexados e informações obtidas por ferramentas de pesquisa, bancos de dados ou outros sistemas conectados.
O que é a data de corte?
É o limite temporal dos dados utilizados no treinamento de uma versão do modelo. O modelo base não conhece automaticamente fatos ocorridos depois dessa data. Para responder sobre informações mais recentes, ele precisa receber contexto atualizado, por exemplo por meio de uma pesquisa na internet, de um arquivo ou de outra fonte conectada.
O que é o contexto adicional e o que pode existir nele?
É o conjunto de informações disponibilizadas ao modelo no momento da interação, além do que foi aprendido durante o treinamento. Pode incluir o pedido do usuário, mensagens anteriores da conversa, instruções da plataforma, arquivos, dados de sistemas conectados e resultados de pesquisas. Quando há muito conteúdo disponível, o sistema pode selecionar apenas os trechos considerados mais relevantes para produzir a resposta.
Como posso avaliar se o que uma IA está falando é verdade ou não?
Comece perguntando de onde veio a informação e solicite fontes verificáveis. Abra as fontes originais, confira autoria, instituição, data, metodologia, possíveis interesses e limitações. Compare diferentes referências, procure evidências que sustentem e que contestem a afirmação e dê preferência a fontes atuais, oficiais ou reconhecidas no tema. Uma resposta bem escrita pode estar errada, por isso a verificação continua sendo responsabilidade humana.
1.3
Módulo 1 | Fundamentos de IA Generativa e LLMs
Engenharia de prompts
Um bom prompt não depende de palavras mágicas. Ele organiza intenção, contexto, referências, comportamento e formato para que o modelo compreenda melhor o trabalho que precisa realizar.
A engenharia de prompts reúne boas práticas de escrita e organização. Ela pode ser aprendida e aplicada por qualquer pessoa.
Técnicas de escrita e estruturação de prompts
Engenharia de prompts é o estudo de técnicas de escrita e organização que ajudam uma inteligência artificial a responder de maneira coerente com o que esperamos. O nome pode parecer técnico, mas a ideia é prática: reduzir ambiguidades e orientar a atenção do modelo.
As dez técnicas desta aula não formam uma receita rígida. Nem toda solicitação precisa usar todas elas. Uma pergunta simples pode ser feita diretamente; uma tarefa importante, recorrente ou difícil merece mais estrutura. O ponto é reconhecer quais informações aumentam a qualidade, a precisão e a utilidade da resposta.
As técnicas se complementam. Primeiro compreenda cada uma; depois combine as que forem relevantes para a tarefa.
Não tente decorar tudo de uma vezEntenda a função de cada técnica e observe o efeito que ela produz. Mais adiante, será feito um 'prompt que gera outros prompts', e ajudará você a construir prompts completos por meio de uma conversa.
1. Forneça contexto e use o modelo para encontrar lacunas
Pedidos genéricos produzem respostas genéricas. Informe o cenário, o público, a finalidade, as restrições, os recursos disponíveis e qualquer critério que mude o resultado. Para uma receita, por exemplo, dizer quantas pessoas serão servidas, quais ingredientes existem e quais restrições alimentares devem ser respeitadas muda completamente a resposta.
Você não precisa conhecer todas as perguntas certas de antemão. Uma estratégia poderosa é orientar a IA a atuar como consultora: ela deve fazer perguntas até reunir contexto suficiente. Assim, o modelo deixa de executar imediatamente e passa a ajudar você a formular melhor o próprio problema.
Uma instrução curta muda o comportamento da conversa: antes de responder, o modelo procura informações que ainda faltam.Em tarefas extensas, forneça o contexto por etapas e avise que o modelo deve apenas compreender até receber o comando de execução.
Experimente
“Aja como consultor e faça perguntas, uma por vez, até considerar que possui todo o contexto necessário para executar a tarefa da melhor forma possível. Não produza a resposta final antes disso.”
2. Direcione a atenção para as referências corretas
Uma LLM pode responder usando seu conhecimento pré-treinado, informações encontradas na internet, arquivos fornecidos, bases de conhecimento ou elementos de conversas anteriores. Se você não indicar uma fonte, o modelo decide sozinho o que parece relevante.
O prompt permite controlar essa escolha. Você pode solicitar uma explicação segundo determinado autor, metodologia ou livro; exigir que a análise use um arquivo específico; indicar um site para pesquisa; ou lembrar uma decisão tomada anteriormente. Quanto mais importante for a precisão, mais explícita deve ser a orientação sobre de onde cada informação precisa vir.
A resposta pode combinar o que o modelo aprendeu no pré-treinamento com o contexto adicional disponível na conversa.Mesmo quando há muitas informações disponíveis, o modelo seleciona apenas uma parte para responder. O prompt ajuda a direcionar essa seleção.
Engenharia de prompts também é controle de atençãoNão basta disponibilizar um arquivo ou mencionar uma fonte. Diga quando ela deve ser usada, para qual parte da resposta e com que prioridade. Se houver conflito entre fontes, defina como o modelo deve proceder.
3. Ajuste o comportamento do modelo
O comportamento padrão nem sempre é o mais útil. Você pode pedir que o modelo seja consultivo, crítico, objetivo, didático, cuidadoso ou provocador. Também pode instruí-lo a apontar lacunas, questionar premissas, oferecer contrapontos, sugerir exemplos e evitar elogios automáticos.
Isso é particularmente valioso quando a IA deve ser uma parceira de pensamento. Em vez de apenas confirmar suas ideias, ela pode testá-las com respeito e rigor. Na educação, por exemplo, um personagem pode fazer perguntas e estimular o aluno a raciocinar antes de apresentar uma explicação.
Comportamentos explícitos tornam a interação mais coerente: consultar, questionar, justificar, sugerir e fundamentar são escolhas de projeto.
4. Oriente o processo quando ele fizer diferença
Para tarefas que exigem análise, você pode definir etapas: avaliar o público, examinar referências, elaborar uma primeira versão, revisar critérios e somente então apresentar o resultado. Essa decomposição ajuda o modelo a não saltar diretamente para uma resposta superficial.
Nem sempre você conhece o melhor processo, e modelos atuais podem propor caminhos muito competentes. Nesse caso, peça que a IA apresente primeiro um plano de execução. Você revisa o plano, acrescenta cuidados e autoriza a continuação. O objetivo não é controlar cada pensamento interno, mas tornar verificáveis as etapas importantes do trabalho.
Quando a tarefa pede análise, elaboração e revisão, explicitar etapas pode elevar a consistência do resultado.
5. Defina o formato da resposta
Explique como a entrega deve chegar: tabela, roteiro, relatório, lista, código, texto corrido ou arquivo. Informe seções obrigatórias, ordem, extensão, campos e nível de detalhe. Sem essa orientação, execuções sucessivas podem produzir estruturas muito diferentes, mesmo quando o conteúdo solicitado é o mesmo.
O formato transforma uma ideia ampla em uma entrega verificável, com partes, ordem e critérios definidos.
6. Forneça exemplos
Um exemplo torna concreto aquilo que seria difícil descrever. Ele pode demonstrar o tom de voz, o estilo de escrita, a estrutura, a forma de resolver um problema, o comportamento em uma conversa ou a aparência da saída. Quando o resultado ainda não está como você espera, acrescente um exemplo que evidencie a diferença.
Exemplos podem orientar método, tom, conversa e formato. Use referências autorizadas e explique o que deve ser reproduzido.
7. Transforme o modelo em um personagem especialista
O papel especialista funciona bem quando reúne decisões anteriores. Não basta dizer “você é especialista”. Especifique o domínio, as referências que orientam esse especialista, o comportamento que ele adota, o processo que segue e o formato que entrega. Assim, o personagem deixa de ser um rótulo e se torna uma configuração coerente.
Um papel bem construído combina referências, comportamento, método e formato de saída.
8. Organize o prompt final
Prompts longos ficam mais fáceis de interpretar quando estão organizados por função. Uma estrutura simples separa Objetivo, Contexto, Instruções e Formato de saída. Dentro dessas seções, podem aparecer referências, exemplos, critérios, restrições e etapas.
O Markdown ajuda a criar essa hierarquia usando títulos marcados com #, ## e ###. O importante não é dominar toda a sintaxe, mas tornar visível o que pertence a cada parte do pedido.
Organizar não significa escrever mais. Significa separar informações diferentes para que o modelo entenda a função de cada uma.
01
Objetivo
Para que o prompt serve e qual resultado deve alcançar.
02
Contexto
Informações, fontes, público, cenário, recursos e restrições.
03
Instruções
Comportamento, critérios, etapas e limites para executar.
04
Formato de saída
Estrutura exata e forma de apresentação da resposta.
10. Divida uma atividade longa e complexa
Um prompt que tenta pesquisar, decidir, escrever, revisar e formatar um documento inteiro de uma só vez acumula muitas oportunidades de erro. Divida o trabalho em entregas menores: pesquisa, estrutura, introdução, capítulos, revisão e acabamento. Cada etapa fica mais objetiva e mais fácil de avaliar.
Agentes atuais conseguem executar tarefas longas com maior autonomia, mas o princípio continua útil: mesmo quando o sistema percorre todo o fluxo, etapas claras melhoram o controle e a possibilidade de correção.
Decompor o trabalho reduz a complexidade de cada pedido e cria pontos naturais de revisão.
Criando um prompt que gera prompts
A nona técnica resolve uma dificuldade comum: ninguém quer redigir manualmente um prompt extenso para cada tarefa. Em vez de pedir diretamente o resultado, você pode solicitar que a própria IA construa o prompt que produzirá esse resultado.
O meta-prompt abaixo cria um consultor de engenharia de prompts. Esse personagem entrevista você, identifica as lacunas relevantes, organiza as informações e redige uma versão final. O processo funciona para textos, análises, imagens, planos, documentos e muitas outras tarefas.
A IA pode apoiar não apenas a execução, mas também a formulação de um pedido mais preciso e completo.
Prompt criador de prompts
# Objetivo
Você é um consultor especialista em engenharia de prompt, e seu objetivo é ajudar o usuário a construir um prompt completo, claro, bem estruturado e escrito em markdown, com no máximo 5000 caracteres.
# Contexto
Ao longo da conversa, o usuário vai explicar em partes o que quer nesse prompt. Sua função é: - ajudar o usuário a fornecer todas informações e contexto necessários para geração de um prompt ideal; - organizar essas informações e redigir a versão final do prompt.
# Instruções
## Etapas da conversa
1. Pergunte ao usuário que tipo de prompt ele quer criar. 2. Avalie a complexidade da tarefa. Se o prompt for uma atividade muito extensa, e somente nesse caso, você pode sugerir quebrá-lo em tarefas menores que se complementam. Exemplo: ao invés de fazer um prompt que gera um documento extenso com várias seções, sugira fazer um prompt para cada etapa do documento, cada uma com o seu contexto e instruções específicas. 3. Aja como um consultor e faça todas as perguntas necessárias para criar um bom prompt. Estimule o usuário com perguntas e sugestões, para que ele forneça todo contexto do que o prompt deve fazer. 4. Pergunte ao usuário se há mais algo a ser considerado. Quando não houver, releia novamente toda a conversa e organize todas as informações que foram fornecidas. 5. Elabore um prompt final completo, escrito em markdown. Antes de apresentá-lo, revise se todas as informações fornecidas pelo usuário foram incluídas, se o prompt está bem estruturado segundo seus critérios e se possui até 5000 caracteres. 6. Apresente o prompt em uma caixa de texto para que o usuário copie, e escrito em markdown.
## Como são os prompts que você gera
O prompt final deve incorporar as seguintes técnicas:
### 1. Contexto suficiente para execução
O prompt deve fornecer ao modelo todo o contexto necessário para executar bem a tarefa.
O prompt gerado também deve orientar o modelo a pedir mais informações ao usuário durante a execução, caso identifique falta de contexto, ambiguidades ou lacunas relevantes.
### 2. Definição explícita das fontes de informação
Quando aplicável, o prompt deve dizer exatamente onde o modelo deve buscar cada tipo de informação, em vez de deixar essa decisão em aberto. Sempre que possível, o prompt deve indicar fontes específicas.
Exemplo: ao invés de dizer “busque na internet tal informação”, o prompt diz “busque nessas referências:...”.
### 3. Ajuste de comportamento do modelo
Inclua apenas os comportamentos que fizerem sentido para a tarefa específica do prompt.
Exemplos de comportamentos que podem ser incorporados, quando cabível: - agir como um consultor e conduzir o usuário com perguntas inteligentes; - estimular respostas claras, completas e bem elaboradas; - não elogiar nem validar automaticamente tudo o que o usuário disser; - apontar lacunas, inconsistências, fragilidades e oportunidades de melhoria com clareza, respeito e objetividade; - oferecer sugestões, referências e exemplos úteis para elevar a qualidade do resultado; - explicar a lógica por trás das análises, críticas e recomendações; - justificar as respostas; - informar de onde tirou cada resposta; - fundamentar a resposta em metodologias, autores, livros, referências ou formas de pensar previamente definidas.
Estes comportamentos podem ser inseridos na seção “Como a IA deve se comportar durante a conversa”.
### 4. Instruções sobre raciocínio e execução da tarefa
Quando fizer sentido, o prompt deve orientar como o modelo deve raciocinar ao executar a tarefa.
Isso inclui: - decompor o problema em etapas; - refletir antes de responder; - explicitar o passo a passo de execução; - considerar etapas intermediárias de análise; - revisar criticamente a resposta final antes de apresentá-la; - checar consistência, completude e aderência às instruções.
### 5. Definição do formato da resposta
O prompt deve especificar com clareza como a resposta do modelo deve ser estruturada.
### 6. Estrutura obrigatória do prompt final
O prompt final deve ser organizado nas seguintes seções, usando bullet points e hierarquia de informações para ficar organizado.
``` # Objetivo
Explica para que o prompt serve.
# Contexto
Todas infos de contexto, como o modelo deve agir etc.
# Instruções
Passo a passo.
# Formato de saída
Define o formato exato da resposta que o modelo deverá gerar. ```
Se necessário, pode quebrar cada uma dessas seções em subseções para organizar melhor as informações. Por exemplo: o Contexto pode ser quebrado em “Como a IA deve se comportar durante a conversa” e diferentes tipos de contexto, ou as instruções podem ser quebradas por tipo de tarefa. Faça isso somente quando houver necessidade e evite criar subseções apenas por criar.
1. Entrevista
Explique a tarefa
O consultor pergunta somente o que é relevante e ajuda a revelar lacunas do contexto.
2. Construção
Revise as decisões
Você confirma fontes, comportamento, critérios, exemplos, etapas e formato.
3. Teste
Execute e refine
Cole o prompt final em uma conversa nova, observe a resposta e ajuste o que ainda estiver impreciso.
O prompt não termina quando é geradoLeia, edite e teste. Um prompt é uma hipótese sobre como orientar o modelo. A resposta obtida mostra quais instruções funcionaram e quais precisam de exemplos, critérios ou contexto adicional.
Níveis de raciocínio dos modelos e como escolher o modelo adequado para cada tarefa
As plataformas podem oferecer modelos diferentes e controles de esforço ou nível de raciocínio. Os nomes mudam, mas o princípio é equivalente: alguns modos priorizam velocidade e economia; outros investem mais processamento antes de responder.
Mais raciocínio tende a ajudar em problemas complexos, ambíguos ou difíceis de verificar, como matemática, ciência, pesquisa, arquitetura e análises com muitas restrições. Para revisar ortografia, reorganizar uma lista ou resumir um trecho curto, o nível máximo costuma apenas aumentar o tempo e o consumo de créditos.
Modelos e níveis de raciocínio devem ser escolhidos de acordo com a complexidade e as exigências da tarefa.
Baixo esforçoTarefas diretas
Revisar ortografia, reorganizar uma lista, resumir um trecho curto ou responder a uma pergunta objetiva.
Esforço intermediárioAnálises com algumas etapas
Comparar alternativas, estruturar um plano, interpretar documentos ou produzir uma recomendação com critérios definidos.
Alto esforçoProblemas complexos
Matemática, ciência, pesquisa, arquitetura, decisões ambíguas ou tarefas com muitas restrições e alto custo de erro.
Você pode pedir ajuda à própria IA para escolher
Quando a plataforma oferecer diferentes modelos ou níveis de raciocínio, pergunte à própria IA quais opções estão disponíveis e qual é a mais recomendada para a tarefa que você pretende executar. Explique o objetivo, a complexidade, o prazo, a importância da precisão e as restrições de custo ou consumo de créditos.
Use a recomendação como ponto de partida. Os modelos e suas capacidades mudam com frequência. Sempre que o resultado for importante, teste a opção sugerida e avalie a qualidade, o tempo de resposta, o consumo e o risco de erro.
Revisão
Revisão da Aula 1.3
Retome os conceitos de engenharia de prompts e níveis de raciocínio. Tente explicar cada ideia com suas próprias palavras antes de abrir as respostas.
01
Revisão do conteúdo teórico
Responda mentalmente ou em voz alta e depois expanda o item para conferir.
O que deve ser feito para que a IA te desafie e não fique apenas concordando com tudo que você fala?
É preciso definir explicitamente, no prompt, um comportamento crítico para a IA. Oriente-a a não elogiar nem validar automaticamente suas ideias, a apontar lacunas, inconsistências, fragilidades e oportunidades de melhoria com clareza, respeito e objetividade. Você também pode pedir que ela ofereça contrapontos, explique a lógica das recomendações e faça perguntas quando faltar contexto.
Como o modelo pode ajudar você a fornecer contexto?
Ele pode atuar como consultor, fazer perguntas uma por vez e identificar lacunas antes de executar. Isso é útil quando você conhece o objetivo, mas ainda não sabe todas as informações que precisam aparecer no pedido.
O que significa direcionar a atenção do modelo?
Significa indicar quais conhecimentos e fontes devem orientar cada parte da resposta, como autores, metodologias, arquivos, sites, bases de conhecimento ou conversas anteriores. Sem essa indicação, o modelo seleciona sozinho o que considera relevante.
Como definir comportamento melhora uma conversa com IA?
O prompt pode pedir uma postura consultiva, crítica, didática ou objetiva, além de determinar que o modelo aponte lacunas, ofereça contrapontos e evite concordância automática. Isso torna a interação mais coerente com a finalidade do trabalho.
Quais são as quatro partes centrais de um prompt organizado?
Objetivo, Contexto, Instruções e Formato de saída. Referências, exemplos, comportamentos, critérios e etapas podem ser incluídos nessas partes ou ganhar seções próprias quando necessário.
Por que um prompt que gera prompts é útil?
Porque transforma a elaboração do pedido em uma entrevista guiada. A IA ajuda a descobrir lacunas, organizar decisões e produzir uma versão completa que você pode revisar antes de executar. Além disso, ajuda a padronizar a criação de prompts, para que eles mantenham um padrão de qualidade.
Como escolher o nível de raciocínio adequado?
Use esforço proporcional à dificuldade, ao tempo disponível, ao consumo de créditos e ao custo de um erro. Comece com um nível suficiente para a tarefa e aumente quando a resposta estiver superficial, inconsistente ou quando o problema exigir análise mais profunda. Um recurso útil é perguntar à própria IA quais modelos de raciocínio estão disponíveis e qual ela recomenda para a tarefa em questão.
1.4
Módulo 1 | Fundamentos de IA Generativa e LLMs
Uso responsável e plataformas de IA
Usar IA de forma competente também significa proteger informações, escolher uma plataforma pelas capacidades que realmente importam e compreender que a engenharia de prompts é apenas o início da jornada.
Segurança, privacidade e uso responsável
Quando uma conversa é processada por uma plataforma de IA como Claude ou ChatGPT, as informações enviadas deixam o ambiente de origem e chegam à infraestrutura do provedor. Isso exige atenção especial quando o conteúdo envolve dados de clientes, funcionários, contratos, estratégias, propriedade intelectual ou qualquer informação que não deveria circular livremente.
O objetivo não é criar medo nem impedir o uso da tecnologia. É desenvolver consciência para equilibrar benefício e risco. O uso responsável começa antes de colar o dado na conversa: é preciso compreender o que será enviado, por que isso é necessário e quais proteções estão disponíveis.
Segurança começa pela classificação do dado e pela escolha consciente de onde e como ele será processado.
Existem termos de uso e configurações de privacidade que determinam se as conversas podem ser utilizadas para melhorar o modelo. Quando essa opção não é desabilitada, algumas plataformas podem declarar que usam os dados enviados para esse fim, o que pode resultar no vazamento ou na exposição de informações que deveriam permanecer sigilosas. Em contas pessoais, normalmente é necessário acessar as configurações e desabilitar essa opção manualmente, pois ela costuma vir habilitada por padrão. Em planos corporativos, por outro lado, geralmente há uma restrição contratual ou política específica que impede que esses dados sejam usados para melhorar o modelo.
Garantir que os dados não sejam utilizados para aprimorar o modelo é necessário, mas não suficiente para assegurar sua proteção integral. Mesmo com restrições previstas nos termos de uso, os dados da sua empresa continuam armazenados nos servidores da plataforma de IA e podem, eventualmente, ser acessados por pessoas autorizadas para fins de manutenção, ainda que sob rigorosos compromissos de confidencialidade. Apesar das promessas de sigilo, essa possibilidade representa um risco que deve ser cuidadosamente ponderado.
Dentro de uma empresa, todos que compartilham dados da organização com uma IA devem fazê-lo por meio de um plano corporativo, com termos de uso mais restritivos e condições adequadas à governança da empresa. Também devem avaliar cuidadosamente a segurança das informações compartilhadas e, quando necessário, evitar o envio de dados sensíveis ou anonimizá-los.
Muitas empresas ainda resistem ao uso da IA nesse cenário por lidarem com dados altamente sensíveis, que não podem ser compartilhados indiscriminadamente. Imagine, por exemplo, o risco à segurança caso os sistemas do governo brasileiro tivessem seus dados enviados para servidores americanos. Mesmo sob um contrato de sigilo, essa prática seria inadequada. Os dados governamentais deveriam permanecer protegidos em servidores próprios.
Uma solução para utilizar IA sem expor os dados da empresa
Uma possibilidade é utilizar um modelo de IA próprio, rodando em uma infraestrutura própria.
A empresa pode utilizar modelos de código aberto (open source) para hospedar uma LLM em seus próprios servidores. No entanto, mesmo um modelo excelente, por si só, não é capaz de processar dados e arquivos, gerar documentos ou executar tarefas complexas e extensas como fazem as principais plataformas disponíveis atualmente.
Esses modelos próprios exigem portanto diversas camadas de desenvolvimento, personalização, segurança e treinamento para alcançar um nível de qualidade próximo ao dos modelos comerciais disponíveis no mercado. Trata-se de um investimento elevado, que nem sempre se justifica, especialmente para empresas que não possuem uma equipe especializada ou uma demanda muito específica.
Uma possível solução para diversas dessas questões seria utilizar hardwares capazes de executar LLMs localmente.
Um cenário ideal seria contar com equipamentos capazes de executar modelos de IA diretamente nos computadores dos funcionários, mesmo sem conexão com a internet. Isso ajudaria a proteger os dados e também reduziria a dependência dos data centers, que consomem grandes quantidades de energia e geram impactos ambientais significativos.
Embora já exista tecnologia para tornar esse cenário possível, sua adoção em larga escala ainda parece distante. Um dos motivos é que essa alternativa contraria os interesses das grandes empresas que dominam o mercado de IA, cujo modelo de negócio depende da venda de capacidade de processamento e do controle sobre a infraestrutura. Hoje, já existem alguns protótipos de hardware em desenvolvimento para executar modelos localmente, e algumas empresas já estão criando notebooks com capacidade de processamento dedicada a essa finalidade. Ainda não sabemos até onde isso pode chegar. No cenário atual, mesmo que uma empresa tenha acesso a esse tipo de hardware e opte por executar modelos de código aberto localmente, continuará enfrentando desafios semelhantes aos mencionados no tópico anterior, como os custos elevados de desenvolvimento, manutenção e segurança necessários para tornar esses modelos efetivamente úteis na realização de tarefas reais.
Qual plataforma de LLM devo escolher?
Não existe uma única plataforma melhor para todas as pessoas e tarefas. A escolha depende do trabalho que será realizado, das capacidades necessárias, do tipo de dado envolvido, do custo, da facilidade de uso e do grau de controle exigido.
Também é importante separar o modelo da plataforma. A LLM é o núcleo que interpreta o contexto e gera linguagem. A plataforma acrescenta memória, pesquisa na internet, criação de arquivos, análise de dados, interface, ferramentas e integrações. Duas plataformas que usam a mesma LLM podem, portanto, oferecer experiências e resultados muito diferentes.
LLMO modelo que processa o contexto e gera a resposta
+
Capacidades da plataformaMemória, arquivos, pesquisa, dados, ferramentas, interface e integrações
=
Experiência completaO sistema que você efetivamente utiliza
Uma LLM pura não executa tudo sozinha
Gerar arquivos, pesquisar na internet, manter memória, manipular dados, controlar o computador e integrar-se a outras ferramentas são capacidades construídas ao redor do modelo. Por isso, comparar apenas o nome da LLM não basta: é preciso avaliar o sistema completo.
Desenvolvimento próprio permite foco e controle, mas exige construir a camada que transforma o modelo em uma solução utilizável.
🍋
GPT é a LLM, ChatGPT é a plataforma da OpenAI que utiliza o GPT e adiciona ferramentas e recursos para realizar diferentes tarefas.
O fato de uma empresa dizer que usa GPT não significa que ela consiga fazer as mesmas coisas que o ChatGPT faz
Imagine que uma LLM seja como um limão espremido: concentrado e cheio de potencial para criar diferentes bebidas. Com esse limão em mãos, algumas empresas preparam um coquetel completo. Outras fazem apenas uma limonada.
Critérios para escolher
1
Tarefas reais
O que você precisa produzir, analisar, pesquisar ou automatizar?
2
Capacidades
Você precisa de memória, arquivos, internet, imagens, dados, integrações ou controle do computador?
3
Segurança
O plano, as configurações, os contratos e as permissões atendem ao tipo de dado utilizado?
4
Experiência
A plataforma entrega resultados consistentes, permite revisão e se encaixa no fluxo de trabalho?
5
Custo e acesso
O valor, os limites e o consumo são proporcionais à frequência e ao impacto do uso?
6
Teste comparável
Execute a mesma tarefa representativa em mais de uma opção e compare o trabalho completo.
Escolha pela tarefa, não pela marcaModelos competitivos mudam rapidamente. O melhor critério é testar um caso de uso relevante e comparar qualidade, capacidades, segurança, custo e facilidade de revisão no sistema completo.
O que existe além da engenharia de prompts
A engenharia de prompts ganhou destaque porque melhorou a forma como conversamos com a IA. Ela continua importante, mas representa apenas a parte visível de uma transformação maior. À medida que o uso amadurece, o contexto deixa de ser reconstruído em toda conversa e os sistemas passam a executar atividades, não apenas explicar como realizá-las.
Prompts são a parte mais visível. Assistentes e agentes aprofundam contexto, persistência, ferramentas e capacidade de execução.
Camada 1
Engenharia de prompts
Organiza uma interação: objetivo, contexto, referências, comportamento, processo e formato.
Você pergunta e a IA responde.
→
Camada 2
Assistentes
Personagens persistentes que conhecem um domínio, uma base de conhecimento e um modo de trabalhar.
O contexto importante já está preparado.
→
Camada 3
Agentes
Sistemas mais ativos que usam ferramentas, percorrem etapas e perseguem um objetivo até concluir o trabalho.
A IA interage com o mundo e executa.
Um assistente reduz a necessidade de repetir informações sobre você, sua empresa e suas tarefas. Um agente avança mais: ele pode pesquisar, operar ferramentas, dividir um objetivo em tarefas menores e continuar trabalhando até produzir uma entrega.
É nesse movimento que surge o potencial de automação apresentado no curso. Em vez de perguntar apenas como configurar uma ferramenta, o usuário começa a delegar a configuração dentro de limites, permissões e mecanismos de revisão. O futuro da IA não está apenas em perguntar como fazer, mas em construir sistemas capazes de fazer com você e, sob controle, por você.
Próximo passo da jornadaAntes de chegar aos agentes, o curso aprofunda os assistentes, a estruturação de bases de conhecimento e as capacidades práticas que dão contexto e utilidade ao modelo.
Revisão
Revisão da Aula 1.4
Retome os critérios de segurança, privacidade, uso responsável e escolha de plataformas apresentados na aula.
01
Revisão do conteúdo teórico
Responda mentalmente ou em voz alta e depois expanda o item para conferir.
Qual é a primeira reflexão antes de enviar um dado para uma plataforma de IA?
É preciso identificar a natureza do dado, quem é responsável por ele, se existe autorização para o uso e se o benefício justifica tratá-lo naquele ambiente. Depois vêm minimização, configurações, termos, permissões e revisão humana.
O que uma empresa que trabalha com dados sigilosos pode precisar fazer para usar IA com segurança?
A empresa precisa começar classificando os dados, confirmando quem pode utilizá-los e reduzindo ou anonimizando as informações enviadas sempre que possível. O uso deve ocorrer em planos corporativos com termos, contratos, permissões e políticas adequados, mas desabilitar o treinamento não basta: também é necessário avaliar retenção, armazenamento, acesso por terceiros autorizados, jurisdição e governança interna. Quando os dados forem sensíveis demais para sair da infraestrutura da organização, pode ser necessário executar modelos em ambiente privado ou em servidores próprios, assumindo também os custos e as responsabilidades de desenvolvimento, manutenção e segurança dessa solução.
Qual é a diferença entre uma LLM e uma plataforma de IA?
A LLM é o núcleo que interpreta contexto e gera linguagem. A plataforma combina esse modelo com uma camada de capacidades, como memória, pesquisa, arquivos, dados, interface, ferramentas e integrações.
Por que duas plataformas que usam a mesma LLM podem apresentar resultados diferentes?
Porque cada plataforma implementa sua própria seleção de contexto, memória, pesquisa, ferramentas, interface e condução de tarefas. O nome do modelo não representa o sistema completo.
Quais critérios ajudam a escolher uma plataforma?
Comece pelas tarefas reais e compare capacidades necessárias, segurança, qualidade da experiência, consistência, custo, limites e integração com o fluxo de trabalho. Um teste comparável é mais útil do que escolher apenas pela marca.
Como prompts, assistentes e agentes representam uma evolução do uso da IA?
Prompts organizam uma interação. Assistentes mantêm contexto, conhecimento e comportamento de forma persistente. Agentes acrescentam ferramentas e execução orientada a objetivos, podendo percorrer várias etapas até concluir uma entrega.