Tipos de IA: as três classificações que existem

Procurar “tipos de inteligência artificial” devolve duas listas diferentes, e as duas estão certas. Uma classifica por capacidade, do que existe hoje ao que é ficção. A outra classifica por funcionalidade, em quatro estágios que aparecem em toda prova e em todo material didático.

Nenhuma das duas ajuda a decidir nada dentro de uma empresa. Para isso existe uma terceira classificação, por técnica e por tarefa, que é a que responde qual tipo de IA resolve o seu problema. Este texto cobre as três, na ordem.

Por capacidade: onde estamos de verdade

Vale guardar a primeira linha, porque ela desarma a maior parte do exagero de mercado: um modelo que escreve, resume e programa continua sendo IA estreita, treinada para prever a próxima parte de uma sequência. É extremamente útil e não é o mesmo que entender.

Os quatro tipos por funcionalidade

Esta é a lista que aparece em prova e em concurso, e ela descreve estágios, não produtos:

1. Máquinas reativas. Reagem ao que está na frente, sem memória do que aconteceu antes. O exemplo clássico é o computador que venceu o campeão mundial de xadrez: joga excepcionalmente e não guarda nada da partida anterior.
2. Memória limitada. Usam dados recentes para decidir. É onde está praticamente toda a IA em uso comercial hoje: recomendação, previsão de demanda, carro que observa os últimos segundos de trânsito e o modelo que considera o histórico da conversa.
3. Teoria da mente. Compreenderiam intenção, crença e emoção de outros agentes. É pesquisa, não produto, mesmo quando um sistema simula reconhecer emoção pela voz ou pelo rosto.
4. Autoconsciência. Teria consciência de si. É especulação, e listar isso como estágio seguinte confunde mais do que explica.

Se você chegou aqui por causa de uma pergunta de prova, a resposta prática é: os dois primeiros existem, os dois últimos não.

Por técnica: a classificação que se usa no dia a dia

• Sistemas baseados em regras. Decisão escrita por pessoas, sem aprendizado. Continuam sendo a escolha certa quando a regra é clara, precisa ser auditável e não pode variar, como cálculo fiscal e limite de crédito.
• Aprendizado de máquina. O modelo aprende padrões a partir de dados históricos rotulados ou não. É o que resolve classificação, previsão e detecção de anomalia, que são a maioria dos casos de empresa.
• Aprendizado profundo. Redes neurais com muitas camadas, que dispensam a extração manual de características e por isso funcionam bem em imagem, áudio e texto. É o assunto de o que é deep learning.
• IA generativa. Modelos que produzem conteúdo novo, texto, imagem, áudio ou código, a partir de instruções. É o tipo que mudou a conversa nos últimos anos, tratado em inteligência artificial generativa.
• Agentes. Modelos que, além de responder, executam passos com ferramentas: consultam sistema, chamam interface, encadeiam ações. É a fronteira atual, com o ganho e o risco no mesmo lugar, como está em IA agêntica.

Repare que essas categorias se empilham: um agente usa um modelo generativo, que é aprendizado profundo, que é um tipo de aprendizado de máquina, que é IA estreita. Não são alternativas concorrentes.

Os termos que se confundem, em ordem

Boa parte da confusão sobre tipos de IA vem de tratar como sinônimos coisas que estão em níveis diferentes. Do mais amplo ao mais específico:

• Inteligência artificial é o campo inteiro, incluindo sistemas de regras que não aprendem nada.
• Aprendizado de máquina é a parte do campo em que o comportamento é aprendido a partir de dados, e não escrito por uma pessoa.
• Aprendizado profundo é a parte do aprendizado de máquina que usa redes neurais com muitas camadas.
• Modelo de linguagem é um tipo específico de rede treinada para prever a próxima parte de um texto. Quando é grande o bastante, ganha o apelido de modelo de linguagem de grande porte.
• IA generativa é o uso desses modelos para produzir conteúdo novo, em texto, imagem, áudio ou código.
• Agente é o modelo generativo com permissão para usar ferramentas e executar passos, e não apenas responder.

E o termo que fica de fora dessa hierarquia: algoritmo é qualquer sequência de passos para resolver um problema, com ou sem IA. Ordenar uma lista é um algoritmo. Chamar todo modelo de “algoritmo” é impreciso e não custa nada corrigir.

Uma distinção prática que atravessa tudo isso: IA preditiva estima algo a partir de histórico, com margem de erro mensurável; IA generativa produz algo novo, e a qualidade se avalia por revisão, não por acurácia. Projetos que confundem as duas costumam cobrar da generativa uma precisão que ela não oferece, e da preditiva uma criatividade que ela não tem.

Por tarefa: o que a IA faz, na prática

Para decidir projeto, a classificação mais útil não é nenhuma das anteriores. É esta:

• Classificar. Dizer a que categoria algo pertence: este e-mail é reclamação, esta transação é suspeita, esta peça tem defeito.
• Prever. Estimar um número futuro: demanda da semana, risco de cancelamento, prazo de entrega.
• Extrair. Tirar informação estruturada de documento, imagem ou áudio: dados de uma nota, valores de um exame, itens de um contrato.
• Gerar. Produzir texto, imagem, resumo ou código a partir de uma instrução.
• Recomendar. Ordenar opções para uma pessoa específica, com base no comportamento dela e de outras.
• Agir. Executar uma sequência de passos em sistemas, com supervisão.

Cada uma dessas exige um tipo de dado e produz um tipo de risco diferente. Classificar e prever precisam de histórico rotulado e falham em silêncio quando o mundo muda. Gerar não precisa de histórico e falha com confiança, inventando o que não sabe. Extrair é o caso de melhor relação entre esforço e retorno na maioria das empresas, e quase ninguém começa por ele.

Qual tipo resolve o seu problema

Três perguntas encurtam a conversa:

1. A resposta certa existe no passado da empresa? Se sim, o caminho é aprendizado de máquina sobre o seu histórico. Se não, é generativa com fonte controlada.
2. O erro é caro ou barato? Erro caro exige regra auditável ou revisão humana no meio do processo. Erro barato aceita automação plena.
3. O dado existe, está organizado e é acessível? Na maior parte dos projetos que falham, a resposta é não, e o problema nunca foi o modelo. É o motivo mais comum listado em por que a IA falha nas empresas.

Para o panorama completo do que é inteligência artificial antes das categorias, vale o que é inteligência artificial. E para a conta do projeto, quanto custa criar uma IA, junto com o recorte de escopo que vem antes de qualquer modelo: como definir o escopo do primeiro produto digital.

Perguntas frequentes