Em pouco mais de três anos, “IA” virou sinônimo de uma caixa de texto onde se escreve um pedido e sai uma resposta pronta. É compreensível: foi a IA generativa que tornou a tecnologia visível para quem não é da área. Mas a mesma empresa que usa o ChatGPT para escrever um e-mail tem, quase sempre, um problema de previsão parado na mesa — quem vai cancelar, quanto vai vender, qual lead vale a ligação.
Este guia explica o que é IA generativa e como ela funciona, sem jargão desnecessário. E responde à pergunta que os textos sobre o tema costumam pular: diante de um problema concreto da empresa, ele pede IA generativa ou IA preditiva? Errar essa escolha não é um detalhe técnico — é pagar mais por um resultado pior.
O que é IA generativa?
IA generativa é a família de modelos de inteligência artificial capaz de produzir conteúdo novo — um parágrafo, uma imagem, uma música, um trecho de código — que não existia antes, mas que segue os padrões dos dados com que o modelo foi treinado. Ela não copia e cola um documento: ela compõe uma saída plausível, peça por peça.
Os exemplos mais conhecidos são os assistentes de texto, como ChatGPT, Gemini, Claude e Copilot, e os geradores de imagem e vídeo. O que todos têm em comum é o tipo de saída: algo para ser lido, visto ou ouvido. Essa é a pista mais útil para separar a generativa das outras famílias de IA, como veremos adiante.
Como a IA generativa funciona por dentro?
A maioria dos modelos de texto atuais é um LLM (large language model, ou modelo de linguagem de grande escala). Durante o treino, o modelo lê quantidades enormes de texto e aprende uma tarefa aparentemente simples: dado um trecho, qual é o próximo pedaço mais provável. Esses pedaços se chamam tokens — partes de palavras.
A arquitetura que tornou isso viável em grande escala é o Transformer, apresentada em 2017 no artigo “Attention Is All You Need”, de Vaswani e colegas. A ideia central, o mecanismo de atenção, permite que o modelo pese a relação entre todas as partes de um texto ao mesmo tempo, em vez de ler palavra por palavra em sequência. É o “T” do GPT.
Quando você escreve um pedido, o modelo gera a resposta token a token, escolhendo a cada passo entre as continuações mais prováveis. Por isso a mesma pergunta pode render respostas diferentes, e por isso o texto soa fluente mesmo quando está errado: o modelo otimiza plausibilidade, não verdade.
O que é IA generativa e LLM: são a mesma coisa?
Não exatamente. LLM é um tipo de modelo generativo, o especializado em linguagem. A IA generativa é o guarda-chuva maior, que inclui também os modelos de imagem (como os de difusão, que partem de ruído e vão “limpando” até formar a figura), de áudio e de vídeo. Todo LLM é IA generativa; nem toda IA generativa é LLM.
O que é um prompt em IA generativa?
Prompt é a instrução que você dá ao modelo: o pedido, o contexto, os exemplos e o formato esperado. Como o modelo só “sabe” o que está no treino e no que você escreveu, a qualidade do prompt pesa diretamente na resposta. Um prompt bom diz quem é o público, o que deve constar, o que não deve e em que formato a saída precisa sair.
Qual a diferença entre IA generativa e IA preditiva?
A diferença mais útil para quem decide não está no algoritmo, está na saída. A generativa entrega um conteúdo. A preditiva entrega uma estimativa sobre um caso: um número (quanto), uma classe (qual), uma probabilidade (qual a chance) ou uma ordem (quem primeiro).
| IA generativa | IA preditiva | |
|---|---|---|
| O que entrega | Texto, imagem, áudio ou código novos | Número, classe, probabilidade ou ranking |
| Pergunta típica | “Escreva, resuma, traduza, desenhe” | “Quanto, quem, qual a chance” |
| Dado de que precisa | Instrução e contexto; o treino vem pronto | Histórico da própria empresa, com o resultado conhecido |
| Como se avalia | Qualidade percebida, revisão humana | Taxa de acerto medida contra o que aconteceu |
| Mesma entrada, mesma saída? | Nem sempre | Sim, para o mesmo modelo |
| Custo de uso | Por chamada, proporcional ao tamanho do texto | Baixo depois de treinado; roda em planilha ou banco |
| Erro típico | Inventar com fluência (alucinação) | Errar por histórico ruim ou mudança de cenário |
Comparativo elaborado pela Alliance Comunicação com base na prática dos dois tipos de projeto.
E a IA discriminativa, onde entra nessa conta?
Em textos técnicos, a comparação clássica é entre modelos generativos e discriminativos. O discriminativo aprende a separar categorias — este e-mail é spam ou não, esta foto tem um gato ou não — sem aprender a produzir exemplos novos. O generativo aprende como os dados são, a ponto de criar outros parecidos.
Para a empresa, a IA preditiva de negócio é, em boa parte, discriminativa: classificar um cliente como “vai cancelar” ou “vai ficar” é separar categorias. Por isso a pergunta prática não é “generativa ou discriminativa”, termos de laboratório, e sim “preciso de um conteúdo ou de uma previsão”.
Por que a IA generativa virou a primeira opção das empresas?
Porque ficou barata, acessível e fácil de experimentar. Não é preciso montar base de dados nem contratar cientista de dados para testar um assistente de texto: basta uma assinatura. E o dinheiro seguiu a facilidade.
Os mesmos números mostram o outro lado: a adoção cresceu mais depressa do que a maturidade. Usar IA, para a maioria das organizações, ainda significa usar um assistente de texto em tarefas avulsas, e não ter um problema de negócio mapeado com a ferramenta certa para ele.
A queda de custo é o número que mais explica o comportamento das empresas. Quando uma chamada ao modelo custa uma fração de centavo, a generativa vira a ferramenta que se tenta primeiro para tudo — inclusive para o que não é tarefa dela. Barato e acessível não quer dizer adequado.
A generativa ficou barata o bastante para ser a primeira opção. Isso não a torna a opção certa.
Qual problema da empresa cada uma resolve melhor?
A forma mais rápida de decidir é escrever o problema como uma pergunta e olhar o que a resposta tem de ser. Alguns exemplos que aparecem em quase toda empresa:
- Pede IA preditiva: prever quais clientes vão cancelar no próximo trimestre; estimar a demanda de cada produto por mês; pontuar leads pela chance de fechar; detectar transações fora do padrão; prever atraso de pagamento.
- Pede IA generativa: responder perguntas frequentes no atendimento; resumir reuniões e contratos; rascunhar posts, e-mails e descrições de produto; traduzir e adaptar materiais; gerar variações de criativos para teste.
- Pede as duas, em sequência: a preditiva escolhe quem tem risco de cancelar; a generativa escreve a mensagem de retenção personalizada para cada um. Uma decide, a outra redige.
Repare no ramo de baixo da árvore. Muita empresa chega a um projeto de IA preditiva sem o histórico necessário — sem registrar quem cancelou, quando e por quê. Nesse caso, o primeiro passo não é modelo nenhum: é começar a registrar. É o que separa um bom primeiro projeto de IA na empresa de um piloto que não sai do slide.
Quando a empresa paga mais por um resultado pior?
Quando usa a generativa para um problema de previsão. O caso típico: alguém exporta a planilha de clientes, cola no assistente e pede “quais desses vão cancelar?”. A resposta vem bem escrita, com justificativas convincentes. O problema é o que ela não tem:
- Não tem medida de acerto. Um modelo preditivo é testado contra o que aconteceu de fato e diz, por exemplo, quantos dos clientes apontados realmente saíram. A resposta do assistente não vem com essa conta.
- Não é estável. Pergunte duas vezes e a lista pode mudar. Uma decisão comercial não pode depender de qual versão da resposta saiu naquele dia.
- Não escala no custo. Cada cliente analisado é texto enviado e cobrado por chamada. Um modelo preditivo treinado pontua milhares de linhas por um custo praticamente nulo.
- Não explica como um modelo explica. A justificativa do assistente é um texto plausível escrito depois, não o peso real de cada variável na previsão.
O que é alucinação em IA generativa e por que ela pesa tanto?
Alucinação é quando o modelo produz uma informação falsa com a mesma fluência de uma verdadeira: um dado que não existe, uma citação inventada, um produto que a sua empresa não vende. Ela decorre do próprio funcionamento — o modelo escolhe a continuação mais plausível, e às vezes o plausível é falso.
Em tarefas de rascunho, a alucinação é administrável: um humano revisa antes de publicar. Em tarefas de decisão, ela é perigosa, porque não há revisão possível de um número que ninguém sabe de onde veio. E no atendimento, ela vira problema de marca — o tema do nosso texto sobre quando o bot inventa a sua marca.
A IA preditiva também erra, mas erra de outro jeito: ela não inventa um fato, ela estima mal. E esse erro é medido antes de o modelo entrar em uso, o que permite saber de antemão qual margem de erro se está aceitando.
Quais são os exemplos de IA generativa na rotina da empresa?
Sobre “qual a melhor IA generativa atualmente”: a resposta muda a cada poucos meses, e o ranking de modelos importa menos do que o encaixe no processo. Os usos que costumam dar retorno mais rápido, por área, são estes:
| Área | Uso generativo que costuma funcionar | Onde a preditiva entra melhor |
|---|---|---|
| Marketing | Rascunho de conteúdo, variações de anúncio, adaptação de tom | Pontuação de leads, previsão de resultado de campanha |
| Comercial | Resumo de reuniões, propostas a partir de modelo | Chance de fechamento por oportunidade |
| Atendimento | Respostas a perguntas frequentes com base de conhecimento | Risco de cancelamento, prioridade da fila |
| Financeiro | Explicação de relatórios em linguagem simples | Previsão de inadimplência e de fluxo de caixa |
| Operações | Manuais, procedimentos e treinamento | Previsão de demanda e de estoque |
| RH | Descrição de vagas e comunicados internos | Risco de rotatividade — com cuidado ético e legal |
Elaborado pela Alliance Comunicação a partir de projetos de adoção de IA.
Como usar IA generativa sem errar o problema?
1. Comece pela saída, não pela ferramenta
Escreva o que deve sair do outro lado antes de escolher qualquer produto. “Um resumo de uma página por reunião” é um problema generativo bem definido. “Saber quem vai comprar” não é — é preditivo, e pede histórico.
2. Dê contexto da empresa ao modelo
O modelo não conhece seus produtos, preços e políticas. Sem esse contexto no prompt ou numa base consultada, ele preenche a lacuna com o que é plausível. Em muitos casos, colar o documento certo resolve; nem sempre é preciso montar uma arquitetura complexa, como mostramos no texto sobre quando a empresa nem precisa de RAG.
3. Defina quem revisa e o que não pode sair sem revisão
Preço, prazo, promessa, dado de cliente e afirmação técnica passam por uma pessoa antes de chegar ao público. O ganho da generativa está no rascunho rápido; a responsabilidade pelo que é publicado continua com a empresa.
4. Meça o tempo economizado, não o número de prompts
O indicador que importa é quanto tempo a tarefa levava antes e quanto leva agora, incluindo a revisão. Se a revisão consome o que o rascunho poupou, o uso não se pagou.
5. Escolha o modelo pelo encaixe, não pelo ranking
A pergunta “qual a melhor IA generativa” tem resposta diferente a cada trimestre, porque os modelos se revezam no topo das comparações. Para a empresa, pesa mais onde a ferramenta já está: no pacote de escritório que a equipe usa, no CRM, no sistema de atendimento. Um modelo um pouco inferior, mas integrado ao fluxo, costuma render mais do que o primeiro do ranking usado numa aba à parte.
Pese também o que acontece com os dados enviados. Contrato, dado de cliente e informação estratégica não deveriam entrar em conta pessoal gratuita; a versão corporativa da ferramenta, com termos claros sobre retenção e uso para treino, é parte da escolha, não um detalhe de TI.
Por onde começar hoje
Liste os três problemas que mais custam à sua operação e classifique cada um pela saída que pede: conteúdo, estimativa ou ainda nenhum dado para decidir. É comum descobrir que o problema mais caro é preditivo e que o projeto de IA mais urgente é organizar o histórico de clientes.
Se quiser ajuda para fazer essa triagem, a consultoria de adoção de IA da Alliance começa exatamente por esse mapa de problemas e dados. E o diagnóstico gratuito de marketing, que leva cerca de 30 minutos, mostra em que ponto a sua empresa está em dados, automação e tecnologia antes de escolher qualquer ferramenta.






















