Glossário de IA para designers: 70 termos explicados

Comando, janela de contexto, RAG, alucinação, vibe coding. Percebo que o vocabulário da IA chegou ao trabalho de design mais rápido do que as definições, e muitos designers usam essas ferramentas todos os dias sem saber ao certo o que cada termo significa nem o que ele muda na prática.

Reuni aqui 70 termos que aparecem tanto no uso de ferramentas de IA quanto no projeto de produtos com inteligência artificial. Cada definição explica o conceito e, quando faz diferença, o efeito dele no trabalho de quem projeta. As siglas aparecem primeiro, seguidas do significado e do nome original em inglês.

Os termos vêm da trilha de IA que escrevi para a Editora Brauer, que começa no livro Novo Repertório

Aderência contextual (contextual adherence): Capacidade da IA de permanecer dentro dos limites temáticos, estruturais e semânticos definidos pelo comando ou pelo histórico da interação. Ainda que a resposta pareça correta, ela pode fugir do contexto original. Alta aderência contextual evita dispersão e preserva a intenção do usuário.

Agente autônomo (autonomous agent): Sistema que recebe um objetivo, decide os passos e executa ações por conta própria, como buscar informações, usar ferramentas ou enviar mensagens, adaptando o comportamento ao contexto sem intervenção humana contínua. Para o design, exige limites claros, confirmação antes de ações sensíveis e um jeito fácil de interromper e desfazer o que foi feito.

AGI (inteligência artificial geral, do inglês Artificial General Intelligence): Conceito teórico de uma inteligência artificial com capacidade ampla de raciocínio, aprendizado e adaptação em múltiplos domínios, de forma comparável à inteligência humana. Uma AGI seria capaz de transferir conhecimento entre tarefas, interpretar contextos complexos e tomar decisões com base em entendimento genuíno, algo que os sistemas atuais, baseados em padrões estatísticos, não fazem.

Agrupamento de contexto (context bundling): Técnica de reunir em um mesmo pacote o histórico relevante, a intenção em curso e as restrições antes de o modelo responder, em vez de enviar comandos soltos. Reduz a ambiguidade, evita respostas genéricas e mantém a coerência mesmo em interações curtas.

Ajuste fino (fine-tuning): Treinamento adicional de um modelo já pronto com dados específicos de um domínio, para especializar vocabulário, estilo ou comportamento e reduzir ruído em casos recorrentes. Altera o próprio modelo em uma etapa anterior ao uso, e não durante a conversa.

Alucinação (hallucination): Resposta falsa ou inventada, apresentada com tom coerente e confiante. Pode contradizer fontes confiáveis (alucinação intrínseca) ou trazer informações impossíveis de verificar (alucinação extrínseca). O erro está no conteúdo e não na forma, por isso engana, já que o texto soa correto e o usuário raramente percebe o problema sozinho.

Ancoragem (grounding): Prática de apoiar a resposta do modelo em fontes verificáveis e dados controlados. Reduz alucinações, aumenta a rastreabilidade e torna a resposta auditável.

Antropomorfização (anthropomorphism): Tendência de atribuir qualidades humanas à IA, como memória, intenção, entendimento ou emoção. Nome, voz e frases como “eu entendo como você se sente” reforçam essa leitura. Gera conexão emocional, mas leva o usuário a esperar do sistema o que ele não consegue fazer.

API (interface de programação de aplicações, do inglês Application Programming Interface): Ponto de conexão que permite a um sistema pedir dados ou ações a outro. É por meio de APIs que um agente consulta uma agenda, um banco de dados ou a base de conhecimento de uma empresa.

Aprendizado profundo (deep learning): Tipo de aprendizado de máquina que usa redes neurais com muitas camadas para reconhecer padrões complexos em texto, imagem e som. Está na base dos modelos generativos atuais.

Arquitetura modular (modular architecture): Estrutura composta por partes independentes, como comandos, funções e blocos de decisão, organizadas em sequência ou em paralelo. Permite flexibilidade, reuso e escala no comportamento do agente.

Bajulação (sycophancy): Tendência do modelo de concordar, agradar ou reforçar a visão do usuário, mesmo quando isso compromete a precisão ou a neutralidade da resposta. Costuma surgir quando o treinamento recompensa respostas que as pessoas avaliam bem e cria a ilusão de acerto diante de erros, conflitos éticos ou pedidos problemáticos.

Banco vetorial: Base que guarda textos e imagens como vetores numéricos (ver vetorização semântica) que representam o seu significado. Permite buscar por semelhança de sentido, mesmo quando as palavras são diferentes, e é comum em sistemas com RAG.

BLE (Bluetooth de baixo consumo, do inglês Bluetooth Low Energy): Versão do Bluetooth projetada para transmitir pequenas quantidades de dados com consumo mínimo de bateria. Funciona em segundo plano de forma contínua e silenciosa, o que permite identificar a presença de dispositivos próximos mesmo sem conexão ativa entre eles.

Cascata de falhas (failure cascade): Sequência de erros encadeados que ocorre quando uma inferência mal interpretada afeta as etapas seguintes da interação. É um risco crítico em sistemas agentivos ou encadeados e pode ser silenciosa, acumulando desvios que fragilizam a experiência como um todo.

Comando (prompt): Entrada que ativa e orienta o comportamento da IA. Vai além do texto e pode incluir voz, imagem, dados anexos, estado da interface, histórico, ferramentas e regras do sistema. Define objetivo, papel, tom, formato, fontes e limites, e pequenas variações podem mudar o resultado. Em produtos, existe também o comando de sistema (system prompt), que o usuário não vê e que define tom, limites e prioridades antes de qualquer pergunta.

Confiança calibrada: Quando o usuário confia na IA na medida do que ela de fato acerta, confiando quando ela tende a acertar e desconfiando quando pode errar. Indicadores de confiança, fontes visíveis e avisos de incerteza ajudam a chegar a esse equilíbrio.

Contenção comportamental (behavioral containment): Princípio de limitar o escopo de ação da IA para proteger o usuário, o contexto e a integridade da experiência. Vai além de restrições técnicas e inclui linguagem, tom, limites de ação e regras de resposta que mantêm o comportamento do sistema dentro de margens seguras.

Contexto: Tudo o que o modelo considera para responder, como o comando, a conversa até ali, os arquivos anexados e os dados recuperados de outras fontes. O tamanho do contexto é limitado pela janela de contexto.

CoT (cadeia de raciocínio, do inglês Chain of Thought): Técnica de comando que pede ao modelo para detalhar os passos lógicos antes da resposta final, com instruções como “pense passo a passo”. Ajuda em problemas com várias etapas e deixa o caminho da resposta mais fácil de revisar, mas aumenta a latência e pode expor conteúdo sensível. Em produtos, o raciocínio costuma ficar oculto, e o usuário vê só as evidências, os cálculos e as fontes necessários.

Desalinhamento de modelo mental (misaligned mental model): Quando a expectativa do usuário sobre o funcionamento da IA diverge do que o sistema realmente faz. Esse desalinhamento gera fricções invisíveis, uso incorreto e perda de confiança, mesmo quando a resposta da IA é tecnicamente válida.

Determinístico e probabilístico: Um sistema determinístico segue regras fixas e devolve sempre o mesmo resultado para a mesma entrada, como um botão “Salvar”. Um sistema probabilístico, ou inferencial, estima a resposta mais provável e pode responder de forma diferente à mesma pergunta. A IA generativa funciona do segundo jeito.

Dívida cognitiva (cognitive debt): Perda gradual da capacidade de compreender, avaliar e defender uma solução porque parte crescente do raciocínio passa a ser delegada à IA sem revisão crítica. Em design, aparece quando o time produz mais telas, fluxos ou protótipos, mas consegue explicar menos sobre as decisões tomadas, os critérios usados e os riscos assumidos.

Dívida de compreensão (comprehension debt): Distância crescente entre o que um sistema contém e o que o time realmente entende sobre ele. Surge quando protótipos, códigos, fluxos ou especificações gerados com IA avançam mais rápido do que a capacidade do time de explicar seu funcionamento. Quanto maior essa distância, maior o risco de decisões opacas, manutenção difícil e perda de controle sobre o comportamento do produto.

Encadeamento de comandos (prompt chaining): Técnica de dividir uma tarefa complexa em uma sequência de comandos, em que a saída de um alimenta o seguinte. Exige controle das transições entre as etapas e cuidado para que o contexto não se perca no caminho.

Engenharia de comando (prompt engineering): Prática de escrever, testar e ajustar comandos para obter respostas consistentes. Pequenas mudanças na ordem das palavras ou no tom podem alterar bastante o resultado, o que se chama fragilidade de comando.

Entropia de interface (interface entropy): Acúmulo progressivo de decisões de design que, isoladas, eram razoáveis, mas que com o tempo formam um sistema resistente a qualquer intervenção. Em produtos com IA, o risco é operar sobre essa desordem acumulada, porque o modelo não distingue o que existe por lógica do que existe por legado.

Escopo implícito (implicit scope): Conjunto de intenções, limites e contextos não declarados diretamente, mas inferidos pela IA com base em padrões, histórico ou modelo de linguagem. É o que faz o modelo responder a algo “parecido” com o pedido, mesmo que o comando não tenha sido literal. Pode enriquecer interações abertas, mas também causar erros invisíveis quando o escopo real diverge da expectativa do usuário.

Explicabilidade: Capacidade de mostrar ao usuário, em linguagem acessível, por que o sistema chegou a uma resposta ou decisão, com quais fontes e com que grau de certeza.

Explicabilidade adaptativa (adaptive explainability): Forma de tornar o comportamento da IA compreensível sem sobrecarregar o usuário. Em vez de mostrar a lógica completa por padrão, o sistema revela justificativas, critérios ou fontes conforme o momento da interação e o perfil de quem usa, equilibrando transparência e usabilidade.

GenAI (IA generativa, do inglês Generative AI): IA que cria conteúdo novo, como texto, imagem, código, áudio e vídeo, a partir de padrões aprendidos. Outros tipos de IA apenas classificam, recomendam ou preveem.

Guardrails (barreiras de contenção): Regras e filtros que impedem o sistema de responder ou agir fora dos limites definidos, como bloquear dados sensíveis, recusar pedidos de risco ou exigir confirmação antes de uma ação.

Humano no ciclo (human-in-the-loop): Desenho em que uma pessoa participa da decisão da IA em pontos críticos do fluxo, revisando, aprovando ou corrigindo, como na seleção de conteúdo, na validação de uma resposta ou na moderação de risco. Ganha peso quando a confiança do modelo cai ou o risco da ação é alto.

IA (inteligência artificial): Campo da computação que cria sistemas capazes de executar tarefas que associamos à inteligência humana, como reconhecer padrões, entender linguagem e tomar decisões.

IA com propósito específico (narrow AI): Sistema de IA treinado para uma tarefa ou um domínio delimitado. Acerta bem dentro do escopo e falha fora dele, porque reconhece padrões, mas não entende o contexto amplo nem transfere conhecimento entre domínios.

IA multimodal (multimodal AI): Sistema que entende ou gera mais de um tipo de conteúdo, como texto, voz, imagem e gestos, às vezes no mesmo pedido. Cada canal pede um jeito diferente de responder e de confirmar, o que aumenta a complexidade do design e da contenção.

Ilusão de continuidade (false continuity illusion): Sensação de que a IA “lembra” ou “acompanha o raciocínio” ao longo do tempo, mesmo quando opera sem memória real. Surge da consistência superficial de tom, estilo ou formato nas respostas.

Inferência (inference): Momento em que o modelo, já treinado, gera uma resposta a partir de uma entrada. O termo também descreve a lógica desses sistemas, que interpretam o comando com base em padrões e contexto em vez de seguir regras fixas, o que permite improvisar, adaptar e errar com fluência.

Injeção de comando (prompt injection): Ataque em que instruções escondidas em um texto, site, e-mail ou arquivo levam a IA a ignorar as regras originais e fazer outra coisa, como contornar restrições, expor dados ou executar uma ação indevida.

Integração invisível (invisible integration): Primeiro contato com um sistema de IA feito sem telas de apresentação nem tutoriais. O sistema reconhece quem chega e ajusta a resposta com previsibilidade e critério, preparando o uso de forma silenciosa.

Janela de contexto (context window): Limite de quanto o modelo consegue considerar de uma vez, medido em tokens. Funciona como memória imediata, porque só o que cabe na janela entra no cálculo da próxima resposta. O que passa desse limite é descartado, e a IA pode perder o começo da conversa sem dar nenhum sinal disso.

JSON (notação de objetos JavaScript, do inglês JavaScript Object Notation): Formato de texto estruturado usado na troca de dados entre sistemas. Pedir a resposta em JSON torna a saída previsível e fácil de aproveitar em outra etapa do produto.

Latência: Tempo entre o pedido e a resposta. Em sistemas com IA, ele varia bastante e afeta diretamente a sensação de fluidez, por isso a espera também precisa ser desenhada.

LLM (grande modelo de linguagem, do inglês Large Language Model): Modelo treinado com grandes volumes de texto que gera linguagem prevendo, a cada passo, o token mais provável a partir do que veio antes. Escreve com fluência, mas sem compreender o conteúdo. É o tipo de modelo por trás de assistentes como ChatGPT, Claude e Gemini.

Logs (registros): Registros técnicos do que o sistema fez, como pedidos recebidos, respostas, erros e tempos. Ajudam a investigar falhas, mas nem sempre mostram a hesitação ou o abandono do usuário.

MCP (protocolo de contexto de modelo, do inglês Model Context Protocol): Padrão aberto, lançado pela Anthropic em novembro de 2024, que conecta modelos de IA a ferramentas e fontes de dados externas por meio de uma linguagem comum. Cada ferramenta que adota o padrão publica um servidor MCP, que informa o que ela faz e quais dados expõe. É o que permite, por exemplo, que um agente leia a estrutura de um arquivo do Figma e gere código a partir do que foi projetado, e não de uma interpretação visual da tela.

Mecanismo de reversão (fallback): Resposta ou caminho alternativo acionado quando a IA falha, hesita ou tem baixa confiança. Pode reformular, pedir confirmação, encaminhar o caso para uma pessoa, oferecer uma ação mais limitada ou optar pelo silêncio, e também desfazer ou revisar ações já inferidas. Bem projetado, preserva o fluxo e torna as decisões automáticas revisáveis.

ML (aprendizado de máquina, do inglês Machine Learning): Área da IA em que o sistema aprende padrões a partir de dados, em vez de seguir regras escritas uma a uma. Recomendações, filtros de spam e reconhecimento de rostos usam aprendizado de máquina.

Modelagem da resposta (response shaping): Conjunto de decisões que definem a forma, o tom, a extensão e a estrutura de uma resposta da IA. Não altera o conteúdo central, mas muda diretamente a forma como o usuário percebe utilidade, confiabilidade e alinhamento com o contexto.

Observabilidade (observability): Capacidade de acompanhar, registrar e interpretar o comportamento da IA em uso real, com logs de comandos, variações de resposta, sinais de confiança e feedback dos usuários. Serve para encontrar desvios, explicar o que aconteceu e melhorar o sistema de forma contínua.

Ponto de controle (control point): Interrupção proposital no fluxo automatizado para validação, supervisão ou redirecionamento. Pode ser feito por regras, verificações de confiança ou intervenção humana.

Protocolo de contexto (context protocol): Forma de organizar como diferentes partes de um sistema compartilham dados e seus significados, incluindo o contexto em que foram criados e as regras por trás deles. Evita interpretações equivocadas e garante continuidade entre as etapas do processo.

RAG (geração aumentada por recuperação, do inglês Retrieval-Augmented Generation): Técnica em que o sistema busca trechos relevantes em fontes externas, como documentos, páginas e bases da empresa, e os inclui no contexto antes de responder. Ancora a resposta em conteúdo real, reduz alucinações e permite mostrar ao usuário de onde veio cada informação.

Referência para confiança (referencing for trust): Estratégia que vincula a resposta da IA a fontes verificáveis ou evidências explícitas. Ao citar a origem de um dado, estudo ou conteúdo, o sistema ganha transparência e deixa de parecer arbitrário, o que é essencial em domínios sensíveis, como o jurídico, o médico ou o institucional.

Rendição cognitiva (cognitive surrender): Estado em que a resposta da IA passa a ocupar o lugar da avaliação crítica humana. Diferente de usar a IA como apoio, acontece quando o profissional aceita o que foi gerado pela aparência de coerência, sem reconstruir o problema com seus próprios critérios. No design, pode surgir em interfaces que parecem completas, mas carregam decisões frágeis, estados ausentes ou lógica pouco compreendida.

Revelação por camadas (progressive disclosure): Princípio de interface em que os detalhes aparecem em etapas, conforme o usuário precisa, em vez de tudo de uma vez. Em IA, a resposta começa simples e se aprofunda à medida que o usuário demonstra interesse, o que permite explicar fontes, critérios e incertezas sem sobrecarregar a interface.

RLHF (aprendizado por reforço com feedback humano, do inglês Reinforcement Learning from Human Feedback): Etapa de treinamento em que pessoas avaliam respostas do modelo e essas preferências orientam novas rodadas de treinamento, reforçando respostas mais úteis, éticas ou respeitosas. Acontece antes de o modelo chegar ao usuário.

Ruído comportamental (behavioral noise): Desvios sutis no tom, na cadência ou na forma das respostas da IA que não configuram erro técnico, mas prejudicam a experiência. Aparece como repetição, entusiasmo artificial, formalidade excessiva ou inconsistência entre turnos, e é comum em sistemas generativos com pouco cuidado na escolha da linguagem.

S2R (busca direta por voz, do inglês Speech-to-Retrieval): Modelo de busca por voz que interpreta a intenção diretamente do áudio, sem converter a fala em texto. Em vez de focar em palavras, gera uma representação do que o usuário quis dizer e a compara com o significado dos documentos indexados. Elimina erros de transcrição e torna a experiência de voz mais natural e previsível.

SDD (desenvolvimento orientado por especificação, do inglês Spec-Driven Development): Abordagem em que a especificação do comportamento vem antes da geração de código ou interface. O designer define estados, cenários e critérios de sucesso antes de usar qualquer ferramenta de IA generativa, e a ferramenta executa contra esse contrato em vez de interpretar a intenção a partir de comandos abertos. O resultado é mais previsível porque as decisões de UX foram tomadas antes da geração.

Sem exemplos e com poucos exemplos (zero-shot e few-shot): Duas formas de escrever um comando. No zero-shot, a tarefa é pedida sem exemplos. No few-shot, o comando inclui alguns exemplos da resposta esperada, o que ajuda a calibrar formato, estilo e estrutura. As duas formas também servem para medir a capacidade de generalização do modelo.

Sistema multiagente (multi-agent framework): Arquitetura em que vários agentes de IA, cada um com papel e escopo definidos, colaboram em sequência ou em paralelo para completar uma tarefa composta. Cada agente processa sua parte e passa o resultado ao próximo, e o design precisa tornar visíveis as transições, os critérios de parada e os pontos de intervenção humana.

Sistemas agentivos (agentic systems): Arquiteturas em que a IA executa ações em sequência com relativa autonomia, com base em estado compartilhado, objetivos compostos e comandos encadeados. Exigem contenção, reversibilidade e lógica explícita entre as etapas.

Temperatura (temperature): Parâmetro que controla o grau de variação nas respostas da IA, ou seja, o quanto o modelo pode “arriscar” ao prever a próxima palavra. Temperaturas baixas (como 0,2) geram respostas previsíveis e consistentes. Temperaturas altas (como 0,8 ou 1,0) ampliam a diversidade e deixam a linguagem mais “criativa”, mas também menos estável. O ajuste é invisível para o usuário, mas afeta a percepção de controle, naturalidade e confiança.

Token (unidade de texto): Pedaço de texto que o modelo processa, que pode ser uma palavra, parte de uma palavra ou um sinal de pontuação. A janela de contexto, os limites de uso e o custo dos modelos são medidos em tokens.

Treinamento: Processo em que o modelo aprende padrões a partir de grandes volumes de dados. O que entra nos dados de treino define o que o modelo sabe e os vieses que ele carrega.

UCP (Protocolo Universal de Comércio, do inglês Universal Commerce Protocol): Protocolo aberto que o Google lançou com Shopify, Walmart, Visa e dezenas de outras organizações. Padroniza a troca de dados entre agentes de IA e sistemas de comércio, da descoberta do produto à finalização do pedido e ao suporte pós-venda, e permite que uma compra completa aconteça dentro de uma conversa no Gemini ou no modo de IA da busca do Google, sem passar pelo site do varejista.

Vetorização semântica (embedding): Representação de palavras, frases ou documentos como vetores numéricos em múltiplas dimensões. Permite à IA comparar significados mesmo entre textos diferentes e serve de base para busca semântica, agrupamentos, personalização e bancos vetoriais.

Vibe coding: Prática de descrever em linguagem natural o que se quer e deixar a IA gerar interface, código e protótipo funcional, testando comportamento, movimento, dados e latência enquanto o produto é construído. Ferramentas como Figma Make, Cursor, Replit, Vercel v0, Lovable, Bolt.new, Claude Code, GitHub Spark e a brasileira Skip trabalham assim. Acelera a experimentação, e o resultado ainda precisa de revisão crítica antes de ir para produção.

Viés (bias): Distorção sistemática nas respostas, herdada dos dados de treino ou das escolhas de projeto, que pode favorecer ou excluir grupos de pessoas sem que ninguém tenha pedido isso.

Para ver esses conceitos aplicados ao dia a dia, escrevi o ebook gratuito UX com IA, que mostra como o designer pode tirar proveito da IA no próprio trabalho, com critério para revisar o que a ferramenta entrega e decidir o que vale manter. [link para baixar o ebook]