Uma recomendação de filme, uma rota recalculada ou um assistente que responde por voz pode envolver inteligência artificial. Essa tecnologia costuma agir nos bastidores, então você talvez receba um resultado sem perceber como ele foi produzido.
Se você quer entender o que é ia inteligencia artificial, o ponto de partida é observar o que a ferramenta faz. Ela pode identificar padrões, organizar informações ou gerar uma resposta para uma tarefa específica. Isso não significa que pense ou sinta como uma pessoa.
Este guia apresenta os conceitos essenciais, explica como os sistemas aprendem e mostra aplicações, vantagens e limites. Você também verá como escolher uma ferramenta e conferir respostas antes de usá-las em decisões importantes.
Principais pontos
- A IA é um campo que desenvolve sistemas para tarefas como classificar dados e produzir conteúdo.
- Um modelo de IA encontra padrões em exemplos e usa esses padrões para gerar resultados.
- Aplicações de IA aparecem em mapas, recomendações, filtros de spam e assistentes de voz.
- Uma resposta bem escrita pode conter erros, então confira informações relevantes.
- Para começar, escolha uma tarefa simples e evite fornecer dados sensíveis.
Entender o que o sistema consegue fazer e conferir suas respostas são bons primeiros passos para usá-lo com autonomia.
O que é IA inteligencia artificial?
Inteligência artificial, ou IA, é o campo que cria sistemas capazes de executar tarefas que costumam exigir percepção, aprendizado ou análise. AI é a sigla em inglês, enquanto IA é a forma usada em português.
O campo reúne técnicas e sistemas, não uma única máquina. Um modelo de IA é um sistema matemático treinado para identificar padrões nos dados e produzir previsões, classificações ou conteúdo. A tarefa descreve a capacidade específica de uma aplicação.
Em resumo, sistemas identificam padrões em dados para realizar tarefas determinadas, sem pensar como pessoas. Uma ferramenta pode separar mensagens por assunto, reconhecer objetos em imagens ou sugerir palavras enquanto você escreve.
Uma resposta convincente pode parecer humana sem indicar que o sistema compreende o mundo como uma pessoa.
A inteligência artificial não é sinônimo de consciência, raciocínio humano ou aprendizado de máquina. Machine learning, ou aprendizado de máquina, é uma família de métodos usada em muitos modelos de IA, mas não representa todo o campo.
Hoje, a categoria em uso é a IA estreita, também chamada ANI. Esses sistemas resolvem tarefas delimitadas, como transcrever fala ou recomendar vídeos. A inteligência artificial geral, ou AGI, continua teórica.
Uma ferramenta pode combinar vários modelos e regras para cumprir uma tarefa. Por isso, chamar um aplicativo inteiro de “uma IA” simplifica uma estrutura que pode incluir diferentes sistemas e serviços.
A IA pensa como uma pessoa?
Um sistema pode vencer uma pessoa em uma tarefa delimitada sem ter inteligência humana ou consciência. Desempenho numa atividade não demonstra experiência, compreensão ou sentimentos.
Um programa pode reconhecer padrões em milhares de imagens ou produzir respostas fluentes. Uma pessoa, por outro lado, relaciona palavras a experiências, objetivos e conhecimento do mundo. Os sistemas atuais não demonstram consciência ou sentimentos genuínos.
Essa diferença importa quando uma conversa parece natural. O sistema calcula uma sequência de respostas a partir de padrões aprendidos e do contexto recebido. A fluência, por si só, não prova que ele entendeu a situação como você entenderia.
A ANI, ou IA estreita, é a forma de inteligência artificial existente hoje. Seus sistemas têm capacidades delimitadas e não transferem automaticamente o que aprenderam numa tarefa para todas as outras.
A AGI é uma categoria teórica que descreveria uma capacidade geral de atuar em diferentes tarefas. A superinteligência artificial, ou ASI, é uma hipótese de capacidade que ultrapassaria a humana. Nenhuma dessas categorias hipotéticas deve ser confundida com um produto atual.
Uma ferramenta pode dizer “entendo” ou escrever de modo acolhedor porque aprendeu padrões de linguagem humana. Essas expressões não são prova de experiência pessoal, intenção ou emoção.
Trate respostas bem formuladas como resultados de um sistema, não como prova de que há uma pessoa pensando do outro lado.
Como a inteligência artificial evoluiu?
A inteligência artificial ganhou nome como campo de pesquisa décadas antes de os chatbots se popularizarem. As ideias surgiram antes de haver tecnologia suficiente para desenvolvê-las em grande escala.
A história inclui períodos de avanço e de menor investimento. Os marcos abaixo mostram que ferramentas recentes resultam de um longo processo, não de uma única invenção.
Das primeiras ideias ao nascimento do campo
Em 1943, Warren McCulloch e Walter Pitts propuseram um modelo computacional de redes neurais. O trabalho apresentou uma maneira matemática de representar unidades ligadas, inspiradas em aspectos do sistema nervoso.
Alan Turing descreveu o teste de imitação em 1950, uma proposta para discutir se uma máquina poderia parecer humana numa conversa. Em 1956, a Conferência de Dartmouth marcou o nascimento do campo de inteligência artificial.
Do inverno da IA aos assistentes atuais
- 1943: McCulloch e Pitts propuseram um modelo computacional de redes neurais.
- 1950 e 1956: Turing descreveu o teste de imitação, e Dartmouth marcou o campo.
- 1964 e 1969: ELIZA simulou uma conversa, e o robô Shakey foi desenvolvido.
- Anos 1970 e 1980: períodos de redução de expectativas e investimentos ficaram associados ao inverno da IA.
- 2022: o ChatGPT foi lançado e popularizou uma forma acessível de interação com IA generativa.
ELIZA, criada em 1964, respondia a frases com padrões de conversa. Shakey, desenvolvido em 1969, combinava percepção e movimento. Ambos mostraram possibilidades, mas operavam com limitações próprias de sua época.
O inverno da IA não interrompeu toda a pesquisa. Ele refletiu, entre outros fatores, a distância entre promessas ambiciosas e a capacidade computacional, os dados e os métodos disponíveis.
A virada para ferramentas acessíveis ao público dependeu de avanços em dados, modelos e capacidade computacional, não de um único evento.
Como funciona a inteligência artificial?
Um filtro de spam pode aprender a distinguir mensagens indesejadas ao analisar exemplos já classificados. Os padrões encontrados ajudam o sistema a classificar mensagens novas.
Um sistema de IA combina dados, algoritmos e poder computacional. O modelo ajusta cálculos para encontrar regularidades nos exemplos e produzir previsões, classificações ou respostas.
- Você fornece exemplos ou dados, como mensagens marcadas como spam ou legítimas.
- Algoritmos processam esses dados e organizam as informações relevantes.
- O modelo é ajustado para encontrar padrões que ajudem a separar as categorias.
- O sistema recebe uma mensagem nova e calcula a classificação mais provável.
O processo não exige uma regra escrita para cada mensagem possível. Em vez de instruir o sistema sobre todas as combinações de palavras, o treinamento permite calcular resultados com base nos padrões observados.
Se uma mensagem nova for muito diferente das amostras, o filtro poderá classificá-la errado. Uma nota fiscal legítima com linguagem incomum, por exemplo, pode se parecer com mensagens indesejadas para aquele modelo.
O resultado também depende da qualidade dos dados. Informações incompletas, desatualizadas ou marcadas de forma inconsistente podem levar o modelo a aprender padrões pouco úteis para a tarefa.
Treinar um sistema não garante que ele funcionará da mesma maneira em qualquer lugar. Uma ferramenta desenvolvida com dados de um idioma, serviço ou grupo específico pode não se ajustar bem a outro contexto.
Um resultado tende a ser menos confiável quando os dados de treinamento não representam o cenário em que o sistema será usado.
Qual é a diferença entre machine learning e deep learning?
Machine learning é a família de métodos que permite aprender padrões com dados, enquanto deep learning usa redes neurais com várias camadas. A relação entre eles é de conjunto e subconjunto.
Deep learning é uma forma de machine learning, mas nem todo método de machine learning usa redes neurais profundas. A tabela distingue os termos e mostra como eles se relacionam.
| Conceito | Como usa dados | Exemplo de tarefa | Relação entre os termos |
|---|---|---|---|
| Machine learning | Aprende padrões em exemplos | Classificar mensagens | Família ampla de métodos |
| Deep learning | Usa redes neurais com várias camadas | Reconhecer objetos em imagens | Subconjunto de machine learning |
| Aprendizado supervisionado | Usa exemplos com respostas rotuladas | Prever uma categoria conhecida | Método de aprendizado de máquina |
No aprendizado supervisionado, os exemplos incluem uma resposta correta, ou rótulo. O sistema aprende a relacionar as informações de entrada à categoria ou ao resultado esperado.
Machine learning também pode incluir outros métodos, como o aprendizado sem supervisão, em que o sistema procura estruturas nos dados sem rótulos definidos. A escolha depende da tarefa e dos exemplos disponíveis.
O processamento de linguagem natural, ou PLN, trabalha com texto e fala. A visão computacional trata de imagens e vídeos. Esses campos podem recorrer tanto a machine learning quanto a deep learning.
Uma rede com muitas camadas pode identificar características complexas, mas também exige dados e recursos computacionais adequados. Um método mais simples pode atender melhor uma tarefa com poucos dados ou regras claras.
Para reconhecer imagens ou fala, redes profundas podem ser úteis, mas a escolha depende da tarefa e dos dados disponíveis.
Como funciona a inteligência artificial generativa?
Ao pedir um resumo ou uma imagem, você fornece um prompt que orienta o modelo generativo sobre o conteúdo desejado. O prompt é o texto, a imagem ou outra entrada que descreve a tarefa.
A IA generativa produz texto, imagens, áudio, vídeo ou código a partir de padrões aprendidos. O resultado é uma nova sequência coerente com o pedido, não uma cópia garantida de uma fonte específica.
O que o modelo aprende durante o treinamento
Durante o treinamento, o modelo processa exemplos e ajusta seus cálculos para representar relações entre elementos. Um modelo de linguagem, por exemplo, aprende regularidades sobre palavras e suas combinações em diferentes contextos.
Um modelo de base oferece capacidades gerais. Uma aplicação pode ajustá-lo para uma finalidade, acrescentar instruções ou conectá-lo a ferramentas. Por isso, dois serviços que usam modelos parecidos podem responder de maneiras diferentes.
Transformadores, modelos de difusão e autocodificadores variacionais, chamados VAEs, são arquiteturas usadas para gerar conteúdo. Cada arquitetura organiza o processo de maneira própria, sem transformar o sistema em uma pessoa.
Como um prompt vira um novo conteúdo
O prompt orienta o resultado com contexto e formato. “Resuma este texto público em cinco tópicos para uma turma do ensino médio” informa mais do que “resuma”.
Para criar uma imagem, você pode pedir: “Uma bicicleta vermelha encostada numa parede azul, em estilo de ilustração editorial”. O modelo calcula elementos visuais prováveis segundo o pedido e os padrões aprendidos.
A geração pode incluir treinamento inicial, ajuste para uma finalidade e produção de uma resposta. O modelo não consulta necessariamente uma fonte confiável a cada frase, então uma resposta plausível pode conter enganos.
Um prompt específico sobre formato, público e objetivo costuma reduzir respostas vagas, mas não garante que o conteúdo esteja correto.
Quais são os tipos de inteligência artificial?
Os tipos de IA podem ser organizados pelo modo como operam ou pela amplitude das tarefas que poderiam executar. Essas classificações descrevem aspectos diferentes e não devem ser misturadas.
Uma classificação funcional comum distingue memória e resposta a situações. Teoria da mente e autoconsciência são categorias teóricas, sem exemplos reais existentes.
| Tipo | Uso da memória | Situação atual | Exemplo ou observação |
|---|---|---|---|
| Máquina reativa | Não usa memória de experiências anteriores | Categoria funcional | Responde a uma situação específica |
| Memória limitada | Usa dados anteriores e atuais | Encontrada em sistemas atuais | Considera informações recentes para uma tarefa |
| Teoria da mente | Exigiria representar estados mentais | Teórica | Não há exemplo real existente |
| Autoconsciência | Exigiria consciência de si | Teórica | Não há exemplo real existente |
Máquinas reativas respondem a condições presentes sem recorrer a uma memória de experiências anteriores. Sistemas de memória limitada podem combinar dados anteriores e atuais para produzir um resultado.
Outra classificação separa ANI, AGI e ASI pela amplitude das capacidades. ANI designa a IA estreita em uso atualmente. AGI e ASI são categorias hipotéticas, não produtos com capacidades comprovadas.
As duas classificações respondem a perguntas distintas. Uma descreve como um sistema usa memória; a outra trata do alcance das tarefas que ele poderia executar.
Uma ferramenta que parece lembrar uma conversa pode manter informações por um recurso de software, sem demonstrar autoconsciência. O armazenamento de contexto é diferente de consciência de si.
Ao classificar uma ferramenta real, descreva o que ela faz hoje em vez de atribuir capacidades teóricas.
Onde a inteligência artificial aparece no dia a dia?
Uma lista personalizada de vídeos pode ser produzida por um sistema que compara seu uso com padrões de conteúdo. As recomendações são um exemplo familiar de aplicação de IA.
Você pode encontrar sistemas desse tipo no celular, na navegação, no e-mail e em serviços digitais. Nem todo recurso automático usa IA, e o nome de uma função não revela sozinho como ela funciona.
Serviços que recomendam e organizam conteúdo
Plataformas como Netflix e YouTube usam recomendações de conteúdo. Os sistemas podem considerar padrões de uso e características dos vídeos para ordenar opções, mas a lista exibida não explica sozinha por que cada item apareceu.
Assistentes, mapas e reconhecimento
- Streaming: Netflix e YouTube recomendam filmes ou vídeos com base em padrões de conteúdo e uso.
- Mapas: Google Maps e Waze oferecem navegação e rotas para deslocamentos.
- Assistentes de voz: Siri e Alexa recebem comandos falados e respondem a pedidos compatíveis.
- E-mail: filtros de spam separam mensagens indesejadas de outras correspondências.
- Reconhecimento facial: sistemas analisam características de rostos para localizar correspondências.
Um aplicativo de mapas pode recalcular uma rota quando a situação do trajeto muda. O recurso ajuda a orientar a viagem, mas a decisão sobre seguir por uma rua ou outra continua com você.
Correção de texto e reconhecimento de imagem também aparecem em serviços digitais. Algumas funções combinam técnicas de IA com regras convencionais de software.
Um botão automático pode apenas executar uma instrução fixa, sem aprendizado de máquina. Para entender o serviço, observe o resultado e a tarefa, em vez de confiar apenas no rótulo comercial.
Observe o resultado visível do serviço, mas não conclua que todo recurso automático de um aplicativo usa necessariamente IA.
Como a IA é aplicada no trabalho e nas empresas?
Um chatbot pode responder dúvidas frequentes, enquanto uma pessoa assume casos que exigem contexto ou julgamento. A divisão de tarefas ajuda a manter o atendimento adequado a situações diferentes.
Empresas aplicam IA para analisar dados, apoiar processos e automatizar partes de algumas tarefas. Uso organizacional não significa automação integral nem adoção por todas as equipes.
Atendimento, finanças e gestão de pessoas
Em 2026, a adoção organizacional de IA chegou a 88%. No mesmo ano, quatro em cada cinco estudantes universitários usavam IA generativa. A adoção da IA generativa pela população mundial atingiu 53% em três anos.
- Atendimento: chatbots respondem perguntas frequentes e encaminham solicitações que precisam de análise individual.
- Finanças: sistemas identificam padrões que podem indicar fraude em transações.
- Recrutamento: ferramentas fazem triagem de currículos, mas essa análise não é neutra por definição.
- Saúde: modelos podem apoiar a análise de imagens médicas por profissionais.
- Indústria: sensores ajudam a prever falhas e planejar manutenção de equipamentos.
Saúde, indústria e análise de dados
Na saúde, a análise automatizada pode apontar regiões de uma imagem que merecem atenção. A avaliação clínica continua dependendo de contexto, histórico e responsabilidade profissional.
Na indústria, sensores podem registrar vibração ou temperatura de máquinas. Um sistema pode identificar padrões associados a falhas e ajudar a planejar a manutenção antes de uma parada inesperada.
A pesquisa jurídica também pode usar ferramentas para localizar informações em documentos. O profissional precisa conferir o contexto e a precisão antes de apoiar um parecer em resultados automatizados.
Em 2025, mais de 90% dos modelos de fronteira notáveis considerados foram produzidos pela indústria. Essa presença não significa que todas as organizações tenham acesso igual ou adotem os mesmos sistemas.
Antes de automatizar uma decisão que afeta pessoas, defina quem confere o resultado e como um erro pode ser contestado.
Que tarefas a IA consegue agilizar?
Ao classificar solicitações simples, a IA pode liberar uma equipe para lidar com casos que exigem mais contexto. O ganho aparece quando a ferramenta reduz trabalho repetitivo sem esconder erros.
Uma aplicação pode automatizar tarefas, resumir informações e apoiar previsões. A eficiência depende de dados adequados, integração ao processo e revisão proporcional ao impacto.
- Automatizar tarefas repetitivas: separar formulários por assunto pode reduzir triagens manuais.
- Acelerar a análise de dados: resumir documentos extensos ajuda a localizar pontos importantes.
- Manter atendimento digital disponível: um sistema pode receber perguntas fora do horário da equipe.
- Apoiar decisões com padrões: uma previsão pode destacar tendências que merecem análise humana.
Uma ferramenta que resume arquivos pode economizar tempo, desde que preserve informações necessárias à tarefa. Se ela omitir uma condição importante, o resumo pode atrapalhar mais do que ajudar.
Serviços digitais podem responder continuamente, mas isso não significa que todas as solicitações terão solução automática. Encaminhar um caso complexo para uma pessoa também faz parte de um processo útil.
A revisão humana é importante quando há contexto, responsabilidade ou consequências relevantes. A intensidade da revisão deve acompanhar o impacto de um erro, não apenas a velocidade do sistema.
Meça o tempo e os erros antes e depois de adotar uma ferramenta, em vez de presumir que automatizar sempre melhora o processo.
Quais são as vantagens e desvantagens da IA?
Uma resposta inventada pode soar segura, porque fluência não é garantia de exatidão. A rapidez e a escala podem ser vantagens, mas resultados convincentes ainda exigem avaliação.
As desvantagens dependem da aplicação e dos dados, e não são iguais em todos os modelos. Cinco pontos merecem atenção quando uma ferramenta participa de processos ou decisões.
Quando respostas convincentes estão erradas
Respostas generativas podem apresentar informações falsas com confiança e incluir citações inventadas. Isso não significa que toda resposta esteja errada, mas referências e afirmações importantes precisam de conferência.
Como os vieses podem afetar pessoas
- Respostas incorretas: uma explicação plausível pode trazer fatos ou referências falsos.
- Vieses e discriminação: dados de treinamento podem reproduzir padrões desiguais relacionados a gênero ou raça.
- Privacidade e segurança: dados inseridos em uma ferramenta podem trazer riscos se forem tratados inadequadamente.
- Erros difíceis de detectar: uma falha pode parecer razoável e passar despercebida numa revisão apressada.
- Dependência e trabalho: o uso excessivo pode afetar tarefas profissionais e reduzir a revisão crítica.
Uma análise de mais de 5.000 imagens geradas pelo Stable Diffusion encontrou amplificação de estereótipos de gênero e raça. Esse resultado descreve aquele conjunto analisado, não todas as ferramentas de imagem.
Uma análise da UNESCO encontrou descrições de mulheres em papéis domésticos quatro vezes mais frequentemente do que de homens. O resultado também não deve ser generalizado para cada modelo ou tipo de conteúdo.
Incidentes documentados de IA aumentaram de 233 em 2024 para 362 em 2025. O número mostra a importância de acompanhar falhas, sem indicar que todos os sistemas tenham o mesmo perfil de risco.
Em decisões sobre emprego, saúde, crédito ou direitos, não use uma resposta gerada como única base para agir.
Como usar uma IA gratuita e escolher uma ferramenta?
Para começar, peça a um assistente que resuma um texto público ou organize uma lista, depois confira cada detalhe. Uma tarefa simples permite avaliar se a ferramenta ajuda sem expor informações pessoais.
A melhor IA gratuita depende da tarefa e dos recursos necessários, não apenas do nome do modelo. Planos podem ter limites diferentes para mensagens, arquivos, imagens e armazenamento.
- Escolha uma tarefa simples, como resumir um texto público ou organizar tópicos.
- Inclua contexto e formato desejado no prompt, como público, objetivo e extensão.
- Confira nomes, números e afirmações importantes antes de usar o resultado.
- Evite inserir dados pessoais ou confidenciais enquanto não entender como são tratados.
Para usar a IA do Google, abra o Gemini, escreva um pedido claro e revise a resposta. Os recursos e limites variam entre planos. Guias e análises de ferramentas também estão entre os temas tratados pelo portal brasileiro sobre IA.
| Opção | Preço mensal no Brasil | Limites ou recursos | Armazenamento ou condição de uso |
|---|---|---|---|
| Gemini gratuito | R$ 0 | Flash-Lite, geração e edição de imagens, Deep Research e Gemini Live | 15 GB de armazenamento |
| Google AI Plus | R$ 24,99 | Limites 2x os do plano gratuito | Armazenamento não informado |
| Google AI Pro | R$ 96,99 | Limites 4x os do plano gratuito | 5 TB de armazenamento |
| Google AI Ultra | A partir de R$ 779,90 | Limites 5x os do plano Pro | Armazenamento não informado |
| ChatGPT gratuito | Sem custo mensal | GPT-6 Luna como padrão de texto em outubro de 2026; limites separados para arquivos, imagens, voz e análise de dados | Conversas cotidianas sem limite, sujeitas a salvaguardas; contexto Instant de 27 mil tokens |
Em outubro de 2026, o plano gratuito do ChatGPT usava GPT-6 Luna como modelo padrão de texto. Conversas cotidianas não tinham limite, sujeitas a salvaguardas, e os recursos de arquivos, imagens, voz e análise de dados tinham limites separados.
O contexto do modelo Instant no plano gratuito era de 27 mil tokens em outubro de 2026. No Gemini, os planos pagos informados oferecem limites maiores que o gratuito, mas esses números não medem a qualidade em todas as tarefas.
Não envie senhas, documentos pessoais ou informações confidenciais a uma ferramenta sem entender como ela trata esses dados.
Como avaliar se uma inteligência artificial é confiável?
Uma IA confiável precisa funcionar no tipo de situação em que você pretende usá-la, não apenas numa demonstração. O contexto e a tarefa precisam fazer parte da avaliação.
Teste exemplos representativos e confira resultados de alto impacto antes de depender deles. O NIST destaca características como validade, confiabilidade, segurança, transparência, privacidade e equidade.
Critérios para conferir um resultado
| Característica | Teste prático | Sinal de alerta |
|---|---|---|
| Validade e confiabilidade | Testar exemplos representativos do uso real | Falhas frequentes nos casos esperados |
| Segurança e resiliência | Testar entradas incomuns e situações de falha | Resultados instáveis ou exposição a ataques |
| Transparência e explicabilidade | Verificar se limites e bases do resultado são claros | Justificativas vagas ou difíceis de entender |
| Privacidade | Examinar quais dados a ferramenta recebe | Uso de informações sem clareza |
| Equidade | Comparar resultados em grupos e casos distintos | Diferenças injustificadas entre pessoas |
Validade e confiabilidade precisam ser medidas sob condições parecidas com as do uso real. Também vale consultar fontes originais e repetir testes com exemplos variados.
O AI Risk Management Framework do NIST é voluntário. Seu perfil de riscos de IA generativa foi lançado em 26 de julho de 2024.
O que os benchmarks mostram, e o que não mostram
Em um ano, o desempenho no SWE-bench Verified passou de 60% para quase 100%. Esse benchmark avalia tarefas específicas de engenharia de software, não toda forma de programação.
No OSWorld, agentes tiveram cerca de 66% de sucesso e falharam em aproximadamente uma de cada três tentativas. O melhor desempenho na leitura de relógios analógicos foi 50,1% de acerto.
Um estudo publicado em 11 de janeiro de 2026 comparou Claude, Gemini, ChatGPT, Qwen, Grok, DeepSeek, LLaMA e Mistral em 13 tarefas com dados Titanic. Claude e Gemini superaram os demais especialmente em tarefas de raciocínio e transparência.
Um bom resultado num teste não garante desempenho em outra tarefa. Para uma decisão importante, peça uma resposta verificável e confirme os pontos decisivos em uma fonte independente.
Como a inteligência artificial é regulamentada no Brasil?
No Brasil, a IA já está sujeita a normas existentes, embora o marco legal geral proposto ainda não esteja aprovado. A distinção entre regras vigentes e propostas é essencial para entender as obrigações atuais.
Aplicações de IA estão sujeitas, entre outras normas, à LGPD, ao Código de Defesa do Consumidor e ao Código Civil. O PL nº 2.338/2023 ainda tramitava em outubro de 2026 e não era lei aprovada.
Regras que já se aplicam
As normas existentes podem alcançar o tratamento de dados pessoais, as relações de consumo e danos civis ligados a uma aplicação. A regra relevante depende da atividade e do caso concreto.
Em outubro de 2026, o PL nº 2.338/2023 aguardava parecer do relator na Comissão Especial da Câmara dos Deputados. O Senado Federal havia aprovado o projeto em 10 de dezembro de 2024.
O que propõe o PL nº 2.338/2023
O texto aprovado pelo Senado propõe classificar sistemas conforme o risco associado à finalidade e ao contexto de uso. Isso significa que uma mesma tecnologia pode exigir cuidados distintos em aplicações diferentes.
Para sistemas de alto risco, o projeto prevê avaliação de impacto algorítmico, documentação, testes, supervisão humana e transparência. Educação, recrutamento e gestão de trabalhadores, saúde e administração da justiça estão entre os usos citados nessa categoria.
O texto também propõe proibir sistemas de risco excessivo, incluindo pontuação social de pessoas pelo poder público. Essa proposta integra o projeto aprovado pelo Senado, não uma obrigação geral já criada por esse texto.
O PL nº 2.338/2023 propõe regras e salvaguardas, mas sua tramitação não transforma o texto em lei vigente.
As obrigações que já se aplicam não desaparecem enquanto o projeto tramita. Organizações precisam considerar as normas existentes ao decidir como coletar dados e usar sistemas automatizados.
Antes de colocar IA em uma decisão regulada ou de alto impacto, avalie o caso com profissionais jurídicos e responsáveis pelo sistema.
Conclusão
A inteligência artificial pode ser útil quando você sabe qual tarefa quer resolver e como vai conferir o resultado. Sistemas que aprendem padrões em dados podem apoiar atividades, mas a verificação humana continua importante.
Comece com um teste de baixo risco, como resumir um texto público. Confira se o resultado preserva os pontos principais e avalie se ele realmente economiza tempo.
Escolha uma tarefa simples, teste a ferramenta com dados não sensíveis e valide a resposta antes de usá-la.
