Como posso criar uma inteligência artificial? Do assistente ao treino

Passo a passo

1. Defina o que a sua IA precisa fazer

   Antes de escolher ferramenta, escreva em uma frase a tarefa. A tarefa define o caminho e a dificuldade:

   • Um assistente com estilo e regras próprias: assistente configurável. Dificuldade baixa.
   • Responder com base nos seus manuais, políticas ou contratos: RAG. Dificuldade baixa a média com plataforma pronta, média a alta se você controla tudo.
   • Respostas sempre no mesmo formato, estilo ou classificação: fine-tuning. Dificuldade média a alta.
   • Controle sobre o modelo e a infraestrutura: modelos de pesos abertos via Hugging Face. Dificuldade média a alta.
   • Reconhecer imagens, sons ou poses em uma demonstração simples: ferramentas de aprendizado por exemplos, como o Teachable Machine. Dificuldade baixa.

   Na prática, você quase nunca treina um modelo do zero. Você adapta um modelo que já existe.

2. Comece com um assistente configurável

   É o caminho mais fácil. Em geral, você reúne:

   • instruções de comportamento;
   • arquivos de referência;
   • ferramentas ou ações conectadas;
   • regras de formato, idioma e limites;
   • testes com perguntas reais.

   No ChatGPT (OpenAI): o formato conhecido são os custom GPTs. Em atualização de 20 de outubro de 2026, a OpenAI informou que planeja aposentar os custom GPTs e oferecer migração para plugins, que combinam instruções reutilizáveis com aplicativos conectados. A data e a disponibilidade podem variar por plano e espaço de trabalho. Os GPTs existentes continuam utilizáveis até a data de aposentadoria do seu plano (ajuda da OpenAI). Para um projeto novo, confira o aviso de migração do seu plano antes de investir nesse formato (OpenAI).

   No Claude (Anthropic) e no Gemini (Google): os dois apps também têm formas de montar um assistente com instruções e arquivos, como os Projetos do Claude e os Gems do Gemini. Não encontramos fonte oficial atual com preço, status e limites desses recursos. Confira na página oficial de cada um antes de escolher.

   O que comparar entre eles, com os mesmos critérios: preço do plano, se o recurso existe no seu plano, limite de arquivos, se os seus dados são usados para treino e se o recurso pode mudar ou sair do ar.

3. Para usar seus documentos, monte um RAG

   RAG (retrieval-augmented generation, geração aumentada por recuperação) deixa os documentos fora do modelo. Quando alguém pergunta, o sistema busca os trechos relevantes e os envia ao modelo, que gera a resposta.

   Fluxo típico:

   1. extrair o texto de PDFs, páginas ou bancos de dados; 2. dividir o conteúdo em trechos; 3. gerar embeddings (representações numéricas do texto que permitem buscar por significado); 4. guardar esses vetores em um banco de busca; 5. recuperar os trechos mais relevantes para cada pergunta; 6. enviar a pergunta e os trechos ao modelo; 7. mostrar a resposta com citação dos documentos.

   Um texto publicado no blog da Hugging Face em 4 de outubro de 2026 recomenda RAG quando o modelo não tem os fatos de que você precisa: os fatos mudam, e você não precisa alterar o modelo a cada mudança (Hugging Face).

   Você pode montar esse fluxo com a API de mais de um provedor (veja o passo 4) ou com um modelo de pesos abertos rodando na sua própria máquina (passo 6).

4. Escolha o modelo pela tarefa e pelo preço

   Para RAG, fine-tuning ou uma aplicação própria, você usa um modelo por API e paga por milhão de tokens. Um token é um pedaço de palavra.

   Os preços de API por milhão de tokens mudam com frequência: veja a comparação de preços de API.

   Não encontramos fonte oficial atual que confirme quais desses modelos têm pesos abertos nem qual é a licença de cada um. Confira na página oficial do modelo antes de planejar baixá-lo.

   Nenhum modelo é o melhor para tudo. Teste o mesmo pedido em pelo menos dois modelos de faixas diferentes, com os seus documentos, antes de decidir.

5. Faça fine-tuning só se o formato ou o estilo exigir

   Fine-tuning (ajuste fino) altera um modelo existente com exemplos que você prepara. Ele serve para comportamento, não para fatos:

   • classificação com rótulos próprios;
   • respostas em formato rígido;
   • estilo de escrita consistente;
   • extração de dados estruturados;
   • adaptação a um vocabulário de área.

   O trabalho é parecido em qualquer provedor ou modelo aberto: 1. reunir exemplos de pedido e resposta desejada, de alta qualidade; 2. separar os exemplos em treino, validação e teste; 3. remover exemplos contraditórios; 4. treinar; 5. medir alucinações (respostas inventadas com confiança), recusas e pioras em relação ao modelo original; 6. repetir o processo quando o modelo-base mudar.

   Com modelos de pesos abertos: técnicas de ajuste eficiente, como LoRA e QLoRA, treinam só uma pequena parte do modelo. Isso exige bem menos parâmetros treináveis do que o ajuste completo, muitas vezes com perda pequena de desempenho. A comunidade Hugging Face oferece bibliotecas para LoRA, QLoRA e adapters (preprint no arXiv).

   Por API de um provedor: o ajuste é gerenciado, mas o modelo continua na infraestrutura do fornecedor. Não encontramos fonte oficial atual com preços de fine-tuning por provedor em nov/2026.

6. Para ter controle total, use pesos abertos via Hugging Face

   A Hugging Face reúne modelos abertos, conjuntos de dados, bibliotecas de treino, inferência e hospedagem. É o caminho mais flexível e o que dá mais trabalho.

   O que você ganha: segundo relatório da NTIA, órgão do Departamento de Comércio dos EUA, pesos abertos permitem rodar o modelo nos seus próprios computadores ou em uma nuvem contratada por você. Assim, você usa o modelo sem compartilhar dados com quem o desenvolveu, o que pode ser importante em saúde e finanças (NTIA).

   O que você assume: o mesmo relatório lembra que modelos abertos têm bem menos proteções embutidas, e que essas proteções podem ser removidas com fine-tuning. A responsabilidade pela segurança passa a ser sua.

   Dificuldade: média para usar um modelo hospedado por API; alta para quantização (compactar o modelo para rodar em máquinas menores), fine-tuning, GPUs, monitoramento e produção.

7. Calcule os custos e proteja os dados

   Custos (verificado em nov/2026):

   • Assinar o ChatGPT não inclui uso da API. A OpenAI cobra a API separadamente (ajuda da OpenAI)
   • Na OpenAI, o processamento regional e os endpoints FedRAMP para modelos lançados a partir de 5 de março de 2026 têm acréscimo de 10% (preços da API)
   • Some tudo: assinatura do app, uso de API, armazenamento, embeddings, banco de vetores e, se houver, GPU

   Dados: em um RAG de empresa, controle o acesso por usuário e grupo, os documentos com informações pessoais, os registros médicos ou financeiros, a retenção e exclusão, o local de processamento e a auditoria das respostas. Nos EUA, por exemplo, não há uma regra federal única para todo projeto de IA. As regras dependem do setor e do estado. Com dados regulados, peça revisão jurídica específica.

8. Teste antes de entregar a alguém

   • Monte uma lista de perguntas reais, inclusive perguntas cuja resposta não está nos documentos.
   • Rode a mesma lista em pelo menos dois modelos e anote a data e a versão de cada um.
   • Confira se as citações apontam para o trecho certo.
   • Em temas de saúde, dinheiro ou lei, avise quem vai usar que as respostas precisam ser conferidas com um profissional.

Como posso criar uma inteligência artificial sem saber programar?

Configure um assistente em um app que você já usa, com instruções e arquivos, e teste com perguntas reais.

No ChatGPT, no Claude ou no Gemini, você define o tom, as regras e os documentos de referência sem escrever código. Compare os três pelos mesmos critérios: preço do plano, limites, privacidade e estabilidade do recurso. No caso da OpenAI, os custom GPTs estão em processo de aposentadoria, com migração planejada para plugins (OpenAI).

Para reconhecer imagens, sons ou poses em uma demonstração ou aula, existem ferramentas de aprendizado por exemplos, como o Teachable Machine. Elas não servem para um chatbot que consulta documentos. Não encontramos fonte oficial atual sobre a versão, o preço ou a disponibilidade do Teachable Machine em nov/2026.

RAG ou fine-tuning: qual escolher?

• Atualizar fatos: no RAG, você troca os documentos. No fine-tuning, precisa treinar de novo.
• Citações: são naturais no RAG e não são garantidas no fine-tuning.
• Estilo e formato: o RAG ajuda pouco. O fine-tuning costuma ser mais adequado.
• Dados privados: no RAG, eles ficam fora do modelo, dependendo da arquitetura. No fine-tuning, podem ser incorporados ao modelo.
• Dificuldade: baixa a média no RAG, média a alta no fine-tuning.

O texto do blog da Hugging Face de 4 de outubro de 2026 favorece o RAG para fatos que mudam (Hugging Face). Isso não quer dizer que o RAG seja sempre melhor. Os dois podem ser combinados: RAG para os fatos e fine-tuning para o formato.

Como comparar os modelos para o meu projeto?

Rankings públicos medem tarefas específicas, não o modelo “melhor” em geral. A Epoch AI, por exemplo, informa que busca seus dados, quando possível, nos rankings oficiais dos criadores de cada teste (Epoch AI). Use esses números como ponto de partida e decida com um teste próprio: o mesmo pedido, os mesmos documentos, dois ou três modelos, com data e versão anotadas.

Erros comuns

• Achar que é preciso treinar um modelo do zero: quase sempre basta configurar ou adaptar um modelo existente.
• Usar fine-tuning para ensinar fatos que mudam. Para fatos, use RAG.
• Construir um projeto novo só em cima dos custom GPTs sem conferir o aviso de migração para plugins do seu plano.
• Pensar que a assinatura do ChatGPT inclui o uso da API. A cobrança é separada.
• Escolher um modelo pelo nome ou pelo preço sem testar o mesmo pedido em pelo menos dois modelos.
• Colocar documentos com dados médicos, financeiros ou pessoais em um RAG sem controle de acesso, retenção e auditoria.
• Baixar um modelo como “aberto” sem conferir a licença na página oficial.