FAQ (perguntas frequentes)

São ferramentas capazes de gerar conteúdos como textos, imagens, códigos, resumos, análises e outros materiais a partir de comandos fornecidos pelo usuário.

Esses sistemas operam com base em padrões estatísticos e probabilidades, podendo produzir respostas úteis, mas também erros, vieses ou informações incorretas.

Não.

A IA deve atuar como ferramenta de apoio às atividades humanas, não substituindo:

• pensamento crítico
• revisão técnica
• responsabilidade funcional
• autoria intelectual
• tomada de decisão humana.

Todo conteúdo gerado deve ser revisado e validado pelo usuário.

Sim.

Ferramentas de IA podem:

• inventar referências
• apresentar dados incorretos
• gerar informações desatualizadas
• reproduzir vieses
• produzir conteúdos plausíveis, porém falsos

Por isso, todas as respostas devem ser verificadas em fontes confiáveis. Todo conteúdo produzido deve ser analisado criticamente e validado antes de sua utilização.

O usuário.

O uso de IA não transfere responsabilidade acadêmica, técnica, administrativa ou ética para a ferramenta.

Prompt

Instrução, pergunta ou comando fornecido pelo usuário para orientar a resposta da IA. A qualidade e a clareza do prompt influenciam diretamente a qualidade do resultado gerado.

Modelo de Linguagem

Sistema de IA treinado em grandes volumes de dados para identificar padrões e relações entre palavras, conceitos, imagens ou outros conteúdos. É a tecnologia que serve de base para ferramentas de IA Generativa.

Large Language Model (LLM)

Modelo de linguagem de grande porte treinado em enormes volumes de texto para compreender, gerar, resumir, traduzir e interagir com a linguagem humana de forma contextualizada. Exemplos incluem GPT, Claude, Gemini e Llama.

Chatbot

Aplicação que utiliza um modelo de linguagem para interagir com usuários por meio de conversas em linguagem natural, simulando um diálogo humano.

IA Generativa

Categoria de Inteligência Artificial capaz de criar novos conteúdos, como textos, imagens, áudios, vídeos, códigos de programação e outros materiais, a partir de instruções fornecidas pelos usuários.

Alucinação

Fenômeno em que a IA gera informações incorretas, inventadas, imprecisas ou sem base verificável, frequentemente apresentadas com aparência de confiança e credibilidade.

Open Source (Código Aberto)

Modelo de desenvolvimento em que o código-fonte do sistema é disponibilizado publicamente, permitindo estudo, auditoria, adaptação e execução em infraestrutura própria. Favorece transparência, autonomia e customização.

Modelo Aberto (Open Model)

Modelo de IA cujo funcionamento, pesos ou parte de sua arquitetura são disponibilizados para uso e adaptação por terceiros. Nem todo modelo aberto é necessariamente open source.

Modelo Proprietário

Modelo desenvolvido e controlado por uma organização específica, sem acesso público ao seu código-fonte ou parâmetros internos. Exemplos incluem versões comerciais do ChatGPT, Claude e Gemini.

Deep Research (Pesquisa Profunda)

Recurso avançado que realiza buscas em múltiplas fontes de informação, analisa conteúdos de forma automatizada e produz relatórios estruturados com maior profundidade e contextualização.

Inferência

Processo pelo qual um modelo de IA gera uma resposta ou resultado a partir de uma solicitação do usuário, utilizando o conhecimento adquirido durante seu treinamento.

Treinamento

Etapa de desenvolvimento em que o modelo aprende padrões, relações e estruturas a partir de grandes conjuntos de dados.

Token

Unidade básica de processamento utilizada pelos modelos de IA. Um token pode representar uma palavra, parte de uma palavra, número ou símbolo. O consumo de tokens geralmente está associado ao custo de utilização dos modelos.

Janela de Contexto (Context Window)

Quantidade máxima de informação que um modelo consegue considerar simultaneamente durante uma interação. Quanto maior a janela de contexto, mais conteúdo pode ser analisado e utilizado na resposta.

Contexto

Conjunto de informações fornecidas ao modelo durante uma conversa ou tarefa, utilizado para compreender a solicitação e gerar respostas mais adequadas.

Engenharia de Prompt (Prompt Engineering)

Prática de elaborar instruções de forma estruturada para obter respostas mais precisas, completas e úteis dos modelos de IA.

Prompt Zero-Shot

Solicitação realizada sem fornecer exemplos prévios ao modelo.

Exemplo:
“Resuma este texto em três parágrafos.”

Prompt Few-Shot

Solicitação que inclui exemplos para orientar o modelo sobre o formato ou padrão esperado da resposta.

Persona

Técnica que consiste em atribuir um papel ou perfil à IA para orientar seu comportamento.

Exemplo:
“Atue como um especialista em legislação educacional.”

RAG (Retrieval-Augmented Generation)

Técnica que combina modelos generativos com mecanismos de busca e recuperação de informações, permitindo que a IA consulte documentos ou bases de conhecimento antes de responder.

Base de Conhecimento

Conjunto estruturado de documentos, informações ou dados utilizados para complementar o conhecimento do modelo durante consultas e análises.

Fine-Tuning

Processo de adaptação de um modelo previamente treinado para um contexto, tarefa ou domínio específico, utilizando dados adicionais especializados.

Agente de IA (AI Agent)

Sistema capaz de executar tarefas de forma semiautônoma ou autônoma, utilizando modelos de IA para planejar ações, tomar decisões e interagir com ferramentas digitais.

IA Agêntica (Agentic AI)

Abordagem em que agentes de IA conseguem decompor tarefas complexas, planejar etapas, utilizar ferramentas e executar fluxos de trabalho com menor intervenção humana.

Multimodalidade

Capacidade de um sistema de IA processar e gerar diferentes tipos de conteúdo, como texto, imagem, áudio, vídeo e documentos.

Deepfake

Conteúdo sintético gerado por IA que reproduz ou simula a aparência, voz ou comportamento de pessoas reais, podendo ser utilizado para fins legítimos ou fraudulentos.

Viés Algorítmico

Tendência de um sistema de IA produzir resultados injustos, discriminatórios ou distorcidos em razão de características presentes nos dados utilizados em seu treinamento.

Copiloto (Copilot)

Ferramenta de IA projetada para atuar como assistente de apoio ao usuário, auxiliando na execução de tarefas sem substituí-lo na tomada de decisões.

Assistente Virtual

Aplicação baseada em IA que auxilia usuários na execução de atividades, busca de informações, organização de tarefas ou produção de conteúdo.

Automação Inteligente

Uso combinado de IA e automação de processos para executar tarefas repetitivas ou de baixa complexidade com mínima intervenção humana.

Letramento em IA (AI Literacy)

Conjunto de conhecimentos, habilidades e atitudes que permitem compreender o funcionamento da IA, seus benefícios, limitações, riscos e implicações éticas.

Supervisão Humana

Princípio segundo o qual decisões e resultados produzidos por sistemas de IA devem permanecer sob responsabilidade e validação de pessoas.

Guardrails

Mecanismos de segurança, controle e governança implementados para limitar comportamentos inadequados da IA e reduzir riscos associados ao seu uso.

IA Responsável

Abordagem que busca garantir que sistemas de IA sejam desenvolvidos e utilizados de forma ética, segura, transparente, inclusiva e alinhada a valores humanos e institucionais.

Dados Sensíveis

Categoria especial de dados pessoais que exige proteção reforçada, incluindo informações sobre saúde, origem racial ou étnica, convicções religiosas, dados biométricos, orientação sexual e outras informações definidas pela LGPD.

Dados Anonimizados

Dados que passaram por processo de tratamento que impossibilita, ou torna extremamente difícil, a identificação de uma pessoa específica.

Soberania de Dados

Capacidade de uma organização controlar onde seus dados são armazenados, processados e utilizados, bem como quais regras e legislações se aplicam a eles.

A área de Inteligência Artificial evolui rapidamente e novos conceitos surgem constantemente. Os termos a seguir representam tendências recentes e tecnologias que vêm ganhando destaque em pesquisas, produtos e discussões regulatórias sobre IA.

IA Agêntica (Agentic AI)

Abordagem de Inteligência Artificial em que sistemas são capazes de planejar, executar e monitorar tarefas complexas com maior grau de autonomia. Diferentemente dos assistentes tradicionais, a IA agêntica pode decompor objetivos em etapas, utilizar ferramentas e adaptar estratégias para atingir resultados.

Agente de IA (AI Agent)

Sistema baseado em IA capaz de perceber informações, tomar decisões e executar ações para atingir objetivos específicos. Um agente pode interagir com usuários, sistemas, bancos de dados ou outras ferramentas digitais.

Exemplo: um agente que recebe a solicitação de organizar um evento e executa automaticamente pesquisas, elaboração de cronograma e envio de comunicações.

Sistema Multiagente (Multi-Agent System)

Conjunto de agentes de IA que trabalham de forma coordenada para resolver problemas complexos. Cada agente pode desempenhar funções específicas e colaborar com os demais para atingir um objetivo comum.

Model Context Protocol (MCP)

Protocolo aberto que permite que modelos de IA se conectem de forma padronizada a fontes externas de informação, sistemas corporativos, bancos de dados e ferramentas digitais. É frequentemente descrito como uma espécie de “USB para aplicações de IA”.

Modelo de Raciocínio (Reasoning Model)

Categoria de modelos de IA desenvolvida para realizar análises mais estruturadas e resolver problemas complexos por meio de etapas intermediárias de raciocínio antes de gerar uma resposta final.

São especialmente úteis em tarefas de:

• lógica;
• matemática;
• programação;
• planejamento;
• análise de documentos.

Small Language Model (SLM)

Modelo de linguagem menor e mais eficiente que os grandes modelos de IA (LLMs), projetado para executar tarefas específicas com menor consumo de recursos computacionais. Pode ser executado localmente em computadores, servidores institucionais ou dispositivos móveis, oferecendo vantagens em privacidade, custo e soberania de dados. Quando combinado com bases de conhecimento especializadas, pode apresentar desempenho comparável ao de modelos maiores em tarefas específicas.

Dados Sintéticos (Synthetic Data)

Dados gerados artificialmente por algoritmos para simular características de dados reais. São utilizados para treinamento, testes e desenvolvimento de sistemas de IA, reduzindo riscos relacionados à privacidade e proteção de dados.

IA Multimodal

Capacidade de um sistema de IA compreender e gerar diferentes tipos de conteúdo simultaneamente, como texto, imagens, áudio, vídeo e documentos.

Exemplo: analisar uma imagem, responder perguntas sobre ela e gerar um relatório em texto.

Copiloto de IA (AI Copilot)

Assistente inteligente integrado a aplicações e sistemas, projetado para apoiar usuários em tarefas específicas, aumentando produtividade e eficiência sem substituir a tomada de decisão humana.

Segurança em IA (AI Safety)

Área dedicada ao desenvolvimento de métodos e mecanismos para garantir que sistemas de IA operem de forma segura, previsível e alinhada aos objetivos e valores humanos.

Inclui temas como:

• prevenção de comportamentos indesejados;
• mitigação de riscos;
• confiabilidade;
• supervisão humana.

Governança de IA (AI Governance)

Conjunto de políticas, processos, normas e mecanismos destinados a orientar o desenvolvimento, a aquisição e o uso responsável da IA em organizações e governos.

Abrange aspectos relacionados a:

• ética;
• conformidade regulatória;
• gestão de riscos;
• transparência;
• responsabilização.

IA Responsável (Responsible AI)

Abordagem que busca garantir que sistemas de IA sejam desenvolvidos e utilizados de forma ética, segura, transparente, inclusiva e alinhada aos direitos fundamentais e valores institucionais.

Incidente de IA (AI Incident)

Evento em que um sistema de IA causa ou contribui para um dano, impacto negativo ou consequência indesejada.

Exemplos:

• geração de informações falsas que levam a decisões equivocadas;
• discriminação algorítmica;
• vazamento de dados;
• fraudes envolvendo IA.

Risco de IA (AI Hazard)

Condição, característica ou circunstância que possui potencial para causar danos futuros relacionados ao uso da IA, mesmo que nenhum incidente tenha ocorrido ainda.

Exemplos:

• viés em bases de treinamento;
• ausência de supervisão humana;
• falta de transparência nos modelos.

Red Teaming

Processo estruturado de testes em que especialistas simulam ataques, usos indevidos ou situações extremas para identificar vulnerabilidades e riscos em sistemas de IA antes de sua utilização em produção.

Alinhamento (Alignment)

Área de pesquisa que busca garantir que os objetivos, comportamentos e decisões dos sistemas de IA permaneçam compatíveis com valores humanos, princípios éticos e objetivos institucionais.

Guardrails

Conjunto de mecanismos técnicos e organizacionais utilizados para limitar comportamentos inadequados da IA, reduzindo riscos de uso indevido, geração de conteúdo inadequado ou ações não autorizadas.

Avaliação de Impacto em IA (AI Impact Assessment)

Processo sistemático de análise dos possíveis impactos, riscos e benefícios de uma solução de IA antes de sua implementação, especialmente em contextos que envolvem pessoas, direitos ou decisões relevantes.

Soberania Digital e Soberania de Dados

Capacidade de uma organização ou país controlar onde seus dados são armazenados, processados e utilizados, garantindo conformidade com requisitos legais, institucionais e estratégicos.

Esse conceito tem ganhado relevância no contexto da adoção de plataformas de IA em ambientes governamentais e universitários.

IA de Propósito Geral (General-Purpose AI – GPAI)

Modelos de IA capazes de desempenhar uma ampla variedade de tarefas, sem terem sido desenvolvidos para um único objetivo específico.

Exemplos incluem modelos capazes de:

• escrever textos;
• programar;
• resumir documentos;
• responder perguntas;
• analisar imagens.

Deepfake

Conteúdo sintético criado por IA para reproduzir ou imitar imagens, vídeos ou vozes de pessoas reais. Pode ser utilizado para fins legítimos, mas também representa riscos relacionados à fraude, desinformação e violação de direitos.

Letramento em IA (AI Literacy)

Conjunto de conhecimentos, habilidades e atitudes que permitem compreender o funcionamento da IA, seus benefícios, limitações, riscos e impactos sociais, promovendo seu uso crítico e responsável.

Sim. A Universidade aprovou a Deliberação CONSU-A-005/2026, que estabelece diretrizes para o uso de Inteligência Artificial Generativa nas atividades de ensino, pesquisa, extensão, cultura, assistência e gestão universitária.

Sim.

A Unicamp permite o uso responsável de ferramentas de IA Generativa em atividades acadêmicas, administrativas e profissionais, desde que sejam observadas:

• as diretrizes institucionais
• a proteção de dados
• a integridade acadêmica
• a supervisão humana
• e os critérios definidos por docentes, unidades e áreas responsáveis.

A comunidade universitária pode consultar:

• Portal IA na Unicamp
• Portal DETIC/CREFIA
• Escritório de Privacidade da Unicamp
• Comitê de Segurança da Informação da Unicamp
• Orientações específicas das Pró-Reitorias de Graduação, Pós-graduação e Pesquisa, além das unidades e órgãos da Unicamp.

 

O Centro de Referência em Tecnologias de Inteligência Artificial (Crefia), vinculado à Diretoria Executiva de Tecnologia da Informação e Comunicação (Detic), atua como instância de apoio técnico, articulação institucional, formação, governança e disseminação de boas práticas relacionadas à Inteligência Artificial na Universidade.

O Portal IA (inteligenciaartificial.unicamp.br) reúne informações sobre iniciativas, pesquisas, projetos, indicadores, normas, orientações e ferramentas relacionadas à Inteligência Artificial na Universidade.

Sim.

A Unicamp disponibiliza a plataforma institucional CACia, desenvolvida para apoiar o uso mais seguro e alinhado às políticas institucionais de proteção de dados e governança da informação.

A Unicamp recomenda também o uso de outras ferramentas institucionais como o Google Gemini, voltado para produtividade e integrado ao Workspace da Unicamp; o NotebookLM, que atua como assistente de estudo personalizado baseado em documentos fornecidos pelo usuário; e o Microsoft Copilot, acessível via login institucional no Office 365.

Sim, desde que sejam observadas as normas institucionais, a legislação aplicável e os cuidados relacionados à proteção de dados, confidencialidade e propriedade intelectual.

Evite inserir em ferramentas externas não homologadas institucionalmente.:

• dados pessoais
• dados sensíveis
• informações sigilosas
• conteúdos estratégicos
• dados clínicos
• informações protegidas por confidencialidade

Sempre priorize soluções institucionais aprovadas pela Universidade.

O uso de credenciais institucionais deve observar as orientações da Universidade e as ferramentas homologadas institucionalmente.

Na dúvida, recomenda-se cautela e consulta às orientações da Detic/Crefia.

Recomenda-se:

• revisar sempre os resultados
• validar informações em fontes confiáveis
• evitar dados protegidos
• usar linguagem clara nos prompts
• manter supervisão humana
• utilizar ferramentas institucionais quando disponíveis.

Sim. Quando solicitado pelo docente ou quando relevante para a integridade acadêmica da atividade, recomenda-se que o uso de IA seja explicitamente informado.

O uso de IA Generativa em atividades acadêmicas, técnicas ou administrativas deve observar as orientações institucionais e os critérios definidos pelos docentes, unidades e áreas responsáveis.

Em atividades acadêmicas, recomenda-se transparência sobre o uso da ferramenta.

Sim. Recomenda-se que docentes informem claramente as condições de uso de IA, promovendo transparência e alinhamento com os objetivos de aprendizagem.

Os docentes podem definir critérios específicos sobre o uso aceitável de IA em:

• avaliações
• trabalhos
• exercícios
• atividades acadêmicas

Essas orientações devem ser previamente comunicadas aos estudantes.

A IA pode ser utilizada como apoio:

• na estruturação de ideias
• revisão preliminar
• síntese de informações
• organização textual

No entanto:

• o conteúdo deve ser revisado
• o usuário continua responsável pelo material produzido
• e a IA não deve substituir integralmente a elaboração crítica do documento.

Sim. Ferramentas de IA podem apoiar atividades como revisão preliminar de literatura, programação, análise exploratória de dados, organização de ideias e elaboração de protótipos. Porém é muito importante que sejam observados:

• rigor metodológico
• ética em pesquisa
• proteção de dados
• confidencialidade
• integridade científica
• e cuidados com resultados inéditos.

A IA não substitui validação científica nem responsabilidade autoral.

O uso inadequado da IA pode configurar problemas relacionados à integridade acadêmica, autoria e transparência.

A simples utilização da ferramenta não caracteriza automaticamente plágio, mas o uso sem revisão, sem transparência ou em desacordo com orientações acadêmicas pode gerar inconsistências éticas e acadêmicas.

Não. A IA deve ser utilizada como ferramenta de apoio ao ensino e à aprendizagem, sem substituir o desenvolvimento do pensamento crítico, da criatividade e da autonomia intelectual.

Não. Ferramentas de IA não possuem autoria acadêmica ou responsabilidade intelectual sobre os trabalhos produzidos.

Antes de utilizar dados de pesquisa em plataformas de IA, é importante avaliar aspectos relacionados à confidencialidade, proteção de dados, propriedade intelectual e exigências éticas do projeto.

Sim.

Ferramentas de IA podem apoiar:

• redação preliminar
• organização documental
• síntese de informações
• automação de tarefas
• apoio à análise de documentos
• produção de material para apresentações

A validação final e a responsabilidade funcional permanecem sendo humanas.

 

A IA pode auxiliar na elaboração preliminar desses documentos, mas recomenda-se revisão, validação e complementação humana antes de sua utilização oficial.

Não. A responsabilidade pelas decisões administrativas permanece sob responsabilidade dos agentes públicos e gestores competentes.

É necessário observar as normas institucionais, a LGPD e as orientações relacionadas à proteção de dados pessoais. Sempre que possível, recomenda-se minimizar ou anonimizar informações sensíveis.

Mais informações sobre uso de dados institucionais podem ser consultadas no Escritório de Privacidade da Unicamp.

Não é recomendável inserir informações sigilosas, confidenciais ou estratégicas em ferramentas que não possuam garantias institucionais adequadas de proteção e tratamento dos dados.

Mais informações sobre uso de dados institucionais podem ser consultadas no Escritório de Privacidade da Unicamp.

Procure orientação junto ao Escritório de Privacidade e Proteção de Dados da Unicamp ou aos órgãos institucionais competentes.

São distorções ou tendências presentes nos dados ou modelos de IA que podem gerar resultados injustos, discriminatórios ou inadequados.

Utilize fontes confiáveis, valide resultados, mantenha supervisão humana, preserve a privacidade dos dados e adote uma postura crítica em relação às respostas produzidas pelas ferramentas.

Não. A supervisão humana continua sendo indispensável para avaliar resultados, tomar decisões e garantir o uso ético e responsável dessas tecnologias.