Como posso criar uma inteligência artificial? Do chatbot ao treino

Passo a passo

1. 1. Defina o que você quer mudar

   Antes de escolher a ferramenta, responda a uma pergunta: o que precisa ser diferente de um chat comum?

   • Comportamento (tom, regras, passo a passo): um assistente personalizado resolve.
   • Conhecimento (manuais, políticas, catálogos): use RAG.
   • Formato ou estilo muito específico: considere fine-tuning.
   • Controle sobre o modelo e a infraestrutura: modelos de pesos abertos.
   • Reconhecer imagens, sons ou poses: um classificador simples, como o Teachable Machine.

   Essa escolha define a dificuldade. Ela não define a qualidade final.

2. 2. Comece pelo caminho mais simples

   Há duas portas de entrada sem programação. Elas servem para coisas diferentes.

   • Assistente personalizado no ChatGPT (GPTs): reúne instruções, arquivos de referência, ferramentas e APIs selecionadas, além de nome, perfil e compartilhamento próprios (OpenAI). Serve para um tutor, um assistente de atendimento ou um orientador interno. Atenção: a OpenAI informa que planeja retirar os GPTs personalizados e migrar esses fluxos para plugins (OpenAI). Verificado em nov/2026.
   • Teachable Machine: cria classificadores simples a partir dos seus próprios exemplos de imagens, sons ou poses. Não gera texto nem conversa. Serve para demonstrações em sala de aula e protótipos rápidos. Não foi possível confirmar uma versão ou atualização publicada em 2026.

   O que muda entre os dois: o GPT conversa e responde com texto. O Teachable Machine só reconhece categorias que você mesmo definiu.

3. 3. Separe instruções de conhecimento

   A documentação da OpenAI faz uma distinção útil para qualquer ferramenta:

   • Instruções dizem como o assistente deve agir: tom, regras, fluxo de trabalho.
   • Arquivos são material de referência para responder.

   A própria OpenAI recomenda colocar regras, tom e fluxo nas instruções, e não nos arquivos enviados (OpenAI). Um assistente que mistura as duas coisas tende a ignorar regras escondidas no meio de um manual.

4. 4. Para responder com base em documentos, use RAG

   RAG (retrieval-augmented generation, geração aumentada por recuperação) mantém o modelo como ele é e acrescenta uma busca nos seus documentos antes de cada resposta. O fluxo típico:

   1. carregar os documentos; 2. dividir o conteúdo em trechos; 3. criar representações vetoriais (versões numéricas do texto, usadas para busca); 4. recuperar os trechos relevantes para cada pergunta; 5. enviar esses trechos ao modelo; 6. gerar a resposta com base nesse contexto.

   O recurso de conhecimento dos GPTs é uma forma gerenciada disso, indicada para documentação, manuais, guias e conteúdo interno (OpenAI). A dificuldade sobe quando você mesmo precisa cuidar de permissões, atualização dos documentos, banco vetorial, citações e controle de acesso.

5. 5. Use fine-tuning só para formato e estilo, e confira se ele existe para você

   Fine-tuning é treinar mais um modelo já pronto com um conjunto menor de exemplos de uma tarefa ou área (Hugging Face). Na documentação da OpenAI, o processo é: montar um conjunto de treino, enviar exemplos de pedidos e respostas desejadas, criar um trabalho de fine-tuning e avaliar o resultado (OpenAI).

   Serve para classificação, formato de resposta rígido, tom consistente e procedimentos repetitivos. Não é a primeira escolha para documentos que mudam todo dia ou quando você precisa citar a fonte.

   Situação em nov/2026: a OpenAI está descontinuando sua plataforma de fine-tuning. Ela não aceita novos usuários. Usuários existentes elegíveis podem criar trabalhos até 6 de janeiro de 2027, salvo encerramento anterior do modelo-base (OpenAI). Se você está começando agora, confira outro provedor ou um modelo de pesos abertos antes de planejar o projeto.

6. 6. Para ter mais controle, use um modelo de pesos abertos

   O caminho do Hugging Face costuma envolver:

   • escolher um modelo de pesos abertos (os pesos podem ser baixados, mesmo quando o resto não é aberto);
   • rodar o modelo no seu computador ou na nuvem;
   • usar bibliotecas de treino, se quiser fazer fine-tuning;
   • avaliar, publicar ou hospedar o resultado.

   Dificuldade: média para usar um modelo pronto numa interface hospedada, média a alta para rodar localmente, alta para fazer fine-tuning, muito alta para operar em produção. A biblioteca Transformers documenta o treino (Hugging Face).

   Antes de escolher um modelo, leia o model card com a licença e os resultados. Esta página não indica um modelo específico, porque não há uma fonte atual que sustente a indicação.

7. 7. Se for programar um produto, use as APIs atuais

   A Assistants API da OpenAI foi desligada em 26 de agosto de 2026. Novos projetos devem usar a Responses API e a Conversations API (OpenAI). Verificado em nov/2026.

   Tutoriais antigos ainda circulam com APIs e modelos que não são mais a opção atual. Confira sempre a data da documentação que você está seguindo.

8. 8. Teste com perguntas reais antes de compartilhar

   Monte uma lista de perguntas que seus usuários fariam e confira as respostas. Inclua perguntas cuja resposta não está nos documentos, para ver se o assistente admite que não sabe ou se gera uma alucinação (resposta inventada com confiança).

   No fine-tuning, separe os exemplos de treino dos exemplos de avaliação e meça se o modelo melhorou de fato. Em temas de saúde, dinheiro ou lei, deixe claro para quem usa que as respostas precisam ser conferidas com um profissional.

O que significa criar a sua própria inteligência artificial?

Quase nunca significa construir um modelo de linguagem do zero. Na prática, você parte de um modelo que já existe e muda uma destas camadas:

• o comportamento, com instruções;
• o conhecimento, com documentos consultados na hora da resposta (RAG);
• o estilo ou o formato, com exemplos de treino (fine-tuning);
• o controle, rodando você mesmo um modelo de pesos abertos.

Há ainda um quinto caminho, diferente dos outros: treinar um classificador simples para reconhecer imagens, sons ou poses, como no Teachable Machine. É ótimo para aprender o conceito de treino sem escrever código.

Qual é o caminho mais fácil para criar uma IA? Comparação de dificuldade

Situação verificada em nov/2026.

A progressão mais realista é: Teachable Machine ou GPT personalizado → RAG gerenciado → RAG próprio → fine-tuning → modelo aberto em produção. Essa ordem mede a complexidade técnica, não a qualidade do resultado.

Quando usar RAG e quando usar fine-tuning?

Prefira RAG quando: - os documentos mudam com frequência; - você precisa atualizar o conhecimento sem treinar de novo; - quer citar de onde veio a resposta; - os dados são manuais, políticas, contratos, catálogos ou bases internas.

Prefira fine-tuning quando: - precisa de um formato de resposta muito específico; - quer um tom consistente ou uma tarefa de classificação; - quer reduzir instruções longas que se repetem.

Assistente gerenciado ou modelo de pesos abertos? O gerenciado é mais simples de configurar e a infraestrutura fica com o provedor, mas o controle e a portabilidade são menores. O modelo aberto dá mais controle e mais opções de fine-tuning, mas a operação, a avaliação e a segurança passam a ser sua responsabilidade.

O que mudou nas ferramentas da OpenAI em 2026?

Três mudanças afetam quem quer criar uma IA própria (verificado em nov/2026):

• GPTs personalizados: a OpenAI planeja retirá-los e migrar fluxos para plugins. Em determinados workspaces Enterprise, a criação de novos GPTs terminou em 26 de outubro de 2026. A aposentadoria padrão está prevista para 11 de dezembro de 2026, com exceções para workspaces FedRAMP e algumas extensões aprovadas (OpenAI).
• Assistants API: desligada em 26 de agosto de 2026. O caminho atual é a Responses API com a Conversations API.
• Fine-tuning: fechado para novos usuários. Usuários existentes elegíveis podem criar trabalhos até 6 de janeiro de 2027.

Por isso, vale ter um plano B fora de um único provedor. Um preprint de revisão sobre fine-tuning (arXiv) compara outras plataformas, como NVIDIA NeMo, Hugging Face AutoTrain, Hugging Face Trainer API, Amazon Bedrock e AWS SageMaker JumpStart, e cita os serviços do Microsoft Azure. Esse texto não é de 2026. Confira a situação atual de cada uma no site oficial.

Erros comuns

• Começar pelo fine-tuning quando o problema é falta de informação. Para documentos que mudam, RAG é o caminho mais adequado.
• Colocar regras e tom dentro dos arquivos enviados, em vez de colocá-los nas instruções.
• Seguir tutoriais antigos de fine-tuning ou da Assistants API, que foi desligada em 26 de agosto de 2026.
• Planejar um projeto novo contando com o fine-tuning da OpenAI, que não aceita mais novos usuários (verificado em nov/2026).
• Usar o Teachable Machine esperando um assistente que conversa. Ele só classifica imagens, sons ou poses.
• Enviar documentos sensíveis sem saber onde ficam hospedados e quem pode acessá-los.
• Tratar o fine-tuning como um depósito de fatos. Ele não é um jeito confiável de guardar muitas informações que precisam ser atualizadas.