Resposta direta
IA é o campo amplo de sistemas que executam tarefas que normalmente exigem inteligência humana. Machine learning é uma técnica dentro da IA que aprende padrões a partir de dados. Automação é qualquer execução de tarefa sem intervenção humana, com ou sem IA.
Inteligência artificial, machine learning e automação viraram sinônimos no debate corporativo. A confusão é cara. Aprovar um piloto de IA pra resolver um problema que precisava de RPA é desperdício. Comprar plataforma de machine learning pra um caso que cabia em regra explícita é desperdício maior, com manutenção complicada. Saber distinguir as três categorias é o primeiro filtro pra decidir investimento sem cair em hype.
O que é inteligência artificial
Inteligência artificial é o campo amplo de sistemas que executam tarefas que normalmente exigem inteligência humana, como reconhecer imagem, entender linguagem, tomar decisão, jogar xadrez ou dirigir carro. O termo aparece em Stuart Russell e Peter Norvig (Artificial Intelligence: A Modern Approach), o livro de referência da área, com quatro abordagens possíveis: pensar como humano, agir como humano, pensar racionalmente, agir racionalmente.
Na prática corporativa em 2026, "IA" virou sinônimo de IA generativa, com LLMs por trás de ChatGPT, Claude e Gemini. Essa simplificação atrapalha decisão. IA inclui sistemas de visão computacional, robótica, sistemas especialistas baseados em regra e modelos preditivos. Cada um pede arquitetura, dado e operação diferente.
O que é machine learning
Machine learning é uma técnica dentro da IA que aprende padrões a partir de dados, em vez de seguir regra programada explicitamente. A definição clássica está em Tom Mitchell (1997): "um sistema aprende com a experiência E em relação a uma classe de tarefas T e medida de performance P, se sua performance em T melhora com E".
ML divide-se em três famílias práticas. A primeira é supervisionado, em que o modelo aprende a partir de exemplos rotulados ("estes 10 mil emails são spam, estes 10 mil não são"). Resolve classificação e regressão. A segunda é não supervisionado, em que o modelo descobre estrutura sem rótulo, como agrupamento de cliente em segmentos similares. A terceira é reforço, em que o modelo aprende por tentativa e erro, recebendo recompensa por ação certa. Cada família serve a um tipo de problema.
LLMs são uma evolução do machine learning, baseados em redes neurais profundas com bilhões de parâmetros e arquitetura transformer. Tecnicamente, um modelo de linguagem moderno é machine learning. Comercialmente, virou categoria à parte chamada IA generativa.
O que é automação
Automação é qualquer execução de tarefa sem intervenção humana. Pode ser script bash que copia arquivo todo dia às 3 da manhã. Pode ser RPA (Robotic Process Automation) que preenche um formulário web a partir de uma planilha. Pode ser workflow no Zapier ou Make. Pode ser função serverless. Pode também envolver IA, e a maioria das automações não envolve.
Estudo da Forrester sobre RPA mostrou que adoção de RPA cresceu de forma significativa antes mesmo da onda atual de IA generativa, e RPA continua sendo o investimento de retorno mais previsível em automação corporativa: tarefa repetitiva, regra explícita, alta volumetria, baixa ambiguidade.
A pergunta-chave pra decidir entre regra explícita e IA é uma só: o problema cabe em regra estável? Se cabe, regra explícita ganha em quase toda dimensão (custo, manutenção, auditoria, debug, performance). IA entra quando a regra não cabe, geralmente porque o input é texto livre, imagem, áudio ou padrão complexo demais pra enumerar.
Onde a confusão custa caro
Tratar todo problema como problema de IA é o primeiro erro comum. Empresa contrata plataforma de ML pra automatizar reconciliação contábil. Investe seis meses, treina modelo com 89% de acurácia, descobre que reconciliação seguia 12 regras explícitas e bem documentadas. Modelo de regra teria entregado 100% em duas semanas e seria mais fácil de auditar.
Tratar todo projeto de IA como projeto de machine learning é o segundo erro. Empresa decide "investir em IA" e contrata cientista de dados pra rotular dado, treinar modelo, fazer fine-tuning. Em três meses descobre que o caso de uso era responder pergunta sobre documento interno, e a arquitetura padrão pra isso é RAG, não fine-tuning. Estuda RAG no quarto mês, refaz projeto, perde dois trimestres.
Tratar IA como sinônimo de automação é o terceiro. Time de operações vê demonstração de agente de IA fazendo triagem de ticket e quer aplicar em todo lugar. Onde a tarefa segue regra clara, RPA resolve melhor e mais barato. Onde a tarefa exige interpretação de texto livre, IA generativa cabe. Confundir os dois leva a comprar Ferrari pra ir na padaria.
Como decidir entre as três categorias
Quatro perguntas antes de aprovar piloto:
A tarefa segue regra explícita estável? Se sim, automação clássica ganha. Script, RPA, workflow visual, função serverless. Custo de manutenção baixo, auditoria simples, debug claro.
A tarefa exige aprender padrão a partir de dado, sem regra explícita? Se sim, machine learning cabe. Previsão de churn, classificação de risco de crédito, detecção de fraude, segmentação de cliente. Precisa de dado rotulado ou estruturado em volume suficiente.
A tarefa envolve texto livre, imagem ou linguagem natural com ambiguidade alta? Se sim, IA generativa cabe. Síntese de feedback, classificação de ticket, atendimento de primeira linha, extração de informação de PDF. Precisa de prompt bem desenhado e processo de verificação.
A tarefa exige autonomia pra executar fluxo de trabalho com múltiplas decisões? Se sim, agente de IA cabe, com harness bem desenhado. Precisa de objetivo claro, ferramentas com permissão, condição de parada e auditoria.
A maioria dos casos corporativos resolve com automação clássica ou ML supervisionado tradicional. IA generativa entra em uma fração específica de problemas, e agente em uma fração ainda menor. Inverter essa pirâmide é como o investimento queima.
Quadro comparativo
| Categoria | O que é | Quando usar | Custo típico |
|---|---|---|---|
| Automação clássica | Execução sem humano, com regra explícita | Tarefa repetitiva com regra estável | Baixo |
| Machine learning supervisionado | Aprende a prever a partir de dado rotulado | Classificação, regressão, previsão | Médio (precisa de dado rotulado) |
| ML não supervisionado | Descobre padrão sem rótulo | Segmentação, anomalia | Médio |
| ML por reforço | Aprende por tentativa e recompensa | Otimização contínua, jogos | Alto (ambiente de simulação) |
| IA generativa | Produz conteúdo novo (texto, imagem, código) | Texto livre, síntese, rascunho | Médio (paga por token) |
| Agente de IA | LLM em loop com ferramentas, autonomia | Workflow com múltiplas decisões | Alto (escala com iterações) |
A leitura pra quem decide
Hype mistura tudo. Decisão precisa separar. A frase pra carregar pra reunião: cada problema tem uma forma adequada de ser resolvido, e a forma mais sofisticada raramente é a melhor. Aprofundamento de vocabulário no glossário de IA pro Translator, com 18 termos em quatro níveis. Critério estruturado de avaliação no módulo ML e IA sem Hype da formação Data Translator.
Referências
- Russell, S. & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. 4th edition.
- Mitchell, T. (1997). Machine Learning. McGraw-Hill.
- Forrester (2023). The Forrester Wave: Robotic Process Automation.