NN/g publica glossário de IA para quem trabalha com produto e design entender o vocabulário técnico

Token, janela de contexto, agente, eval, prompt injection: esses termos já aparecem em reunião de produto mesmo quando ninguém no time treinou um modelo. Em 21 de agosto de 2026, a Nielsen Norman Group publicou o Artificial Intelligence: Glossary (abre em nova aba), com definições curtas voltadas a quem desenha e decide produto.

A NN/g avisa que vendors e pesquisadoras às vezes usam as mesmas palavras com sentido diferente. O glossário segue o uso em produtos de IA e em trabalho de UX. Várias entradas apontam para artigos mais longos do próprio instituto.

Por que um glossário

O problema não é só vocabulário novo. É vocabulário instável. “Agente” num slide de vendas pode significar um chat com ferramentas. No time de pesquisa, pode significar um sistema que planeja vários passos. Sem acordo mínimo, o briefing de IA vira um diálogo em que cada pessoa ouve uma coisa.

Um glossário não resolve o produto. Ajuda a perceber quando o termo está sendo usado de forma folgada, o que a NN/g também chama, em outra entrada, de AI washing: prometer IA demais para o que o sistema realmente faz.

Termos que mais aparecem no dia a dia de UX

A lista da NN/g é longa. Estes recortes são os que mais atravessam review, pesquisa e conversa com engenharia. As definições abaixo parafraseiam o original. Leia a entrada completa no site.

Token. Unidade básica que o modelo processa. Não coincide com a contagem de palavras. Limites de contexto e preço de API costumam ser medidos em tokens.

Janela de contexto (context window). Quanto de informação tokenizada o modelo consegue considerar de uma vez: o pedido, o histórico, trechos recuperados, às vezes a própria resposta. Janela grande não garante que tudo pese igual.

Agente. Sistema que usa modelo e ferramentas para dar vários passos em direção a um objetivo, avaliar o progresso e decidir o próximo movimento. O produto em volta controla permissões, quando parar e quando uma pessoa revisa.

Evals. Testes repetíveis para saber se a função de IA faz o trabalho. Cada eval combina entradas representativas com um critério de nota. É o que separa melhoria de regressão.

Alucinação. Resposta plausível e errada ou sem sentido. Modelos de linguagem geram continuações prováveis. Não verificam cada afirmação.

Prompt injection. Ataque em que instruções entram em conteúdo que o sistema lê (prompt, página, documento) para furar regras, vazar dado ou usar ferramenta indevida. É risco central em qualquer agente que lê o mundo externo.

Overreliance. Dar à IA mais autoridade do que a confiabilidade ou o risco justificam. Pode vir de viés de automação, de falta de jeito de conferir, de pressa ou de confiança mal colocada.

Onde isso aparece na prática

Em reunião, “vamos colocar um agente” precisa virar: quais ferramentas ele chama, quem aprova o passo irreversível, como medimos erro. Em briefing, “o modelo tem contexto” precisa virar: o que entra na janela e o que fica de fora. Na avaliação de ferramenta, “é só um chat” versus “tem evals e guarda-corpos” muda a conversa de compra.

A Menina de UX recomenda bookmark no glossário e o hábito de perguntar o sentido local do termo antes de desenhar a interface. Palavra combinada evita tela genérica.

Fontes