A IA preditiva analisa dados históricos para estimar a probabilidade de algo acontecer: um cliente atrasar o pagamento, uma transação ser fraude, um produto interessar a você. A IA generativa cria conteúdo novo: texto, imagem, áudio ou código. Em uma frase, a preditiva responde “o que deve acontecer?” e a generativa responde “produza isso para mim”. O score de crédito é preditivo; o ChatGPT é generativo.
Em resumo
- A IA preditiva aprende padrões do passado e devolve uma probabilidade, uma nota ou uma categoria. É o motor do score de crédito, da detecção de fraude no Pix e das recomendações de loja.
- A IA generativa aprende a estrutura da linguagem, das imagens ou do som e produz um conteúdo inédito a cada pedido. É o que fazem ChatGPT, Gemini e Claude.
- Nas empresas, a preditiva é aprovada com mais facilidade porque o resultado é mensurável em dinheiro; a generativa cresce onde o trabalho é criar, resumir e atender pessoas.
A preditiva calcula probabilidades; a generativa produz conteúdo novo
Um modelo preditivo recebe variáveis conhecidas, como renda, histórico de pagamento ou horário de uma compra, e devolve um número: a chance de inadimplência, o risco de fraude, a probabilidade de clique. Ele não escreve nada. Sua saída é uma pontuação ou uma categoria que uma pessoa, ou outro sistema, usa para decidir.
Um modelo generativo recebe uma instrução em linguagem natural, o prompt, e devolve algo que não existia: um parágrafo, uma imagem, um trecho de código, uma voz. De acordo com a documentação da OpenAI, modelos como o GPT funcionam prevendo o próximo fragmento de texto, chamado token, repetidas vezes, até formar a resposta completa.
Essa última frase revela o parentesco: a generativa também prevê. A diferença está no que é previsto e no que sai. A preditiva prevê um evento do mundo e entrega um dado; a generativa prevê a próxima palavra e entrega um conteúdo. Por isso os dois termos confundem, e por isso a separação é útil na prática.
Os dois tipos aprendem com dados, mas em escalas muito diferentes
Modelos preditivos costumam ser treinados com dados tabulares da própria empresa: planilhas de vendas, histórico de clientes, registros de transações. Técnicas como regressão, árvores de decisão e redes neurais menores resolvem a maior parte dos casos. O treinamento pode rodar em um computador comum e ser refeito toda semana com dados novos.
Modelos generativos de grande porte são treinados com volumes enormes de texto, imagem e código, em infraestrutura que só empresas como Google, Microsoft, Meta, OpenAI e Anthropic sustentam. A maioria das empresas brasileiras não treina um modelo desses; ela contrata o acesso e o adapta com instruções, exemplos ou com seus próprios documentos.
Isso muda quem faz o quê. Na preditiva, o time de dados da empresa é o dono do modelo, conhece cada variável e responde pelo resultado. Na generativa, a empresa é usuária de um modelo alheio, e o trabalho interno vira escrever bons prompts, organizar a base de conhecimento e revisar as respostas.
No dia a dia do brasileiro, a preditiva decide muita coisa em silêncio
O score de crédito é o exemplo mais claro. Birôs de crédito, como o Serasa, e os próprios bancos usam modelos preditivos que cruzam histórico de pagamentos, dívidas ativas e comportamento de consumo para estimar a chance de atraso. A nota que aparece no aplicativo é a saída de um modelo preditivo, não de um chatbot.
A detecção de fraude no Pix funciona do mesmo jeito. Segundo o Banco Central, o Pix é o meio de pagamento instantâneo brasileiro, e as instituições participantes precisam manter mecanismos de prevenção a fraudes. Modelos preditivos avaliam horário, valor, dispositivo e destinatário em fração de segundo e decidem se a transferência passa, é retida ou pede confirmação.
Recomendação é o terceiro caso. Quando o Mercado Livre sugere um produto, o iFood ordena restaurantes ou o TikTok escolhe o próximo vídeo, um modelo preditivo estima a probabilidade de você clicar, comprar ou assistir até o fim. Você nunca vê a previsão; vê apenas a lista já ordenada por ela.
A generativa é a IA com quem você conversa
Quando você abre o ChatGPT, o Gemini, o Claude ou a Meta AI dentro do WhatsApp e pede um texto, está usando IA generativa. O mesmo vale para ferramentas que criam imagens a partir de uma descrição, geram legendas para vídeo ou escrevem código. A marca registrada é receber um conteúdo pronto, e não uma nota ou um alerta.
No pequeno negócio brasileiro, os usos mais comuns são tarefas de texto que antes consumiam horas de redação e que a generativa reduz a uma revisão:
- Responder clientes no WhatsApp com um atendimento automatizado que segue o tom da marca.
- Redigir descrições de produto para anúncios em marketplace como Mercado Livre e Shopee.
- Resumir contratos, editais e e-mails longos em uma página de pontos principais.
- Montar rascunhos de posts, legendas e roteiros para redes sociais.
- Traduzir e adaptar textos para clientes de outros países.
O ponto de atenção é que a generativa produz texto plausível, não texto verificado. Ela pode inventar um dado com total fluência, o fenômeno conhecido como alucinação. Por isso, resposta gerada para cliente, contrato ou documento fiscal precisa passar por conferência humana antes de sair.
A preditiva ganha orçamento com mais facilidade porque o retorno é mensurável
Um modelo que reduz a inadimplência ou a fraude tem um resultado que cabe numa planilha: quanto deixou de ser perdido. Um modelo que recomenda melhor aumenta o ticket médio de forma rastreável. Diretores financeiros aprovam projetos assim com facilidade porque conseguem comparar custo e ganho em reais.
A preditiva também é mais antiga e mais madura. Bancos, seguradoras, varejistas e operadoras de telefonia usam pontuação de risco e previsão de demanda há décadas, com equipes, processos e auditoria já estabelecidos. A generativa chegou ao grande público com o ChatGPT, e cada empresa precisa descobrir, caso a caso, onde ela paga a própria conta.
Há ainda a questão da governança. A saída de um modelo preditivo pode ser testada, auditada e explicada variável por variável. A saída de um modelo generativo muda a cada execução e é difícil de garantir. Em setor regulado, previsibilidade vale mais que criatividade, e isso pesa na decisão de investimento.
Escolher entre as duas depende da pergunta que você quer responder
O critério mais simples é olhar o formato da resposta de que você precisa. Se a resposta é um número, uma categoria ou um sim ou não sobre algo que ainda vai acontecer, o caso é preditivo. Se a resposta é um texto, uma imagem, um resumo ou um código, o caso é generativo.
- Prever quais clientes tendem a cancelar a assinatura no próximo mês: preditiva.
- Estimar a demanda de um produto para planejar o estoque: preditiva.
- Escrever a resposta a uma reclamação com o tom da marca: generativa.
- Classificar automaticamente um e-mail como urgente ou comum: preditiva.
- Resumir um edital de licitação de quarenta páginas em uma: generativa.
- Decidir se uma transferência Pix fora do padrão deve ser retida: preditiva.
Na prática, as duas se combinam. Um modelo preditivo identifica quais clientes têm risco de cancelar; um modelo generativo escreve, para cada um, uma mensagem personalizada de retenção. A preditiva aponta onde agir; a generativa produz o material para agir. Plataformas de CRM, como a Salesforce, vendem exatamente essa combinação.
Se você tem poucos dados históricos, a preditiva ainda não tem com o que aprender, e a generativa pode entrar primeiro. Se você tem anos de registros de vendas e cobrança, um modelo preditivo simples costuma dar retorno mais rápido do que qualquer chatbot, porque ataca uma perda que já existe.
Os riscos são diferentes e pedem cuidados diferentes
O risco da preditiva é o viés: se os dados históricos carregam discriminação, o modelo aprende a repeti-la, negando crédito ou oportunidade a grupos inteiros sem que ninguém perceba. Conforme a Lei Geral de Proteção de Dados, o titular pode solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses.
O risco da generativa é a invenção confiante e o vazamento de informação. Um assistente pode citar uma lei que não existe ou expor um dado sigiloso que estava no prompt. Empresas que colocam generativa na frente do cliente precisam de revisão humana, limites claros do que o sistema pode afirmar e cuidado com o que entra na conversa.
Em ambos os casos, a pergunta certa não é qual IA é melhor, e sim qual erro você aguenta. Um score que erra em uma fração dos casos pode ser aceitável; um chatbot que promete um desconto inexistente gera prejuízo e reclamação. Defina a tolerância ao erro antes de escolher a tecnologia.
O próximo passo é mapear, no seu negócio, uma decisão que é tomada no achismo e uma tarefa de escrita que consome horas. A primeira é candidata a um modelo preditivo, mesmo simples, em planilha; a segunda é candidata a um assistente generativo com revisão. Comece pelo problema, não pela ferramenta.