Se você já leu o artigo sobre tokens aqui no Horizon, sabe que a IA não lê palavras — ela lê pedaços numéricos. Mas tokens sozinhos não explicam como a IA entende que “quero cancelar minha assinatura” e “como encerrar meu contrato” significam a mesma coisa, mesmo sem repetir uma única palavra. Isso é trabalho dos embeddings — e é sobre eles que vamos falar agora.
O problema que os embeddings resolvem
Computadores não entendem significado. Eles entendem números. Durante décadas, a solução para representar palavras em sistemas computacionais foi simples e brutal: cada palavra recebia um número único. “Gato” era 4.521, “felino” era 12.873. Dois números completamente diferentes, sem nenhuma relação entre eles — mesmo que “gato” e “felino” signifiquem praticamente a mesma coisa.
O resultado era que um sistema de busca que procurasse por “gato” nunca encontraria resultados sobre “felino”. Um chatbot que aprendesse a responder sobre “cancelamento” não saberia nada sobre “encerramento”. A linguagem humana é cheia de sinônimos, contextos e nuances — e os computadores simplesmente não conseguiam acompanhar.
Os embeddings vieram para resolver exatamente isso.
O que é um embedding, na prática
Um embedding é uma lista de números que representa o significado de algo — uma palavra, uma frase, um parágrafo, uma imagem, um áudio. Não qualquer lista aleatória: uma lista calculada por uma rede neural de forma que coisas parecidas gerem números parecidos.
Imagine um mapa. Cidades geograficamente próximas têm coordenadas próximas — São Paulo e Campinas têm latitudes e longitudes parecidas. Os embeddings fazem a mesma coisa com significado: palavras ou frases com sentidos próximos ficam “perto” umas das outras nesse mapa matemático. A distância entre os números reflete a distância entre os significados.
📌 A ideia central
Tokens transformam texto em números para a IA processar. Embeddings transformam texto em números que carregam significado — de forma que palavras similares gerem números similares.
Na prática, um embedding típico não é uma lista de 2 ou 3 números. São centenas ou milhares de números por palavra ou frase — cada dimensão capturando alguma característica semântica. O modelo nomic-embed-text, por exemplo, gera vetores de 768 dimensões. O text-embedding-3-large da OpenAI usa 3.072 dimensões. Você nunca vai ver esses números diretamente — eles existem dentro da máquina, invisíveis, fazendo o trabalho de dar sentido ao texto.
O exemplo clássico que torna tudo concreto
Existe um experimento famoso no campo de embeddings que ficou conhecido nos anos 2010 e ainda é a melhor forma de explicar o conceito. Se você pegar o embedding da palavra “rei”, subtrair o embedding de “homem” e somar o embedding de “mulher”, o resultado é o embedding de “rainha”. Em notação matemática:
−
homem
+
mulher
≈
rainha
Aritmética de significado — não de números aleatórios
Isso não é mágica nem coincidência. É o resultado de um modelo que aprendeu, a partir de bilhões de textos, que “rei” e “rainha” compartilham características de realeza e poder, enquanto diferem em gênero. Esse aprendizado ficou codificado nos números — e a aritmética simples entre eles reproduz relações semânticas complexas.
O mesmo vale para outros pares: “Paris − França + Itália ≈ Roma”. “Médico − homem + mulher ≈ médica”. Os embeddings aprendem estrutura da linguagem, não regras explícitas.
Onde você já usou embeddings sem saber
Toda vez que você fez uma busca no Google e o resultado encontrou páginas que não tinham exatamente as palavras que você digitou, mas eram relevantes para o que você queria — foram embeddings trabalhando. Toda vez que o Spotify te recomendou uma música que você nunca tinha ouvido mas que “combinava” com seu gosto — embeddings. O sistema de recomendação da Netflix, o autocomplete do Gmail, a busca semântica do Notion — todos usam alguma variação dessa tecnologia.
Mas é na nova geração de ferramentas de IA que os embeddings se tornaram o componente central. E o melhor exemplo disso é o RAG.
Embeddings e RAG: a conexão que fecha o ciclo
Se você leu o artigo de RAG aqui no Horizon, sabe que a técnica permite que uma IA consulte documentos específicos antes de responder — em vez de depender só do que aprendeu durante o treinamento. O que talvez não tenha ficado claro é que embeddings são o motor que faz o RAG funcionar.
O processo é o seguinte: você pega seus documentos (PDFs, planilhas, textos, portarias) e passa cada trecho por um modelo de embedding. Cada trecho vira uma lista de números e é guardado num banco de dados vetorial. Quando você faz uma pergunta, essa pergunta também vira uma lista de números — e o sistema busca os trechos cujos números são mais próximos. Não por palavra-chave, mas por significado.
Como o RAG usa embeddings na prática
Os números da pergunta e do trecho relevante ficam “próximos” no espaço vetorial — mesmo que as palavras sejam diferentes.
É por isso que um assistente com RAG consegue responder “quando vence meu contrato?” consultando um PDF de 200 páginas — mesmo que a pergunta não use as mesmas palavras que aparecem no documento. Os embeddings reconhecem que o significado é equivalente.
Embeddings vão além do texto
O mesmo princípio que funciona para palavras funciona para qualquer tipo de dado. Imagens podem virar embeddings — e quando isso acontece, você consegue buscar por imagens semelhantes sem precisar descrevê-las em palavras. É como o Google Imagens identifica que duas fotos mostram o mesmo monumento, mesmo tiradas de ângulos diferentes.
Nos modelos multimodais atuais — como o GPT-4o e o Gemini — texto e imagem são convertidos para o mesmo espaço de embeddings. Isso é o que permite que você mande uma foto e pergunte “o que tem de errado nesse circuito?” e o modelo entenda a relação entre a imagem e a pergunta de texto. Os dois chegaram ao mesmo mapa matemático, e o modelo consegue navegar entre eles.
💡 Vale saber
Modelos de embedding são separados dos modelos de geração de texto. O nomic-embed-text e o text-embedding-3 da OpenAI são modelos dedicados só a criar embeddings — não geram respostas. O ChatGPT usa um modelo diferente para gerar o texto que você lê.
Por que isso importa pra quem não é desenvolvedor
Se você usa qualquer ferramenta de IA hoje — ChatGPT, Copilot, Gemini, Perplexity — embeddings estão ativos em algum ponto da cadeia. Entender que eles existem explica comportamentos que de outra forma parecem misteriosos.
Explica por que um chatbot corporativo configurado com documentos da empresa consegue responder perguntas usando palavras que não aparecem exatamente nos documentos. Explica por que a busca semântica encontra resultados relevantes mesmo quando você digita diferente. Explica por que uma IA de atendimento ao cliente consegue identificar que “tô com raiva do produto” e “quero fazer uma reclamação” são intenções equivalentes.
A tecnologia invisível que faz a IA “entender” — em vez de apenas “combinar palavras” — são os embeddings. E quanto mais você souber sobre como funcionam, mais vai conseguir usar as ferramentas ao seu favor.
Tokens vs. Embeddings: qual é a diferença
Os dois conceitos andam juntos mas fazem coisas diferentes:
| — | Token | Embedding |
|---|---|---|
| O que é | Fragmento de texto (subpalavra) | Lista de números que representa significado |
| Para que serve | Dividir texto em unidades processáveis | Capturar e comparar significado |
| Exemplo | “inteligência” → “intel” + “igência” | “gato” → [0.42, -0.17, 0.83, …] |
| Sabe o que significa? | Não — é só um número de ID | Sim — proximidade = similaridade |
| Onde aparece | Entrada do modelo, cobrança de API | RAG, busca semântica, recomendação |
A tecnologia que você não vê — mas que está em tudo
Tokens dividem. Embeddings entendem. Juntos, eles formam a base de como qualquer modelo de linguagem moderno processa o que você escreve — e de como ferramentas como RAG conseguem ir além do que foi treinado, consultando seus próprios documentos com inteligência real.
Se o artigo de tokens explicou como a IA lê texto, este explicou como ela entende significado. O próximo passo natural é ver os dois em ação juntos — o artigo de RAG na prática já está aqui no Horizon, esperando por você.
