Multimodal é o modelo de IA capaz de processar mais de um tipo de entrada ao mesmo tempo, como texto, imagem, áudio, vídeo e documentos estruturados, e gerar respostas combinando esses formatos.
A diferença prática em relação a modelos anteriores é que a informação não precisa ser transcrita antes de ser processada. Um agente de viagens pode tirar foto de um voucher físico e pedir a extração dos dados; uma TMC pode alimentar o modelo com um PDF de contrato hoteleiro cheio de tabelas de tarifa; um time de suporte pode jogar áudios de WhatsApp de clientes e pedir resumo e categorização. O modelo lê tudo diretamente.
No setor de viagens, isso resolve um problema concreto: boa parte da informação ainda circula em prints de tela, PDFs de fornecedor e mensagens de voz. Antes da multimodalidade, processar esses formatos exigia OCR separado, transcrição manual ou integração com ferramentas adicionais.
Usos comuns no travel:
- Extração de dados de bilhetes e vouchers fotografados
- Análise de relatórios em imagem ou PDF sem precisar exportar para planilha
- Transcrição e classificação de áudios de atendimento
- Leitura de itinerários em formato não estruturado
Não confundir com agente de IA (agent AI): o agente executa tarefas de forma autônoma; multimodal descreve o tipo de entrada que o modelo aceita. Um agente pode ser multimodal, mas os dois conceitos são independentes.