RAG para empresas: como fazer a IA responder com base nos seus documentos

“Quero uma IA que responda com base nos nossos documentos.” É um dos pedidos mais comuns, e a técnica por trás tem nome: RAG. Funciona muito bem quando é feita com cuidado, e decepciona quando vira só “subir PDFs num chatbot”.

O que é RAG

RAG (Retrieval-Augmented Generation, ou geração aumentada por recuperação) é a técnica de buscar os trechos relevantes dos documentos da empresa antes de pedir a resposta ao modelo de IA. O modelo recebe a pergunta junto com esses trechos e responde com base neles, citando a fonte.

Isso resolve dois problemas de uma vez: o modelo passa a conhecer informações que não estavam no seu treinamento (as normas, contratos e procedimentos da sua empresa) e a resposta pode ser conferida, porque vem com a referência de onde saiu.

Como funciona, em quatro etapas

1. Preparação dos documentos: extrair o texto (inclusive de PDFs escaneados), limpar, dividir em trechos com sentido e guardar metadados como origem, data e área.
2. Indexação: transformar cada trecho em uma representação numérica (embedding) e guardar num banco vetorial, como o pgvector no PostgreSQL.
3. Busca: quando chega uma pergunta, encontrar os trechos mais relevantes, combinando busca por significado e por palavra-chave.
4. Resposta: o modelo responde usando só esses trechos e indica as fontes. Se a informação não estiver nos documentos, ele diz que não encontrou.

Onde RAG funciona bem

• Normas e procedimentos internos: “qual o procedimento para…”, “o que a norma diz sobre…”.
• Atendimento: respostas sobre políticas, prazos e condições, com base em documentos oficiais.
• Contratos e apólices: localizar cláusulas e condições específicas em grandes volumes de documentos.
• Base técnica: manuais, especificações e histórico de chamados.

Por que tanto projeto de RAG decepciona

1. Documentos ruins entram, respostas ruins saem. Versões desatualizadas, duplicadas e contraditórias confundem a busca. Curadoria da base é metade do projeto.
2. Trechos mal cortados. Dividir documentos a cada N caracteres separa a pergunta da resposta. A divisão precisa respeitar a estrutura do documento.
3. Sem avaliação. Sem um conjunto de perguntas de teste com respostas esperadas, ninguém sabe se a qualidade melhorou ou piorou depois de uma mudança.
4. Sem permissões. Se todos os documentos estão no mesmo índice, a IA pode mostrar a um colaborador um documento que ele não deveria ver.
5. Sem fonte na resposta. Resposta sem referência não pode ser conferida, e o usuário deixa de confiar.

RAG ou agente?

RAG serve para responder com base em documentos. Quando a tarefa exige agir (consultar o ERP, preencher um cadastro, abrir um chamado), entra um agente de IA, que pode usar o RAG como uma de suas ferramentas. Muitos sistemas maduros combinam os dois.

Como começar

1. Escolha uma base de documentos bem delimitada e um grupo de usuários.
2. Monte 50 a 100 perguntas reais com as respostas esperadas: elas viram o teste de qualidade.
3. Construa, meça contra esse teste e ajuste antes de abrir para mais gente.

A Archicode projeta e constrói sistemas de RAG com avaliação de qualidade, permissões e fontes, integrados aos sistemas da empresa. Veja software sob medida com IA e consultoria e arquitetura de IA.

---

Leia também

• O que é um agente de IA (e quando ele vale a pena)
• Quanto custa um projeto de IA de verdade