O que é RAG em inteligência artificial?
RAG significa Retrieval-Augmented Generation, ou geração aumentada por pesquisa. Em vez de responder só com o que aprendeu no treino, a IA pesquisa primeiro nos documentos da empresa, encontra os excertos relevantes e escreve a resposta com base neles, indicando de onde veio cada informação.
Na prática, permite um assistente que responde a "qual é o prazo de pagamento acordado com o cliente X?" ou "como se faz a devolução de um produto com defeito?" com a informação real e atualizada da empresa, sem ser preciso treinar um modelo e com menos risco de respostas inventadas.
Porque é que a IA "inventa" sobre a sua empresa
Os modelos de IA aprendem com textos públicos até uma certa data. Não conhecem os contratos, as tabelas de preços, os procedimentos internos nem o histórico dos clientes. Quando lhes perguntamos algo sobre a empresa, fazem o que sabem fazer: escrever uma resposta provável. Às vezes acertam; muitas vezes não.
Colar documentos na conversa resolve pontualmente, mas não escala: há demasiados documentos, mudam com frequência e ninguém sabe qual é a versão certa. O RAG automatiza esta pesquisa e garante que a resposta assenta na versão em vigor.
Como funciona, em 3 passos
- Preparar a base de conhecimento
Os documentos da empresa (PDF, Word, Excel, páginas internas, emails selecionados) são organizados, divididos em excertos e indexados de forma a que a IA os encontre pelo significado, e não só por palavras exatas.
- Pesquisar antes de responder
Quando alguém faz uma pergunta, o sistema procura os excertos mais relevantes, respeitando quem pode ver o quê.
- Responder com as fontes
O modelo de IA escreve a resposta usando apenas esses excertos e indica os documentos de onde tirou a informação. Se não encontra nada, deve dizer que não sabe.
O conceito foi apresentado em 2020 por investigadores do Facebook AI Research e tornou-se a forma mais comum de ligar a IA generativa ao conhecimento de uma organização.
Para que serve numa empresa
| Uso | Pergunta típica | Documentos |
|---|---|---|
| Assistente interno | "Qual é o procedimento para pedir férias?" | Políticas, manual do colaborador |
| Apoio ao cliente | "O meu equipamento tem garantia?" | Condições de garantia, fichas de produto |
| Vendas e propostas | "Que proposta fizemos a clientes do setor da saúde?" | Propostas anteriores, tabelas de preços |
| Integração de novos colaboradores | "Como se emite uma nota de crédito?" | Procedimentos, formações gravadas |
| Jurídico e contratos | "O que diz o contrato sobre penalizações?" | Contratos, cláusulas-tipo |
| Técnico e manutenção | "Qual é o binário de aperto desta peça?" | Manuais técnicos, relatórios |
O RAG é também o que dá memória aos clones de equipa com IA e aos agentes de atendimento no WhatsApp.
RAG, treino e MCP: qual é a diferença?
| Abordagem | O que faz | Quando usar |
|---|---|---|
| RAG | Pesquisa nos documentos e responde com base neles | Conhecimento que está em documentos e muda com o tempo |
| Treino (fine-tuning) | Ajusta o próprio modelo com exemplos | Estilo, formato ou tarefas muito específicas; raramente para factos |
| MCP | Liga a IA a sistemas para consultar dados e fazer ações | Dados vivos em CRM, faturação, agenda; executar tarefas |
Na maioria das empresas a combinação certa é RAG para os documentos e MCP para os sistemas. Treinar um modelo raramente é o primeiro passo.
Porque é que tantos projetos de RAG desiludem
- Documentos desatualizados ou duplicados: três versões da tabela de preços dão três respostas diferentes.
- Má divisão dos documentos: excertos demasiado pequenos perdem contexto; demasiado grandes trazem ruído.
- Pesquisa fraca: o sistema não encontra o excerto certo e a IA responde com o que tem.
- Sem permissões: todos passam a ver salários, contratos ou dados de clientes que não deviam.
- Sem fontes nem "não sei": respostas sem referência tiram a confiança da equipa ao fim de duas semanas.
- Ninguém mede: sem um conjunto de perguntas de teste, não se sabe se o sistema melhora ou piora.
Segurança e RGPD
- Permissões herdadas: cada pessoa só recebe respostas com base nos documentos a que já tem acesso.
- Onde ficam os dados: fornecedores com contrato de tratamento de dados e, quando necessário, alojamento na UE.
- Dados pessoais: só entram na base de conhecimento os que são necessários, com prazos de conservação.
- Registos: que perguntas foram feitas e que documentos foram usados, para auditar e melhorar.
Para os cuidados com o uso de IA na empresa, veja também AI Act para PME.
Como a Wisebot implementa
- Escolher a pergunta certa: um caso de uso com valor claro, como o apoio ao cliente ou o assistente interno de procedimentos.
- Arrumar a informação: documentos em vigor, versões, responsáveis e permissões.
- Construir e testar: base de conhecimento, pesquisa e assistente, avaliados com perguntas reais da equipa.
- Pôr nas ferramentas do dia a dia: Claude, ChatGPT, Microsoft Teams, site ou WhatsApp.
- Manter vivo: atualização automática dos documentos e relatório de perguntas sem resposta.
Perguntas frequentes
O que é RAG em IA?
RAG significa Retrieval-Augmented Generation. É uma técnica em que a inteligência artificial pesquisa primeiro em documentos de confiança, como os da empresa, e só depois escreve a resposta com base nos excertos encontrados, indicando as fontes.
Para que serve o RAG numa empresa?
Para criar assistentes que respondem com a informação real da empresa: procedimentos internos, políticas, fichas de produto, contratos, propostas e manuais técnicos. É usado em assistentes internos, apoio ao cliente, vendas e integração de novos colaboradores.
Qual é a diferença entre RAG e treinar um modelo de IA?
O RAG não altera o modelo: dá-lhe os documentos certos no momento da pergunta, o que permite atualizar a informação sem novo treino. O treino (fine-tuning) ajusta o próprio modelo e é mais indicado para estilo ou tarefas específicas do que para factos que mudam.
Qual é a diferença entre RAG e MCP?
O RAG serve para responder com base em documentos. O MCP serve para ligar a IA a sistemas, como o CRM ou a faturação, para consultar dados vivos e executar ações. Muitas empresas usam os dois.
O RAG elimina as respostas inventadas?
Reduz muito, mas não elimina. A qualidade depende dos documentos, da pesquisa e das instruções. Um bom sistema indica as fontes e diz que não sabe quando não encontra informação.
Os documentos da empresa ficam seguros com RAG?
Podem ficar, se o sistema respeitar as permissões de cada pessoa, usar fornecedores com contrato de tratamento de dados, controlar onde os dados ficam guardados e registar as perguntas e os documentos usados.
Fontes
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020.
- Anthropic, Introducing Contextual Retrieval (setembro de 2024).
