RAG para pequenas empresas: quando conectar IA aos seus documentos faz sentido

RAG, de retrieval-augmented generation, é uma abordagem em que o sistema busca trechos de documentos relevantes para a pergunta e os entrega ao modelo antes de ele responder. A ideia é reduzir respostas genéricas e aproximar a IA do contexto real da empresa: atendimento, suporte interno, busca em contratos, manuais, políticas e documentação técnica.

Mas RAG não é a única forma de dar contexto à IA, e nem sempre é a melhor. Se os documentos estão desatualizados, duplicados ou cheios de informação sensível sem controle, a IA passa a responder com base em confusão organizada. Antes de pensar em vetor, embedding ou modelo, a empresa precisa olhar para a qualidade da informação e para o tipo de pergunta que quer responder. Este artigo é sobre essa decisão; a construção, com código, está em RAG na prática: embeddings, pedaços e busca.

Quando RAG faz sentido

RAG faz sentido quando existe conhecimento recorrente e relativamente estável que as pessoas consultam com frequência: perguntas de clientes, procedimentos de suporte, regras de contrato, manuais internos e histórico técnico. Também faz sentido quando a empresa quer rastreabilidade: uma boa resposta assistida indica a fonte, o documento e a data. Sem fonte, a IA soa confiante demais e dificulta a verificação.

Um sinal prático de que vale testar: a mesma pergunta chega toda semana a pessoas diferentes, e a resposta está escrita em algum lugar que ninguém lembra onde fica.

RAG ou ferramentas e MCP: quando cada um

Nem todo contexto vive em documento. Muita pergunta depende de dado que muda o tempo todo: status de um pedido, saldo, agenda, chamado aberto. Para isso, indexar documento não resolve; o caminho é dar à IA uma ferramenta que consulta o sistema ao vivo. É o chamado tool use, e o Model Context Protocol (MCP) padroniza como modelos se conectam a essas ferramentas e fontes de dados. O artigo Tool use e MCP mostra os cuidados desse caminho.

• Use RAG quando a resposta está em texto relativamente estável: manual, política, procedimento, contrato.
• Use ferramentas ou MCP quando a resposta depende de dado ao vivo do sistema: status, saldo, disponibilidade, consulta por identificador.
• Muitas soluções combinam os dois: RAG para o conhecimento, ferramentas para o dado atual.

Quando ainda não faz sentido

Se a empresa não sabe onde estão os documentos, se cada pessoa tem uma versão diferente ou se o conteúdo não tem responsável, a prioridade é organização documental. Criar RAG sobre material ruim aumenta custo e risco.

• Documentos duplicados geram respostas inconsistentes.
• Arquivos antigos trazem regras vencidas.
• Dados sensíveis podem aparecer para usuários errados.
• Falta de auditoria dificulta saber por que a IA respondeu algo.

Também não faz sentido quando o acervo é pequeno e as perguntas citam o assunto pelo nome. Nesse caso, uma busca simples por palavra-chave resolve com custo quase zero. No experimento que fizemos com os 71 artigos deste site, a busca por palavras acertou as perguntas que usavam os mesmos termos do texto e errou as paráfrases. É esse tipo de teste, com perguntas reais, que diz se a busca semântica compensa.

Segurança e permissão vêm antes

O OWASP Top 10 for LLM Applications 2025 destaca riscos como injeção de prompt, divulgação de informação sensível, agência excessiva e uso inseguro de saídas. Em um RAG corporativo, não basta colocar documentos em uma base vetorial: é preciso controlar quem consulta o quê, registrar acesso e filtrar informação sensível. O mesmo vale quando a IA acessa sistemas por ferramentas ou MCP: cada ferramenta é uma porta com permissão própria.

Separe documentos públicos, internos e confidenciais. Um assistente que atende clientes não deveria acessar arquivos financeiros internos nem contratos de outros clientes. A regra é simples de dizer e fácil de esquecer: a busca precisa aplicar a permissão de quem pergunta, porque o modelo vai usar tudo o que receber.

Como preparar uma base inicial

1. Liste os documentos que realmente respondem às dúvidas frequentes.
2. Remova versões antigas e duplicadas.
3. Defina dono e data de revisão de cada documento.
4. Classifique o conteúdo por nível de acesso.
5. Decida o que é documento (RAG) e o que é dado ao vivo (ferramenta ou MCP).
6. Escreva perguntas de teste com as respostas esperadas, incluindo perguntas feitas com outras palavras.
7. Exija citação de fonte e alerta de incerteza na resposta.

O primeiro piloto de uma pequena empresa deve ser controlado e pequeno. Um bom piloto com 30 documentos bem escolhidos vale mais do que uma base enorme e desorganizada. O objetivo é aprender com segurança, medir valor e decidir o próximo passo. As perguntas de teste do item 6 viram a base da avaliação contínua descrita em Como testar respostas de IA, e o artigo Fontes confiáveis para IA corporativa aprofunda como sustentar cada resposta em fonte verificável.

Checklist de decisão

• A resposta está em texto estável, não em dado que muda a toda hora.
• Os documentos têm dono, data de revisão e versão única.
• O nível de acesso de cada documento está definido.
• Existem perguntas reais de teste com resposta esperada.
• Testei uma busca simples antes de investir em busca semântica.
• A resposta cita a fonte e admite quando não sabe.

Referências editoriais: NIST AI RMF, OWASP Top 10 for LLM Applications 2025 e documentação do Model Context Protocol.