O que é RAG? Como pôr a IA a responder com os dados da sua empresa

Resposta curta: RAG (retrieval-augmented generation, ou geração aumentada por recuperação) é uma técnica em que a IA procura primeiro nos documentos e dados da sua empresa e só depois responde, com base no que encontrou. É assim que se obtêm respostas ao estilo do ChatGPT sobre os seus próprios produtos, preços e procedimentos, com indicação da fonte e sem treinar um modelo próprio. A qualidade depende mais dos dados e das permissões de acesso do que do modelo de IA escolhido.

O que é RAG?

RAG é um método que dá a um modelo de linguagem, no momento de responder, acesso a conhecimento que não está nos seus dados de treino. O termo vem de um artigo científico de 2020 de Patrick Lewis e colegas, que ligaram um modelo de linguagem a um sistema de pesquisa sobre uma grande coleção de textos e obtiveram respostas mais específicas e mais fiéis aos factos do que com um modelo que só usa o que aprendeu no treino (Lewis et al., arXiv).

O problema que o RAG resolve é conhecido de quem já experimentou o ChatGPT no trabalho: o modelo não sabe nada sobre a sua empresa e, na dúvida, inventa respostas que soam convincentes mas estão erradas. A AWS descreve o RAG como uma forma de pôr o modelo a consultar uma base de conhecimento fiável, fora dos seus dados de treino, antes de gerar a resposta, de modo a poder citar as fontes usadas e sem ter de voltar a treinar o modelo (AWS).

Quando as empresas falam de "IA com dados próprios", de um "ChatGPT da empresa" ou de um "assistente interno com IA", o que está por trás, tecnicamente, é quase sempre RAG.

Como funciona o RAG?

O RAG funciona em três passos: indexar, recuperar e responder.

1. Indexar. Documentos, manuais, páginas do site e dados de bases de dados são divididos em excertos mais pequenos (os chamados "chunks"). Cada excerto é convertido numa sequência de números, um embedding, que representa o seu significado, e guardado numa base de dados vetorial.
2. Recuperar. Quando alguém faz uma pergunta, também ela é convertida num embedding. O sistema procura os excertos com significado mais próximo. Muitas soluções combinam isto com a pesquisa clássica por palavras-chave.
3. Responder. Os excertos encontrados seguem, juntamente com a pergunta, para o modelo de linguagem, que redige a resposta e pode indicar em que documentos se baseou.

Quando um documento muda, atualiza-se o índice, não o modelo. Por isso o RAG é adequado a conhecimento que muda com frequência, como tabelas de preços, fichas de produto ou procedimentos internos. A pesquisa de ficheiros da OpenAI, por exemplo, combina pesquisa semântica e por palavras-chave, trabalha sobre um armazenamento vetorial e devolve referências ao ficheiro de origem (OpenAI).

Há um limite a conhecer. As autoridades alemãs de proteção de dados, numa orientação dedicada ao RAG publicada em outubro de 2025, notam que, como só são recuperados excertos com conteúdo semelhante à pergunta, pode faltar informação que está logicamente ligada mas dispersa por passagens longas (DSK). A forma como os documentos são divididos não é um pormenor técnico: decide a qualidade das respostas.

RAG, fine-tuning ou ChatGPT normal?

O RAG é a escolha certa quando a IA tem de responder corretamente com base no conhecimento próprio da empresa, que vai mudando. O fine-tuning, ou seja, voltar a treinar um modelo com exemplos seus, serve melhor para ensinar um estilo ou um formato fixo. E o ChatGPT normal chega quando a tarefa não precisa de dados da empresa.

Na prática, para a maioria das PME a pergunta não é "RAG ou fine-tuning", mas "que documentos e que sistemas devem alimentar a IA, e quem pode ver o quê".

Para que usam as empresas o RAG?

O RAG rende mais onde colaboradores ou clientes perguntam muitas vezes coisas que já estão escritas algures. Não é por acaso que, entre as empresas portuguesas que usam IA, a tecnologia mais comum é a análise de linguagem escrita, usada por 59,4 % delas (INE). Utilizações típicas:

• Apoio ao cliente. Um chatbot no site que responde a partir das perguntas frequentes, das fichas de produto e das condições gerais de venda.
• Base de conhecimento interna. Os colaboradores perguntam pelo manual de acolhimento, pelos procedimentos ou por projetos anteriores, em vez de andarem a abrir pastas.
• Vendas e orçamentos. A equipa comercial obtém respostas sobre produtos, condições e propostas anteriores, e um primeiro rascunho de novos orçamentos.
• Assistência técnica. Os técnicos consultam manuais e registos de avarias quando estão no cliente.
• Dados de gestão. Perguntas sobre encomendas, clientes ou faturação guardados no ERP ou no CRM, seja Primavera, PHC, SAP ou HubSpot, através de uma integração de sistemas. Se trabalha com SAP, veja a integração SAP; se o CRM é o HubSpot, a página HubSpot.

Um exemplo: a Remodelações Tejo, uma empresa de Lisboa com 25 pessoas, recebe todos os dias pedidos sobre prazos, materiais e garantias. As respostas estão espalhadas por fichas técnicas de fornecedores, orçamentos antigos e um manual interno em PDF. Um assistente com RAG sobre esses documentos dá à equipa comercial uma primeira resposta em segundos, com a ligação para o documento de origem, e é sempre uma pessoa que decide o que segue para o cliente.

Do RAG a criar um agente de IA

Criar um agente de IA começa quase sempre pelo RAG: o agente tem de conseguir consultar o conhecimento da empresa antes de fazer alguma coisa com ele. A diferença é que um sistema RAG só responde, enquanto um agente também executa ações, como abrir um pedido de suporte, consultar uma encomenda ou preparar um orçamento.

Numa ferramenta de automação como o n8n vê-se bem esta lógica. O nó AI Agent liga um modelo de linguagem a uma ou mais ferramentas, e é o agente que decide que ferramenta usar para concluir a tarefa (n8n Docs). Uma dessas ferramentas pode ser a pesquisa nos seus documentos; as outras podem ser ligações ao CRM, ao email ou ao programa de faturação. Explicamos a plataforma em O que é o n8n? e a forma como montamos agentes na página agente de IA.

Só avance para o agente quando a camada de RAG responder de forma fiável. Um agente que age com base num documento mal recuperado não reduz o erro, multiplica-o.

Três caminhos para uma IA com dados próprios

Há três caminhos principais: a solução integrada no seu software de escritório, os componentes prontos dos grandes fornecedores de cloud ou uma solução RAG construída à medida, que pode até funcionar nos seus próprios servidores.

1. Integrado no Microsoft 365

O Microsoft Copilot usa um índice semântico sobre os dados da organização no Microsoft 365. O índice é criado automaticamente e o Copilot só mostra conteúdos a que cada pessoa já tem acesso. Segundo a Microsoft, os prompts, as respostas e os dados acedidos através do índice não são usados para treinar os modelos de base, e, para clientes dentro do Limite de Dados da UE, o índice fica guardado num centro de dados na UE ou na EFTA (Microsoft Learn). Se a sua empresa já trabalha em Microsoft 365, é muitas vezes o ponto de partida mais simples.

2. Componentes prontos na cloud

Se a IA tem de responder a clientes no site ou juntar dados de vários sistemas, constrói-se a solução com os componentes dos grandes fornecedores. A OpenAI oferece uma pesquisa de ficheiros pronta: carrega os ficheiros num armazenamento vetorial e o modelo pesquisa-o antes de responder (OpenAI). A AWS tem serviços equivalentes (AWS). Confirme onde os dados são tratados e assine um acordo de subcontratação com o fornecedor.

3. Solução RAG própria, também em servidores próprios

Se tem requisitos específicos sobre como os documentos são divididos, que fontes entram ou quem pode ver o quê, uma solução própria é o caminho mais indicado. A orientação alemã sobre RAG nota que, como o conhecimento factual vem dos seus documentos, muitas vezes basta um modelo de linguagem mais pequeno, o que alarga a escolha de modelos e pode permitir que todo o sistema funcione nas instalações da empresa, sem enviar dados pessoais a fornecedores online de grandes modelos (DSK). É frequente combinar esta solução com automação no n8n, para que os documentos novos entrem no índice automaticamente e os desatualizados saiam.

RAG, RGPD e Regulamento da IA

O mais importante numa IA com dados próprios é controlar o que a IA pode ver e quem recebe que respostas. Em Portugal, é também um dos grandes travões: entre as empresas que não usam IA, 55,4 % apontam preocupações com proteção de dados e privacidade e 57,3 % a falta de clareza sobre as consequências legais (INE). A orientação alemã sobre RAG resume bem o que muda e o que não muda (DSK):

• Exatidão. O RAG pode reduzir respostas erradas, porque os documentos desatualizados ou incorretos podem ser corrigidos ou apagados. Mas não as elimina por completo.
• Permissões. Na base de dados vetorial e nos documentos de referência é possível aplicar as medidas habituais, como separação de dados por cliente ou por área e um modelo de perfis e permissões. No próprio modelo de linguagem, não.
• Apagamento. As entradas na base de dados vetorial podem ser apagadas individualmente. O problema de apagar dados dentro do modelo continua a existir.
• Fundamento jurídico. Um sistema RAG também trata e guarda dados pessoais e precisa de fundamento jurídico. E um modelo treinado de forma ilícita não passa a ser lícito por ser usado com RAG.

Em Portugal aplicam-se o RGPD e a Lei n.º 58/2019, e a autoridade competente é a CNPD. O Comité Europeu para a Proteção de Dados reúne as suas orientações sobre IA numa página própria, incluindo o Parecer 28/2024 sobre o tratamento de dados pessoais em modelos de IA (CEPD). Some a isto o Regulamento europeu da IA: as regras de transparência aplicam-se desde agosto de 2026, o que significa que quem fala com um chatbot tem de saber que está a falar com uma máquina (Comissão Europeia). São regras gerais; para o seu caso concreto, procure aconselhamento jurídico.

Se ainda não decidiu onde a IA deve entrar primeiro, comece pela estratégia de IA para empresas.

Erros frequentes

• Carregar tudo de uma vez. Versões antigas, rascunhos e duplicados dão respostas contraditórias. Comece por um conjunto de documentos limpo e atual.
• Ignorar as permissões. Quem não pode ver os salários numa pasta também não os pode receber numa resposta da IA.
• Não testar com perguntas reais. Junte 30 a 50 perguntas que a equipa ou os clientes fazem de facto e verifique as respostas antes de abrir o sistema a todos.
• Esquecer a manutenção. Um índice que não acompanha a tabela de preços nova responde com os preços antigos.
• Avançar para um agente cedo demais. Primeiro respostas fiáveis, depois ações.
• Não mostrar as fontes. Uma resposta com ligação ao documento de origem é verificável; uma sem fonte obriga a confiar às cegas.