RAG para empresas: assistente que responde com seus documentos

RAG é a técnica que permite a um assistente responder com base nos documentos da sua empresa (manuais, políticas, contratos-modelo, perguntas frequentes) em vez de responder só com o que o modelo aprendeu na internet. O sistema busca os trechos relevantes, entrega ao modelo de linguagem e pede uma resposta que cite a fonte. Com os preços de outubro de 2026, o custo por pergunta fica em frações de centavo a alguns centavos de real; o trabalho está em preparar a base e medir a qualidade.

O que é RAG, em uma resposta #

RAG (Retrieval-Augmented Generation, geração aumentada por recuperação) junta uma busca nos seus documentos com um modelo de linguagem. A cada pergunta, o sistema encontra os trechos mais relevantes e pede ao modelo que responda usando apenas esses trechos. O modelo não é treinado de novo, e atualizar o conhecimento é atualizar os documentos.

Três consequências práticas dessa arquitetura:

• A resposta pode citar a fonte. Como o sistema sabe de quais trechos tirou a resposta, mostra o documento e a seção. Quem pergunta consegue conferir.
• Atualizar é simples. Trocou a política de devolução? Reindexa o documento novo, e a próxima resposta já usa a versão certa.
• Dá para controlar quem vê o quê. Cada trecho guarda a permissão do documento de origem, e a busca só devolve o que o usuário pode ler.

Casos de uso típicos em pequenas e médias empresas: atendimento interno de RH (férias, benefícios, políticas), suporte técnico de primeiro nível com base em manuais, consulta de procedimentos operacionais e respostas a clientes sobre produtos, prazos e condições.

Como funciona, passo a passo #

Um assistente com RAG tem duas etapas. Na indexação, os documentos são divididos em trechos, cada trecho vira um vetor numérico (embedding) e vai para um banco vetorial. Na consulta, a pergunta também vira vetor, o banco devolve os trechos mais parecidos, e o modelo de linguagem escreve a resposta com eles.

O ponto que mais diferencia um assistente útil de um frustrante não é o modelo de linguagem, e sim a preparação dos documentos: extração limpa, divisão por seção e remoção de versões antigas e duplicadas.

RAG, fine-tuning ou contexto longo #

São três formas de dar conhecimento da empresa a um modelo. RAG busca trechos a cada pergunta e serve para bases grandes e que mudam. Fine-tuning ajusta o modelo e serve para estilo e formato, não para fatos. Contexto longo envia os documentos inteiros a cada pergunta e serve quando a base é pequena.

O contexto longo merece atenção porque costuma ser esquecido. Com cache de prompt, um conjunto de 50 páginas (cerca de 25.000 tokens) lido do cache custa cerca de US$ 0,00025 por pergunta no Claude Haiku 5.5 (preço válido para prompts de até 100 mil tokens), pela tabela da Anthropic de outubro de 2026, sem contar a gravação do cache, que é mais cara. Se a base é pequena e muda pouco, vale testar esse caminho antes de montar um RAG.

Quanto custa por pergunta e por mês #

O custo variável de um assistente com RAG é baixo: indexar alguns milhões de tokens de documentos custa centavos de dólar, e cada pergunta custa de frações de centavo a alguns centavos de real, conforme o modelo. O que pesa no orçamento é o servidor, a implantação e a manutenção da base de documentos.

Premissas (outubro de 2026):

• base com 2.000 documentos de cerca de 2.500 tokens cada, ou 5 milhões de tokens;
• cada pergunta envia ao modelo ~4.000 tokens de entrada (1.000 de instruções, 6 trechos de 500 tokens e a pergunta) e recebe 400 de saída;
• 3.000 perguntas por mês;
• câmbio de US$ 1 = R$ 5,10, sem cache de prompt e sem impostos.

Indexação (paga uma vez e de novo só para os documentos que mudarem):

Fontes: preços da OpenAI e preços da Voyage AI, consultados em 27/10/2026. O embedding de cada pergunta (algumas dezenas de tokens) tem custo desprezível.

Geração da resposta:

Usamos a Anthropic como exemplo porque publica a tabela completa; para outros provedores, confira a tabela de cada um. Com o banco vetorial no próprio PostgreSQL, o servidor costuma ser o mesmo da automação (premissa: de R$ 60 a R$ 300 por mês, conforme a disponibilidade exigida). Se o assistente responde pelo WhatsApp, somam-se as tarifas da Meta, detalhadas em quanto custa um agente de IA para WhatsApp.

Permissões, LGPD e onde ficam os dados #

Um assistente com RAG só é seguro se respeitar as mesmas permissões dos documentos de origem e se a empresa souber para onde cada trecho viaja. Os trechos usados na resposta vão para o provedor do modelo, e os documentos inteiros passam pelo provedor de embeddings na indexação.

Cuidados que entram no projeto desde o início:

• Permissão por trecho. Cada trecho guarda quem pode lê-lo, e o filtro é aplicado na busca, antes de o modelo receber qualquer texto. Instruir o modelo a “não mostrar” informação restrita não é controle de acesso.
• Classificação dos documentos. Defina o que pode ir para provedores externos e o que não pode (dados pessoais sensíveis, dados de saúde, segredos comerciais). O que não pode fica fora da base ou é atendido por modelo executado no próprio servidor.
• Política de cada provedor. Confira, na página do provedor e no contrato, se os dados enviados pela API são retidos, por quanto tempo, em que região são processados e se podem ser usados para treino.
• Registro. Guarde quais perguntas foram feitas e quais trechos foram usados, com prazo de retenção definido, para auditar respostas erradas e atender pedidos de titulares.
• Atualização e exclusão. Um documento removido da origem precisa sair do banco vetorial também. Isso vira uma rotina, não uma tarefa manual.

A adequação à LGPD depende do conjunto: base legal, contratos com operadores, controle de acesso, registro e retenção. Hospedar o banco vetorial no próprio servidor ajuda no controle, mas não resolve sozinho.

Como medir se o assistente responde bem #

A qualidade de um assistente com RAG se mede antes de liberar para os usuários, com um conjunto de perguntas reais e respostas esperadas. Sem esse conjunto, cada ajuste vira opinião, e um erro de extração ou de divisão de trechos só aparece quando alguém reclama.

Um roteiro de avaliação que funciona para começar:

1. Reúna de 50 a 100 perguntas reais, tiradas do atendimento, do e-mail ou do RH, com a resposta correta e o documento de onde ela sai.
2. Inclua perguntas sem resposta na base. O comportamento esperado é o assistente dizer que não encontrou, não inventar.
3. Meça duas coisas separadas: se a busca trouxe o trecho certo (recuperação) e se a resposta usou corretamente esse trecho (geração). Erros de recuperação se corrigem nos documentos e na busca; erros de geração, nas instruções ou no modelo.
4. Rode o conjunto a cada mudança de modelo, de divisão de trechos ou de documentos, e compare com a rodada anterior.
5. Depois de liberar, registre as perguntas sem resposta e as respostas marcadas como erradas: elas mostram o que falta na base.

Quando não usar RAG #

RAG não é a ferramenta certa quando a resposta está num sistema estruturado, quando a base cabe inteira no contexto do modelo ou quando a pergunta exige cálculo exato. Nesses casos, consulta direta ao sistema, contexto longo ou uma regra programada respondem melhor e com menos peças para manter.

Na prática, muitos assistentes combinam os caminhos: RAG para políticas e manuais, consulta à API para pedidos e estoque, e regras fixas para prazos. Um orquestrador como o n8n decide qual caminho cada pergunta segue; veja o comparativo n8n vs Make vs Zapier vs Power Automate.

Como a SDI implanta um assistente com RAG #

A SDI começa por um recorte: uma área, um conjunto de documentos e um conjunto de perguntas de teste com critério de aceite. A base é preparada, o assistente é medido contra esse conjunto e só depois é liberado. Código, workflows, banco e credenciais ficam em nome da empresa.

Na automação com IA, automações com IA têm referência a partir de R$ 5.000, e a automação piloto, com um processo e até três integrações, parte de R$ 3.000; a manutenção parte de R$ 300 por mês. Valores de referência: cada atendimento é dimensionado após levantamento do escopo. Os custos de terceiros (modelo de linguagem, embeddings e servidor) são cobrados à parte, em nome do cliente.

• rag
• ia
• llm
• embeddings
• pgvector
• base de conhecimento
• lgpd