IA proprietária para empresas
A IA treinada com o dado da empresa, hospedada na infraestrutura dela e entregue como ativo.
ARTIGO · IA PROPRIETÁRIA
Como treinar uma IA com os dados da empresa: RAG, fine tuning ou os dois
Há dois caminhos para uma IA passar a conhecer o negócio, e eles resolvem problemas diferentes. Confundi-los é a causa mais comum de projeto que entrega respostas erradas com aparência de certeza.
Os dois caminhos, em uma frase cada
RAG (geração aumentada por recuperação) busca os trechos relevantes nos documentos da empresa e os entrega ao modelo junto com a pergunta. O conhecimento fica fora do modelo, em uma base consultável.
Fine tuning (ajuste fino) continua o treinamento do modelo com exemplos da empresa, alterando os pesos dele. O conhecimento passa a fazer parte do modelo.
O termo RAG vem de um artigo de 2020, que descreveu modelos combinando “memória paramétrica pré-treinada e memória não-paramétrica”. O mesmo artigo já apontava o motivo de existir: modelos guardam conhecimento nos parâmetros, mas acessá-lo com precisão, dar procedência às respostas e atualizar esse conhecimento eram problemas em aberto. Cinco anos depois, continuam sendo os três motivos pelos quais a maioria dos projetos usa RAG.
O erro mais caro: usar fine tuning para ensinar fatos
A intuição diz que, para a IA conhecer os produtos da empresa, basta treiná-la com o catálogo. A evidência disponível diz o contrário.
Um estudo comparativo de 2023 concluiu que RAG superou consistentemente o fine tuning não supervisionado — tanto para conhecimento já visto no treinamento quanto para conhecimento inteiramente novo — e que modelos “têm dificuldade em aprender informação factual nova por fine tuning não supervisionado”. Vale a ressalva: os autores são da Microsoft, que vende as duas coisas, e o escopo testado foi fine tuning não supervisionado, não ajuste supervisionado com exemplos bem construídos. Mesmo com essas ressalvas, a direção do achado é consistente com a orientação dos próprios fornecedores.
A AWS é explícita na recomendação: para construir uma solução de perguntas e respostas que referencie documentos próprios, comece por RAG; use fine tuning quando precisar que o modelo execute tarefas adicionais, como sumarização. E dá o argumento operacional: fine tuning leva de horas a dias conforme o tamanho do modelo, o que não serve para documentos que mudam com frequência, enquanto RAG incorpora documentos novos em minutos.
A Microsoft resume o critério de escolha em duas condições: fine tuning quando o conteúdo é estável e há dado de domínio suficiente para evitar sobreajuste; RAG quando o conteúdo muda, ou quando não há dado e capacidade de treinamento disponíveis.
Um fato de mercado que muda a moldura da pergunta
Em consulta feita em 5 de setembro de 2026, a documentação da OpenAI traz um aviso que ainda não circulou muito: a plataforma de fine tuning está sendo encerrada. Ela não está mais acessível a novos usuários, e os modelos já ajustados seguem disponíveis para inferência até que os modelos base sejam descontinuados.
Isso não significa que fine tuning acabou — ele continua disponível em outras plataformas e é a única via para modelos abertos hospedados na própria infraestrutura. Mas significa que, para quem pretendia ajustar um modelo fechado por API do maior fornecedor do mercado, a resposta à pergunta “RAG ou fine tuning?” foi parcialmente decidida por fora.
É também um lembrete do que esse tipo de dependência custa: uma decisão de produto de um fornecedor externo apaga um caminho técnico inteiro para quem construiu em cima dele.
O que cada caminho exige na prática
| RAG | Fine tuning | |
|---|---|---|
| Para que serve | Responder com base em documentos da empresa, com procedência | Ajustar formato, estilo, classificação e seguimento de instrução |
| Conteúdo que muda | Incorpora em minutos | Exige novo treinamento, de horas a dias |
| Volume mínimo | Os documentos que a empresa já tem | Dezenas de exemplos bem construídos, em formato estruturado |
| Onde erra | Recupera o trecho errado, ou não recupera | Sobreajusta, e pode piorar em tarefas gerais |
| Custo contínuo | Armazenamento e busca | Hospedagem do modelo ajustado, que corre mesmo sem uso |
| Dá para auditar a resposta | Sim: o trecho de origem é conhecido | Não diretamente: o conhecimento está nos pesos |
A linha do custo contínuo costuma surpreender. A documentação da Microsoft registra que cada modelo customizado implantado gera custo de hospedagem por hora independentemente de haver chamadas — e que a implantação é excluída automaticamente após 15 dias de inatividade. Um modelo ajustado que ninguém usa continua custando até ser apagado.
Como um sistema RAG é montado
São quatro etapas, e a qualidade de cada uma limita o resultado da seguinte.
Preparação e fatiamento
Os documentos são divididos em blocos. A recomendação de partida da Microsoft é 512 tokens por bloco com 25% de sobreposição, para não cortar a informação no meio da transição.
Indexação
Cada bloco vira um vetor numérico (embedding) guardado em uma base consultável. É essa base que será pesquisada — não o documento original.
Recuperação
A pergunta também vira vetor, e os blocos mais próximos são recuperados. Busca lexical clássica somada à vetorial melhora casos com termo exato, como código de peça ou número de contrato.
Reordenação e resposta
Um segundo passo reordena os blocos por relevância antes de entregá-los ao modelo. A Anthropic publicou medição própria em que embeddings contextuais, busca lexical e reordenação juntos reduziram a falha de recuperação em 67%, de 5,7% para 1,9%.
Onde o RAG falha
Um estudo com três casos reais catalogou sete pontos de falha. Vale conhecê-los porque, em projeto, o sintoma que chega é sempre o mesmo — “a IA respondeu errado” — e a causa é uma destas sete:
- Conteúdo ausente: a resposta não está em documento nenhum. O sistema responde mesmo assim.
- Documento certo mal ranqueado: a resposta existe, mas não ficou entre os blocos recuperados.
- Recuperado mas fora do contexto: o bloco foi encontrado e não coube na janela enviada ao modelo.
- Não extraído: a resposta estava no contexto e o modelo não a localizou.
- Formato errado: pediu-se tabela ou lista e veio texto corrido.
- Especificidade errada: a resposta é genérica demais ou específica demais para a necessidade.
- Incompleta: não está errada, mas deixou de fora parte do que estava no contexto.
Repare que apenas duas dessas sete são falhas do modelo. As outras cinco são de engenharia de dados e de recuperação — o que explica por que trocar de modelo raramente resolve um RAG ruim.
Há ainda um efeito documentado que desaconselha a solução preguiçosa de “mandar tudo”. Um estudo de Stanford mostrou que o desempenho é maior quando a informação relevante está no começo ou no fim do contexto, e cai de forma significativa quando o modelo precisa acessá-la no meio de contextos longos. O estudo é de 2023 e testou modelos daquela geração — não afirmamos que vale igual hoje —, mas a implicação de projeto continua razoável: recuperar bem é melhor que enviar muito.
Como saber se está funcionando
Sem medição, um sistema RAG parece bom porque responde com fluência. A Microsoft define cinco métricas para a resposta, e elas são um bom mínimo: ancoragem (a resposta se apoia só no contexto recuperado), completude (responde todas as partes da pergunta), aproveitamento (quanto do contexto foi de fato usado), relevância e correção.
A mais importante das cinco, em uso corporativo, é a ancoragem. É ela que separa “a IA respondeu” de “a IA respondeu com base no documento que a empresa reconhece como fonte”. Um sistema que erra e diz de onde tirou é corrigível; um que acerta sem dizer de onde tirou não é auditável.
Hospedar na própria infraestrutura: o que a licença permite
Para manter o dado dentro do perímetro, o caminho é hospedar um modelo aberto na infraestrutura da empresa. Aqui vale um aviso jurídico que costuma passar batido: “aberto” não é sinônimo de “livre para uso comercial”.
Os modelos densos do Qwen são publicados sob Apache 2.0, e o DeepSeek-R1 sob MIT — as duas são licenças abertas padrão, permissivas para uso comercial. A maior parte dos modelos da Mistral é Apache 2.0, com exceções. Já o Llama e o Gemma são regidos por licenças próprias, não reconhecidas como abertas pelo padrão OSI: a do Llama exige pedido de licença à Meta acima de 700 milhões de usuários ativos mensais e exibição de atribuição, e a do Gemma tem política de uso proibido própria.
Nenhuma dessas condições inviabiliza uso empresarial normal. Mas elas precisam ser lidas antes de a arquitetura ser fechada, não depois — trocar o modelo base de um sistema em produção é caro.
A resposta prática: quase sempre os dois, nesta ordem
A AWS registra que os dois podem ser combinados: a arquitetura RAG não muda, e o modelo que gera a resposta também é ajustado. Na prática, a ordem que faz sentido é esta:
Primeiro RAG, porque resolve o problema de conhecimento — que é o que a empresa quer — e porque é reversível, auditável e atualizável em minutos. Depois, se necessário, ajuste fino, para corrigir formato, tom e aderência a instrução — que é o que RAG não resolve.
Inverter essa ordem é o padrão de falha que mais aparece: gasta-se o orçamento treinando o modelo para saber coisas que ele vai esquecer na próxima atualização do catálogo, e chega-se ao fim sem procedência de resposta.
Fontes
- Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020 (arXiv:2005.11401)
- Ovadia, Brief, Mishaeli e Elisha, “Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs”, arXiv:2312.05934, dezembro de 2023
- Microsoft Learn — “Augment large language models with retrieval-augmented generation or fine-tuning”, atualizada em 30 de janeiro de 2026
- AWS Prescriptive Guidance — “Comparing Retrieval Augmented Generation and fine-tuning”
- OpenAI — documentação de fine tuning supervisionado (consultada em 5 de setembro de 2026)
- Microsoft Learn — “Chunk Large Documents for RAG and Vector Search”, atualizada em 2 de julho de 2026
- Anthropic, “Introducing Contextual Retrieval”, 19 de setembro de 2024
- Barnett et al. (Deakin University), “Seven Failure Points When Engineering a Retrieval Augmented Generation System”, arXiv:2401.05856, janeiro de 2024
- Liu et al. (Stanford), “Lost in the Middle: How Language Models Use Long Contexts”, TACL, julho de 2023
- Microsoft — Azure Architecture Center, avaliação ponta a ponta de solução RAG, atualizada em 21 de novembro de 2025
- Alibaba — anúncio oficial do Qwen3, 29 de abril de 2025
- Meta — licença da família Llama (ficha oficial no Hugging Face)
- Google — Gemma Terms of Use
Continue por aqui
Preço por token
A estrutura da cobrança por API e como fazer a conta de 24 e 36 meses.
Glossário
RAG, fine tuning, embedding e os outros termos, cada um em uma linha.
Antes de treinar, vale olhar o dado que existe
Trinta minutos para avaliar se o material da empresa está em condição de sustentar uma IA — que é a etapa que decide o resultado.
Respondemos em até 1 hora útil. Confirmação no mesmo dia útil.