Base de conhecimento com IA: como criar um RAG para empresas

Os manuais estão numa pasta compartilhada, as políticas na intranet e as regras de preço na cabeça do gerente comercial: uma única dúvida pode exigir perguntar a três pessoas. Uma base de conhecimento com IA permite que funcionários ou clientes perguntem com as próprias palavras e recebam uma resposta tirada dos documentos da empresa, com a fonte indicada. Veja como o RAG funciona, como criar uma base em seis passos, qual arquitetura escolher e o que considerar sobre custos e segurança.

Ponto-chave

Bases de conhecimento com IA para empresas geralmente são construídas com RAG (geração aumentada por recuperação): o sistema busca trechos relevantes nos seus próprios documentos, e um modelo de linguagem responde a partir deles e os cita. A qualidade depende principalmente de um conteúdo limpo, de uma boa recuperação e de permissões pensadas desde o início, e não do modelo escolhido. Plataformas low-code são o caminho mais rápido para um piloto, modelos abertos rodando nos seus servidores mantêm os dados dentro de casa e o desenvolvimento sob medida compensa quando a base precisa se integrar a fundo aos seus sistemas.

O que é uma base de conhecimento com IA e o que é RAG

Uma base de conhecimento com IA responde a perguntas em linguagem natural a partir dos documentos da própria empresa, e a forma mais comum de construí-la é o RAG, sigla em inglês para retrieval-augmented generation (geração aumentada por recuperação). O termo vem de um artigo de 2020 de Lewis e colegas (em inglês), pesquisadores do Facebook AI Research, da University College London e da Universidade de Nova York, que combinava o que um modelo de linguagem aprende no treinamento com um índice externo de documentos consultado no momento da resposta.

Cada resposta passa por três etapas:

Recuperar: a pergunta é convertida em um vetor (números que representam o seu significado) e comparada com os trechos indexados dos seus documentos.
Aumentar: os trechos mais relevantes são enviados ao modelo junto com a pergunta.
Gerar: o modelo responde com base nesses trechos e indica quais documentos usou.

Como o índice fica fora do modelo, observam os autores do artigo, o conhecimento pode ser atualizado sem novo treinamento: você substitui um arquivo, indexa de novo e as respostas acompanham a mudança.

RAG, ChatGPT e fine-tuning: qual é a diferença

A diferença está em onde fica o conhecimento da empresa: o ChatGPT e outros assistentes gerais só conhecem o material público com que foram treinados, o fine-tuning (ajuste fino) incorpora conhecimento ou estilo ao próprio modelo, e o RAG mantém o conhecimento em uma biblioteca externa consultada a cada pergunta.

Um assistente geral não conhece as especificações dos seus produtos, as suas regras de preço nem as suas políticas. Enviar arquivos funciona como quebra-galho, mas sem uma versão única e atualizada e sem permissões por pessoa.
O fine-tuning treina o modelo de novo com os seus dados. Ajuda a fixar um formato, um tom ou uma tarefa específica, mas é uma forma ruim de guardar fatos: quando os documentos mudam, é preciso treinar de novo, e as respostas não conseguem apontar uma fonte. O próprio artigo do RAG observa que modelos puramente paramétricos precisam de mais treinamento para atualizar o conhecimento e têm dificuldade em mostrar de onde vem uma resposta.
O RAG passa a usar os documentos atualizados assim que eles são indexados de novo, cita as fontes e pode filtrar o conteúdo de acordo com quem pergunta.

Para a maioria das bases de conhecimento empresariais, comece pelo RAG e acrescente fine-tuning apenas se precisar de um formato ou de um tom específico.

Onde uma base de conhecimento com IA ajuda mais

O RAG funciona melhor com perguntas cuja resposta está escrita em algum lugar, mas perdida entre documentos demais: dúvidas internas (reembolso de despesas, suporte de TI, integração de novos funcionários), atendimento ao cliente com manuais, políticas de troca e histórico de chamados no seu site ou no WhatsApp (veja como criar um chatbot com IA para atendimento), material comercial como fichas técnicas, comparativos e cláusulas padrão, políticas e procedimentos de qualidade citados cláusula por cláusula, e manuais técnicos.

Dois tipos de tarefa não combinam bem com o RAG. Números em tempo real, como estoque ou status de pedido, devem vir direto dos seus sistemas, por exemplo por uma API ou por um servidor MCP ligado ao seu ERP, e não de uma planilha exportada que pode estar desatualizada. E revisar um contrato inteiro cláusula por cláusula não se resolve recuperando alguns trechos.

Como criar uma base de conhecimento com IA em seis passos

Criar uma base de conhecimento com IA leva seis passos: levantar e limpar o conteúdo, dividir e vetorizar, configurar a recuperação e o reranqueamento, aplicar permissões, citar as fontes, e avaliar e atualizar. Os dois primeiros definem o teto de qualidade.

1. Levante e limpe o conteúdo

Liste onde o conhecimento está (pastas compartilhadas, intranet, e-mail, sistemas de chamados), em quais formatos e quem o mantém. Remova versões antigas e duplicadas, passe OCR nos documentos escaneados, reorganize tabelas complexas e marque cada documento com departamento, nível de confidencialidade, região e data de vigência. Se os seus documentos se contradizem, a IA também vai se contradizer. Reúna ainda perguntas reais que as pessoas já fizeram, para usar nos testes.

2. Divida e vetorize

Os documentos são divididos em trechos (chunks), convertidos em vetores por um modelo de embeddings e armazenados em um banco de dados vetorial. Divida seguindo a estrutura do documento (títulos, cláusulas, pares de pergunta e resposta). Como referência, o serviço de recuperação da OpenAI (em inglês) usa por padrão trechos de 800 tokens com sobreposição de 400, e as configurações de trechos do Dify (em inglês) incluem um modo pai-filho, que busca com trechos pequenos mas devolve a seção inteira como contexto.

O problema mais comum é a perda de contexto. A pesquisa da Anthropic sobre Contextual Retrieval (em inglês) dá o exemplo de um trecho que diz que a receita cresceu 3% em relação ao trimestre anterior, sem dizer de qual empresa nem de qual trimestre. A solução é acrescentar a cada trecho o título do documento, a seção e uma breve descrição. Para conteúdo em vários idiomas, escolha um modelo de embeddings que suporte todos eles.

3. Recupere e reranqueie

A busca vetorial sozinha falha no que exige correspondência exata, como códigos de produto ou números de cláusula, por isso a maioria dos sistemas acrescenta busca por palavras-chave, como o BM25 (“busca híbrida”), e depois um modelo de reranqueamento (rerank). Nos testes da Anthropic com vários domínios de conhecimento, acrescentar contexto aos trechos reduziu em 35% a parcela de conteúdo relevante que ficava fora dos 20 primeiros resultados; somar a busca por palavras-chave, em 49%; e acrescentar o reranqueamento, em 67% (de 5,7% para 1,9%). As configurações de recuperação do Dify (em inglês) também oferecem busca vetorial, de texto completo e híbrida, com reranqueamento opcional.

4. Aplique permissões

As permissões precisam valer no momento da recuperação: os documentos são filtrados de acordo com quem pergunta antes de qualquer coisa chegar ao modelo, normalmente marcando-os com metadados como departamento ou nível de confidencialidade. O serviço de recuperação da OpenAI pode filtrar arquivos por atributos antes da busca semântica, e a filtragem por metadados do Dify (em inglês) restringe a recuperação por campos de metadados. Mantenha separadas a base de conhecimento voltada aos clientes e a interna. Um prompt que manda o modelo guardar segredo não é controle de acesso.

5. Cite as fontes

Toda resposta deve mostrar a sua fonte: documento, seção e, de preferência, um link. Instrua o modelo a responder apenas com os trechos recuperados e a dizer quando eles não cobrem a pergunta. As citações geram confiança e mostram qual documento corrigir quando uma resposta estiver errada; no Dify, esse recurso se chama “Citation and Attribution”.

6. Avalie e mantenha a base atualizada

Antes do lançamento, teste com as suas perguntas reais: o documento certo foi recuperado, a resposta está correta, a citação é precisa? Depois, revise as perguntas sem resposta e as respostas pouco úteis e faça ajustes. Defina um responsável para cada conjunto de documentos, indexe de novo quando os arquivos mudarem e retire os documentos vencidos.

Plataforma, sob medida ou nos seus servidores: como escolher

A arquitetura certa depende da rapidez com que você quer fazer um piloto, da sensibilidade dos dados e do nível de integração que a base de conhecimento precisa ter com os seus sistemas.

Plataformas low-code (como Dify ou Coze) permitem enviar arquivos e configurar a recuperação em uma interface visual, o que serve para protótipos, pilotos e casos de uso padrão. O Dify e o Coze Studio (em inglês), a edição de código aberto do Coze, podem ser instalados nos seus servidores com Docker (veja o guia de Docker Compose do Dify, em inglês). Confira as licenças: o Coze Studio usa Apache 2.0, enquanto a licença do Dify acrescenta condições à Apache 2.0, como exigir uma licença comercial para operar um serviço multilocatário. Modelos de permissão complexos ou integrações profundas podem ir além do que uma plataforma suporta. A nossa comparação n8n vs Dify vs Coze mostra em que cada plataforma se destaca.

O desenvolvimento sob medida significa construir você mesmo o pipeline (leitura dos arquivos, divisão em trechos, banco vetorial, recuperação híbrida, permissões) dentro do seu ERP, CRM, intranet ou site. Dá o maior controle e reaproveita os logins e perfis que você já tem, ao custo de um investimento inicial maior e de manutenção contínua.

Rodar nos seus servidores (IA local ou privada) significa usar modelos de pesos abertos em servidores próprios ou em uma nuvem dedicada, de modo que documentos e perguntas não saem da empresa. Opções comuns incluem DeepSeek e Qwen: o código e os pesos do DeepSeek-R1 (em inglês) têm licença MIT, e o projeto afirma que eles permitem uso comercial; a equipe do Qwen3 (em inglês) informa que os seus modelos de pesos abertos são licenciados sob Apache 2.0. Confira a licença de cada modelo: as versões destiladas do DeepSeek-R1 são construídas sobre modelos Qwen ou Llama, e o projeto remete às licenças originais desses modelos base. O hardware depende do tamanho: o DeepSeek-R1 completo tem 671 bilhões de parâmetros, enquanto as versões destiladas oficiais vão de 1,5 a 70 bilhões e são bem mais leves; teste-as com as suas próprias perguntas.

As opções se combinam bem, por exemplo um Dify instalado nos seus servidores conectado a um modelo aberto local.

Do que depende o custo de uma base de conhecimento com IA

Não existe preço padrão: o custo é formado por trabalho pontual e por custos recorrentes.

Pontual: preparação do conteúdo (a parte mais subestimada, que cresce com fontes espalhadas, documentos escaneados e tabelas), configuração ou desenvolvimento, integrações como login único (SSO), site, WhatsApp ou CRM, e testes e ajustes.
Recorrente: uso do modelo (tarifas por token na nuvem, ou compra ou aluguel de servidores com GPU se for local), chamadas de embeddings e de reranqueamento (a documentação do Dify observa que o reranqueamento consome tokens do modelo de rerank), armazenamento vetorial, assinaturas ou licenças de plataforma, e operação: servidores, atualizações de segurança, manutenção do conteúdo e monitoramento.

Os principais fatores são o volume e a complexidade dos documentos, o número de usuários e de perguntas, as permissões, os idiomas, o modelo de implantação e a precisão exigida. Faça um piloto com um departamento, meça o custo real por resposta e depois decida se vale ampliar.

Segurança dos dados: permissões, conformidade e envenenamento

Uma base de conhecimento com IA concentra informações da empresa em um só lugar, por isso a segurança precisa ser pensada desde o início.

Permissões: o OWASP Top 10 para aplicações com LLM 2025 (em inglês) lista as fraquezas de vetores e embeddings como um risco: controles de acesso fracos expõem conteúdo sensível, e equipes ou clientes que compartilham o mesmo banco vetorial podem ver os dados uns dos outros. A OWASP recomenda bancos vetoriais que respeitem permissões e registros detalhados da atividade de recuperação.
Dados pessoais: para dados pessoais de pessoas na UE, o RGPD (o regulamento europeu de proteção de dados, conhecido em inglês como GDPR) exige tratar apenas o necessário (artigo 5), segurança adequada ao risco (artigo 32), um contrato com qualquer fornecedor que trate dados em seu nome (artigo 28) e transferências lícitas para fora da UE (capítulo V). Muitos casos de uso não precisam de nenhum dado pessoal.
Envenenamento: o exemplo da OWASP é um currículo com texto oculto, branco sobre fundo branco, que manda a IA recomendar o candidato, enviado a um sistema de recrutamento que faz a triagem de currículos com RAG. Indexe apenas fontes confiáveis e revise o que é enviado.
Termos dos fornecedores: com modelos na nuvem, confirme se os dados são usados para treinamento, onde ficam armazenados e por quanto tempo, e defina um prazo de retenção para os registros de conversa. Para os assistentes de uso diário, o nosso comparativo ChatGPT vs Claude vs Gemini para empresas resume como cada plano empresarial trata o treinamento com os seus dados e onde eles ficam armazenados.

Erros comuns

Jogar todos os arquivos na base: documentos desatualizados e contraditórios pioram as respostas.
Esperar que o RAG acabe com as alucinações: ele as reduz, mas não as elimina; faça o modelo admitir quando não sabe e revise as respostas importantes.
Usar só busca vetorial: códigos e nomes próprios se perdem.
Deixar as permissões para depois: informação vazada não pode ser recolhida.
Usar RAG quando não precisa: a Anthropic observa que uma base de conhecimento com menos de 200 mil tokens (cerca de 500 páginas) pode simplesmente ir inteira no prompt, se a janela de contexto do modelo comportar.
Nenhum conjunto de testes e nenhum responsável: ninguém consegue saber se a qualidade melhora, e o conteúdo fica desatualizado.

Perguntas frequentes

Como criar uma base de conhecimento com IA para a empresa?

Uma base de conhecimento com IA se cria em seis passos: levantar e limpar os documentos, dividi-los em trechos e vetorizá-los, recuperar com busca híbrida e reranqueamento, filtrar pelas permissões de cada usuário, citar as fontes em toda resposta, e avaliar com perguntas reais mantendo o conteúdo atualizado. A empresa prepara os documentos com um responsável para cada um, um conjunto de perguntas reais e as regras de quem pode ver o quê.

Qual a diferença entre RAG e fine-tuning?

O RAG busca trechos em uma biblioteca externa de documentos no momento da pergunta, então documentos atualizados passam a valer assim que são indexados de novo e as respostas podem citar fontes. O fine-tuning treina o modelo de novo com os seus dados; serve para um formato, um tom ou uma tarefa específica, mas fatos alterados exigem novo treinamento e as respostas não conseguem apontar uma fonte. A maioria das bases de conhecimento empresariais começa pelo RAG.

Uma base de conhecimento com IA pode rodar só nos nossos servidores?

Sim. A plataforma (por exemplo, um Dify ou um Coze Studio instalado por você), o banco de dados vetorial e um modelo de pesos abertos, como DeepSeek ou Qwen, podem rodar nos seus próprios servidores ou em uma nuvem dedicada, de modo que documentos e perguntas ficam dentro da empresa. Nesse caso, você fornece e opera o hardware com GPU; por isso, confira a licença de cada modelo e teste primeiro modelos menores com as suas próprias perguntas.

A UsualMatrix cria bases de conhecimento com IA para empresas do mundo todo, em uma plataforma low-code, sob medida ou com modelos de código aberto nos seus próprios servidores, e pode conectá-las ao atendimento com IA no seu site ou no WhatsApp. Trabalhamos em chinês, espanhol e inglês. Conheça o nosso serviço de soluções de inteligência artificial ou fale com a gente para conversar sobre os seus documentos e casos de uso.

Observação: as informações sobre o RGPD neste artigo são gerais, atualizadas na data de publicação, e não constituem aconselhamento jurídico. Os recursos e as licenças de terceiros mudam; confira a documentação oficial de cada fornecedor.