A tua IA não conhece o teu negócio. O RAG corrige isso

Há muita gente a ensinar a ligar o n8n a um modelo de IA e a chamar a isso um assistente. Na demonstração funciona. Em produção, e isto é a minha experiência, é aqui que a maioria dos chatbots falha: o modelo responde com o que aprendeu na internet, não com o que o teu negócio sabe.

O chatbot é só a parte visível do problema. A causa está por baixo, e a solução serve para muito mais do que atendimento.

O problema não é o modelo

Um modelo de linguagem não conhece os teus preços atuais, os teus contratos, os procedimentos da tua equipa nem o histórico dos teus clientes. Isso nunca fez parte do que ele aprendeu.

E quando não sabe, não diz "não sei". Produz a resposta que soa mais provável. Daí saem três falhas que se repetem:

• Inventa. Um prazo de entrega, uma condição de garantia, uma funcionalidade que não existe, tudo dito com confiança.
• Está desatualizado. O que o modelo aprendeu tem data de corte. A tua tabela de preços mudou depois disso.
• Não vê o que é privado. Procedimentos internos, propostas antigas e contratos nunca estiveram ao seu alcance.

Uma resposta errada dita com confiança é pior do que nenhuma resposta.

O que é o RAG, em um minuto

RAG quer dizer Retrieval-Augmented Generation: geração aumentada por pesquisa. A forma mais simples de o perceber é a diferença entre um exame de memória e um exame com consulta. Em vez de pedires ao modelo que responda de cabeça, entregas-lhe os documentos certos no momento da pergunta.

1. Antes de tudo: os teus documentos são partidos em trechos e indexados, para se poder pesquisar por significado e não só por palavra exata.
2. Alguém pergunta.
3. O sistema pesquisa e encontra os trechos mais relevantes.
4. O modelo recebe a pergunta mais esses trechos e é instruído a responder apenas com base neles.
5. A resposta vem com a fonte, para quem lê poder confirmar.

O n8n não é o problema

O n8n continua a ser uma excelente cola para ligar sistemas. A diferença entre um assistente que inventa e um que acerta está no passo do meio: o que acontece entre a pergunta e o modelo.

Na prática, a parte difícil nunca é chamar o modelo. É garantir que a pesquisa traz os trechos certos.

Onde o RAG se aplica (para lá do chatbot)

A ideia serve em qualquer sítio onde alguém perde tempo a procurar informação ou a responder à mesma pergunta pela décima vez. Estes são exemplos de aplicação da técnica, não casos de clientes:

Aplicação	O RAG vai buscar a…	O que muda
Atendimento ao cliente	FAQ, políticas, catálogo	Respostas consistentes, com a política atual, em vez de improviso
Equipa interna	Procedimentos, wiki, manuais	Quem entra na equipa pergunta ao sistema em vez de interromper o colega mais sénior
Propostas e concursos	Propostas antigas, casos, fichas técnicas	Um primeiro rascunho a partir do que a empresa já escreveu e aprovou
Contratos e documentos legais	Contratos, cláusulas, políticas	Encontrar a cláusula certa em segundos. A decisão continua a ser de uma pessoa
Equipas técnicas	Documentação, tickets, decisões de arquitetura	Menos tempo a perguntar "porque é que isto foi feito assim?"
Comercial	CRM, notas de reunião, emails	Preparar uma reunião sem reler trinta emails

Porque é que isto baixa custos

Não vou pôr aqui percentagens, porque dependem do volume e do caso. O que se pode explicar é o mecanismo:

1. Menos horas a procurar e a repetir. As perguntas repetidas deixam de consumir o tempo de quem sabe a resposta.
2. Menos texto enviado ao modelo por pergunta. Em vez de colar documentos inteiros no pedido, só seguem os trechos relevantes. Pagas pelo contexto que interessa.
3. Um modelo mais pequeno chega, muitas vezes. Quando a resposta já está nos trechos, o modelo tem de a ler e redigir, não de a saber. Em muitos casos um modelo mais barato basta, mas isso mede-se, não se assume.
4. Atualizar é trocar um documento. Mudou um preço? Muda no documento e entra no índice. Não há re-treino de modelo.
5. Menos erros caros. Uma resposta errada a um cliente pode virar reembolso, reclamação ou perda de confiança. Com a fonte à vista, qualquer resposta pode ser verificada.

Onde o RAG também falha

Convém saber isto antes de investir:

• Documentos maus dão respostas más. O RAG não corrige informação desatualizada ou contraditória. Mostra-a, e muitas vezes é a primeira vez que alguém a vê.
• A pesquisa pode trazer os trechos errados. Nesse caso o modelo responde muito bem ao trecho errado, e a resposta parece convincente.
• Sem medição não sabes se funciona. É preciso um conjunto de perguntas reais, com a resposta certa conhecida, para testar antes e depois de cada alteração.
• Há RGPD. Se os documentos contêm dados pessoais, é preciso pensar em base legal, minimização (não indexar o que não é necessário), controlo de acesso (cada pessoa só deve obter o que já podia ver), onde corre o modelo, se há transferência de dados para fora da UE e durante quanto tempo se guarda o quê.

Como começar sem queimar dinheiro

1. Escolhe uma pergunta que se repete muito e identifica a fonte de verdade onde está a resposta.
2. Junta algumas dezenas de perguntas reais, com a resposta certa.
3. Monta o mínimo e mede. Acerta? Cita a fonte? Diz "não sei" quando não sabe?
4. Só depois automatiza e alarga. É aí que o n8n e as integrações entram.

---

Se tens documentos ou dados internos e queres perceber se o RAG faz sentido no teu caso, fala connosco. E se já tens um sistema de IA em produção que ninguém reviu, o primeiro passo é uma auditoria e correção de apps feitas com IA.