O que é RAG no financeiro (a IA que lê os seus documentos)

Resposta direta

RAG (geração aumentada por recuperação) é a técnica em que a IA busca informação nos seus documentos antes de responder, em vez de responder só de cabeça. Primeiro ela recupera os trechos relevantes (de um contrato, do plano de contas, da política de fechamento); depois gera a resposta com base neles, podendo citar a fonte. No financeiro, é o que faz a IA responder com o seu dado, não com um palpite genérico, e reduz a chance de alucinar.

Em linguagem de operador

Pense em dois analistas respondendo “qual o prazo de reajuste deste contrato?”. O primeiro responde de cabeça, do que lembra. Às vezes acerta, às vezes mistura com outro contrato e fala com a mesma segurança. O segundo abre a pasta, acha a cláusula, lê e responde com o documento na mão: “cláusula 7, reajuste anual por IPCA, página 4”. O segundo é o que você quer perto de dinheiro, e é o que o RAG faz com a IA.

Sem RAG, a IA responde com o que “aprendeu” no treinamento, um conhecimento geral que não inclui os seus contratos nem o seu plano de contas, e quando não sabe, ela inventa com confiança. Com RAG, antes de gerar a resposta, ela faz uma busca na sua base, pega os trechos certos e responde a partir deles. A diferença prática é enorme: deixa de ser “o que a IA acha sobre o assunto” e passa a ser “o que o seu documento diz”, com a fonte para você conferir.

Um ponto que confunde e vale fixar: RAG não é treinar a IA. Subir um documento para ela consultar não muda o modelo; dá a ele um material para ler na hora da pergunta. É a diferença entre decorar um livro e poder consultá-lo na prova. RAG é a prova de livro aberto.

E há uma consequência prática nessa diferença que pesa no dia a dia do financeiro. Como o documento é lido na hora, atualizar a base é trocar o arquivo, não retreinar nada. Assinou um aditivo, mudou a política de fechamento, entrou um fornecedor novo? Você substitui o documento e a próxima pergunta já responde com a versão nova. Num setor em que cláusula muda, regra muda e prazo muda o tempo todo, essa é a propriedade que torna o RAG viável de manter por quem opera, e não só por quem programa.

Na prática (exemplo BR)

Imagine 200 contratos de fornecedor numa pasta e a pergunta do fechamento: “quais reajustam por IPCA e qual vence primeiro?”. Sem RAG, você colaria contrato por contrato no chat (estoura a janela) ou perguntaria de cabeça e receberia um chute. Com RAG montado sobre essa pasta, a IA busca nos 200, recupera as cláusulas de reajuste e de vigência, e devolve a lista: o contrato, a cláusula, a data e a página. Você confere na fonte, não na memória dela.

O mesmo vale para a sua base de conhecimento: com o plano de contas e a política de fechamento indexados, a IA classifica um lançamento citando a regra que usou (“conta 4.1.2 conforme a política, item 3”), em vez de inventar uma categoria. A resposta vem aterrada no seu documento, e a citação é o que te deixa auditar.

Vale ver o que acontece por baixo nesses 200 contratos, porque é aí que mora a diferença entre um RAG que serve e um que engana. Os contratos não entram inteiros na busca. Cada um é cortado em pedaços e a busca acontece pedaço a pedaço. Quando você pergunta por reajuste, a IA não lê os 200 do começo ao fim: ela vai direto aos pedaços que falam de reajuste, em qualquer um dos arquivos, e trabalha só com esses. É o que torna a pergunta viável sobre uma pasta que jamais caberia inteira numa conversa. E é também onde nasce o risco: se o corte separou a cláusula do número que a qualifica, o pedaço recuperado pode dizer “reajuste anual” sem o índice ao lado, e a resposta sai pela metade.

Agora a parte honesta, que a maioria dos tutoriais pula. RAG de verdade não é “subir PDF e perguntar”. Um bom pipeline tem várias etapas: quebrar os documentos em pedaços (chunks), transformar cada pedaço em vetor para busca por significado, recuperar os trechos mais próximos da pergunta, reordenar por relevância (reranking) e só então gerar a resposta com citação. Cada etapa é uma decisão de engenharia, e várias são chamadas de modelo que custam tempo e dinheiro. Quem só “sobe o PDF” pega o RAG ingênuo, que recupera o trecho errado e responde com confiança sobre a base errada. A qualidade da resposta se decide antes de a IA escrever a primeira palavra, na qualidade da busca.

Cada etapa dessas resolve um problema concreto. O corte em pedaços existe porque documento inteiro não cabe e porque a busca fica mais precisa em trecho curto. O vetor existe para a busca achar pelo significado, e não só pela palavra exata: pergunta sobre “correção monetária” tem que alcançar a cláusula que diz “reajuste por índice”, mesmo sem repetir a palavra. A recuperação traz os candidatos; o reranking reordena para o trecho realmente certo ficar no topo, porque o primeiro resultado da busca nem sempre é o melhor. E a citação no fim é o que transforma a resposta de “confie em mim” em “olhe a página e confira”. Tirar qualquer uma dessas etapas degrada o resultado de um jeito específico, e quase sempre o sintoma aparece como resposta confiante e errada.

Onde ajuda e onde quebra

Ajuda onde a resposta tem que vir do seu documento, com fonte. Contrato, política, plano de contas, manual de fechamento, histórico de decisões: tudo que é específico da sua empresa e muda com o tempo é caso de RAG, não de treinar modelo. O ganho não é só precisão, é a citação que permite conferir e auditar. Em finanças, resposta sem fonte rastreável não vale.

Quebra quando a busca é ruim. O ponto fraco do RAG não é a IA escrever, é a IA recuperar. Se o documento foi quebrado em pedaços ruins, se falta organização, se a busca traz o trecho parecido mas errado, a resposta sai confiante e furada. “Recuperação ruim gera alucinação fundamentada”, que é pior, porque parece embasada. A maior parte do trabalho de um RAG sério está em acertar a busca, não o texto.

Tem custo e latência reais. Cada pergunta dispara uma cadeia de etapas, e várias são chamadas de modelo. Um RAG completo (busca, reranking, geração, verificação) é mais lento e mais caro que uma pergunta simples. Para volume, isso conta na fatura. Vale onde a precisão paga o custo; não vale para uma dúvida avulsa que um prompt resolve.

Quebra também quando o documento de origem é ruim. RAG só recupera o que existe no arquivo, e do jeito que está no arquivo. PDF escaneado torto, planilha sem cabeçalho, contrato com cláusula numa imagem em vez de texto: tudo isso vira pedaço ilegível na hora do corte, e o que entra ruim sai ruim. Antes de culpar a IA por uma resposta furada, vale abrir o documento e perguntar se um humano acharia a informação ali com facilidade. Se nem você acha, a busca também não vai achar.

Não substitui o motor determinístico. RAG melhora o que a IA responde a partir de texto. Ele não faz a conta. Conciliar valor e data continua sendo trabalho de um motor de cálculo dentro de uma skill, não de recuperação de documento. Use RAG para “o que o contrato diz”, e o motor para “as contas batem”. São camadas diferentes.

Perguntas relacionadas

O que significa RAG em inteligência artificial?

RAG é a sigla de retrieval-augmented generation, ou geração aumentada por recuperação. É a técnica em que a IA busca informação em uma base externa (seus documentos) antes de gerar a resposta, em vez de responder só com o que aprendeu no treinamento. O resultado é uma resposta aterrada no seu dado, geralmente com a fonte citada.

Qual a diferença entre RAG e treinar a IA?

Treinar (ou fazer fine-tuning) muda o modelo, ajustando seus parâmetros com os seus dados. RAG não toca no modelo: dá a ele um material para consultar na hora da pergunta. É a diferença entre decorar e consultar. Para documentos que mudam (contratos, políticas), RAG é mais barato, mais rápido de atualizar e permite citar a fonte.

RAG elimina a alucinação da IA?

Reduz, não elimina. Ao responder a partir do documento recuperado, a IA tem menos espaço para inventar. Mas se a busca trouxer o trecho errado, ela pode gerar uma resposta confiante sobre a base errada. Por isso, em finanças, a citação da fonte continua sendo obrigatória: ela é o que te deixa conferir se a resposta veio do lugar certo.

Preciso de RAG ou de uma base de conhecimento simples?

Uma base de conhecimento (como um Project com os seus arquivos) já usa uma forma de recuperação por baixo. “RAG” é o nome da engenharia que faz isso funcionar bem em escala e com qualidade. Para poucos documentos, a base simples resolve. Para muitos documentos e respostas que precisam de fonte confiável, vale entender o RAG por trás.

RAG funciona com dados financeiros sensíveis?

Pode funcionar de forma privada. Como o RAG consulta uma base que você controla, os documentos podem ficar numa base segura, sem virar treinamento de um modelo de terceiro. O cuidado é onde a base e o processamento rodam: o princípio de manter o dado sensível sob o seu controle vale aqui como em qualquer uso de IA no financeiro.

Por que meu RAG responde errado às vezes?

Quase sempre o problema é a recuperação, não a geração. Pedaços de documento mal cortados, falta de organização, ou uma busca que traz o trecho parecido mas errado fazem a IA responder com confiança sobre a base errada. Melhorar um RAG é, na prática, melhorar a busca: como os documentos são divididos, indexados e reordenados antes de a IA escrever.

Próximo passo

RAG é o primeiro degrau do “mais fundo”: é o que faz a IA responder com o seu documento. Para ver onde ele entra no mapa completo, do chão ao avançado, comece pelo guia de IA para finanças.

Quando o trabalho for casar números, e não ler documento, a precisão vem de outra camada: a skill de conciliação da Trilha Tesouraria roda o motor determinístico localmente, com o seu extrato sem sair da máquina.