O conhecimento de uma empresa raramente está em um único lugar. Políticas ficam em arquivos, negociações no CRM, pedidos no ERP, procedimentos na intranet e decisões em mensagens. Uma pergunta aparentemente simples — “por que este cliente ainda não recebeu o reembolso?” — pode exigir consulta a cinco fontes e interpretação de datas, regras e eventos.
O RAG tradicional melhora as respostas de modelos de linguagem ao recuperar trechos relevantes antes da geração. O RAG agêntico dá um passo além: a IA decompõe a pergunta, escolhe fontes, executa múltiplas consultas, compara resultados e pode pedir novos dados quando encontra lacunas. O resultado não é apenas uma resposta fluente, mas uma investigação rastreável.
Do RAG tradicional ao RAG agêntico
Em um pipeline clássico, a pergunta vira uma consulta vetorial, os trechos mais próximos são enviados ao modelo e ele formula a resposta. Essa abordagem funciona bem para perguntas diretas dentro de uma coleção consistente.
Questões empresariais costumam ser compostas. Para responder “quais contratos serão reajustados no próximo trimestre e quais clientes têm chamados críticos?”, é preciso identificar o período, localizar contratos, extrair cláusulas, consultar chamados e cruzar clientes. Uma única busca semântica não resolve toda a tarefa.
No RAG agêntico, um planejador cria subconsultas e decide se deve usar busca textual, vetorial, filtros, SQL ou API. A documentação atual do Azure AI Search descreve exatamente esse padrão: planejamento baseado em modelo, múltiplas fontes, respostas estruturadas e síntese com referências.
Como funciona uma arquitetura de busca empresarial
1. Fontes conectadas e inventariadas
Documentos, páginas internas, CRM, ERP, banco de dados e armazenamento recebem conectores próprios. Cada item mantém origem, proprietário, data de atualização, classificação e permissões. Sem essa camada, a IA pode responder com conteúdo desatualizado ou mostrar informação a quem não deveria.
2. Ingestão e enriquecimento
Arquivos são extraídos, divididos em unidades coerentes e enriquecidos com metadados. Tabelas, títulos e relações precisam permanecer ligados ao contexto. Para dados operacionais, a consulta direta pode ser melhor do que copiar tudo para um índice.
3. Planejamento da pergunta
O agente identifica intenção, entidades, intervalo de tempo e lacunas. Ele pode transformar uma pergunta em subconsultas independentes e escolher a ferramenta adequada para cada uma. O plano deve ter limites de passos, fontes e custo.
4. Recuperação híbrida
Busca por palavra encontra códigos e nomes exatos; vetores encontram semelhança de significado; filtros restringem empresa, período e status. Combinar essas técnicas costuma produzir resultados melhores do que depender de uma única forma de pesquisa.
5. Síntese com evidências
A resposta precisa apontar documentos, registros e datas usados. Se duas fontes discordarem, o sistema deve expor a divergência ou pedir revisão, não escolher silenciosamente a versão mais conveniente.
Exemplo prático: suporte técnico conectado ao ERP
Um atendente pergunta: “este equipamento ainda está na garantia e qual procedimento devo seguir?”. O agente identifica cliente e produto no CRM, consulta a venda no ERP, encontra o termo de garantia correspondente ao modelo e recupera o procedimento técnico vigente.
A resposta informa a situação, cita a nota e a cláusula e sugere a próxima ação. Se o número de série estiver ausente ou houver duas vendas possíveis, o agente não inventa: apresenta a dúvida e solicita confirmação. Depois da aprovação, pode abrir a ordem de serviço por integração.
Casos de uso comerciais
- Atendimento: responder com base em contrato, histórico e política atual.
- Vendas: localizar propostas semelhantes, requisitos e objeções já resolvidas.
- Operações: consultar procedimentos e cruzá-los com o estado real do pedido.
- Jurídico: pesquisar cláusulas e obrigações com referência ao documento original.
- RH: explicar políticas conforme país, unidade e perfil do colaborador.
- Gestão: combinar indicadores estruturados com justificativas presentes em relatórios.
Permissões não podem ser adicionadas depois
O índice de busca não deve virar uma cópia sem controle de todo o conhecimento corporativo. A autorização precisa acompanhar cada documento e ser verificada no momento da consulta. Se o usuário não pode abrir o arquivo original, também não pode receber um resumo dele.
Além do perfil, considere empresa, departamento, finalidade e sensibilidade. Registre quem perguntou, quais fontes foram acessadas e que resposta foi gerada. Para dados pessoais, aplique minimização, retenção e mascaramento conforme a LGPD.
Como reduzir respostas inventadas
- exija referências para afirmações empresariais;
- separe conteúdo recuperado de instruções ao agente;
- defina prioridade e validade das fontes;
- use regras determinísticas para cálculos e decisões críticas;
- recuse responder quando a evidência for insuficiente;
- avalie perguntas reais, ambíguas e adversariais;
- mostre data e origem ao usuário final.
RAG reduz alucinações, mas não as elimina. O modelo pode interpretar mal um trecho correto ou unir fatos incompatíveis. Por isso, as avaliações devem medir tanto recuperação quanto fidelidade da resposta às evidências.
RAG agêntico ou integração direta?
Busca é adequada para conhecimento disperso e perguntas variáveis. Processos previsíveis, como consultar saldo ou atualizar status, devem usar API com campos e regras definidos. Na prática, uma solução madura combina ambos: o agente pesquisa para entender e chama uma integração para agir.
Também não é obrigatório começar com muitos agentes. Um pipeline simples, com boa indexação e permissões corretas, pode entregar mais valor que uma arquitetura complexa. Adicione planejamento agêntico quando as perguntas realmente exigirem várias etapas ou fontes.
Métricas que importam
- Recall da recuperação: a evidência necessária apareceu entre os resultados?
- Precisão das fontes: os trechos recuperados eram relevantes e válidos?
- Fidelidade: cada afirmação é sustentada pelas referências?
- Resolução: a resposta ajudou a concluir a tarefa?
- Latência e custo: quantas consultas e tokens foram necessários?
- Incidentes de acesso: houve tentativa ou exposição indevida?
Como iniciar com um piloto útil
- Escolha uma área com perguntas repetidas e fontes conhecidas.
- Liste documentos, sistemas, responsáveis e permissões.
- Crie um conjunto de perguntas reais com respostas verificadas.
- Implemente busca híbrida e citações antes da automação de ações.
- Teste ausência, conflito e conteúdo malicioso.
- Integre uma ação de baixo risco e mensure o resultado.
A ProativaIA desenvolve soluções de inteligência artificial e automação, integra dados e sistemas e cria software sob medida. Podemos transformar documentos, CRM e ERP em uma busca segura, citada e conectada aos processos da sua empresa.