IA nos próprios documentos da empresa (RAG), também em húngaro

Segundo a Mesterséges Intelligencia Központ Kft., empresa de desenvolvimento de software de Budapeste, é o RAG que dá respostas verificáveis a partir dos documentos da empresa: o sistema começa por procurar os excertos relevantes, e o modelo responde com base neles, com a fonte, também em húngaro.

Em resumo: não é preciso treinar o modelo com os dados da própria empresa: o RAG entrega-lhe os excertos relevantes no momento da pergunta, e a resposta indica a fonte. A qualidade depende da organização dos documentos, da precisão da pesquisa e da medição contínua; funciona também em húngaro, mas tem de ser medida com as perguntas em húngaro da própria empresa.

O que é o RAG, e de onde vem o termo?

RAG é a sigla de retrieval-augmented generation, em português, aproximadamente, geração aumentada por recuperação. O termo tem origem num artigo publicado em 2020 por Patrick Lewis e coautores, intitulado «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». Os autores combinaram a chamada memória paramétrica de um modelo de linguagem pré-treinado com uma memória não paramétrica: um índice vetorial denso da Wikipédia, acedido através de um recuperador neural.

Hoje, o termo designa, em sentido mais amplo, a solução em que o sistema, para cada pergunta, começa por procurar os excertos necessários numa coleção de documentos, e o modelo de linguagem formula a resposta com base neles. O conhecimento próprio do modelo não muda no processo: o material da empresa é-lhe entregue no momento da pergunta. Daí resultam as três vantagens práticas do RAG: o conhecimento pode ser atualizado de imediato, a resposta pode indicar a sua fonte, e a pesquisa pode ser filtrada para aquilo que quem pergunta pode ver.

Como funciona? Seis passos

Recolha: reunimos as fontes num só lugar: repositório de documentos, wiki, sistema de tickets, uma parte selecionada do correio eletrónico.
Divisão: os documentos longos são divididos em partes mais pequenas, de alguns parágrafos (chunks). O serviço de pesquisa da OpenAI, por exemplo, cria por predefinição fragmentos de até 800 tokens, com uma sobreposição de 400 tokens.
Embedding: um modelo de embeddings transforma cada fragmento numa sequência de números, um vetor. Segundo a descrição da OpenAI, uma pequena distância entre os vetores indica uma grande afinidade de conteúdo, e uma grande distância, uma pequena afinidade.
Pesquisa: o mesmo modelo transforma a pergunta num vetor, e o sistema procura os fragmentos mais próximos dela. Na sua descrição do Contextual Retrieval, a Anthropic complementa a pesquisa por significado com a pesquisa literal por palavras-chave BM25, porque esta encontra melhor os termos exatos (por exemplo, identificadores), e depois um passo de reordenação (reranker) passa ao modelo apenas os fragmentos mais relevantes.
Filtragem e composição: dos fragmentos encontrados, ficam apenas aqueles que quem pergunta também pode ver, e são estes que chegam ao modelo, juntamente com a pergunta.
Resposta com indicação da fonte: o modelo responde a partir dos excertos recebidos e indica de onde tirou cada afirmação. A funcionalidade de citações da Anthropic aponta para o número de página nos PDF e para a posição dos caracteres no texto simples; a pesquisa de ficheiros da OpenAI acrescenta à resposta uma anotação que remete para o ficheiro de origem.

Na divisão, um erro comum é o fragmento perder o seu contexto; a Anthropic também alerta para isso na mesma descrição. Uma frase como «O prazo conta a partir da data de receção» não diz, por si só, de que contrato e de que prazo se trata. Por isso, vale a pena acrescentar a cada fragmento o título do documento, o título da secção e a data, para que tanto a pesquisa como o modelo vejam o seu contexto.

RAG ou ajuste fino?

O ajuste fino (fine-tuning) é o treino adicional do modelo com dados específicos da tarefa. Segundo o guia da OpenAI sobre a precisão, o RAG fornece o contexto especializado de que a tarefa precisa e é necessário quando o conhecimento do modelo está desatualizado ou quando a tarefa exige informação própria da empresa; o ajuste fino ajuda quando o resultado do modelo é inconsistente ou tem o formato ou o tom errados. Segundo o guia, os dois métodos complementam-se e podem também ser usados em conjunto.

Critério	RAG	Ajuste fino
Para que serve	para entregar o conhecimento da empresa no momento da pergunta	para uniformizar o comportamento, a forma e o tom do modelo
Conhecimento atualizado	válido assim que o índice é atualizado, depois de o documento mudar	exige novo treino
Indicação da fonte	a resposta pode apontar para o excerto encontrado	o conhecimento que passou para os pesos do modelo não tem indicação de fonte
Permissões	podem ser filtradas por documento	o conhecimento treinado é o mesmo para todos os utilizadores
Retirada de um documento	o documento sai do índice	o seu efeito só desaparece com novo treino
Quando compensa	nos documentos da empresa, é quase sempre o ponto de partida	se o problema for a consistência da forma ou do tom, a par do RAG

Para os documentos da empresa, o RAG é, por isso, o ponto de partida natural. A pergunta «é preciso treinar o modelo?» significa, na maior parte das vezes, na realidade: como recebe o modelo o conhecimento da empresa? E a resposta a isso é o RAG.

Também em húngaro? Suporte linguístico e material em várias línguas

O modelo que responde

Os modelos dos grandes fornecedores compreendem e escrevem bem em húngaro, mas as medições de desempenho linguístico que publicam nem sempre abrangem o húngaro. A página de suporte multilingue da Anthropic publica resultados para 14 línguas além do inglês, e o húngaro não está entre elas (verificado em 17 de outubro de 2026); a página sublinha, no entanto, que o Claude pode ser usado em muitas línguas para além das que constam da tabela, recomenda testar nas línguas relevantes para a aplicação e fixar a língua da resposta nas instruções de sistema. É também a nossa experiência: o assistente de IA da nossa página inicial, baseado no Claude, conversa em húngaro e em mais 13 línguas, mas medimos cada nova utilização com perguntas em húngaro.

O modelo de embeddings

A qualidade da pesquisa depende pelo menos tanto do modelo de embeddings como do modelo que responde. Entre os grandes fornecedores (verificado em 17 de outubro de 2026):

segundo a documentação, o modelo Gemini Embedding 2 da Google funciona em mais de 100 línguas;
a Anthropic não oferece um modelo de embeddings próprio, mas menciona os modelos da Voyage AI, dos quais o voyage-4 está otimizado para a pesquisa geral e multilingue;
o guia de embeddings da OpenAI apresenta os modelos text-embedding-3, mas não enumera as línguas suportadas.

Por isso, escolhemos o modelo de embeddings com base nos pares pergunta–documento em húngaro da própria empresa, e não nas medições gerais do fornecedor.

Especificidades húngaras

Flexão: «szerződés», «szerződésben» e «szerződéseinkről» (contrato, no contrato, sobre os nossos contratos) referem-se à mesma coisa, mas a pesquisa literal por palavras-chave, sem redução ao radical, não as considera uma correspondência. A pesquisa por significado ajuda aqui, e a pesquisa híbrida combina as duas.
Termos técnicos e nomes internos: as abreviaturas, os códigos de produto e as designações internas da empresa não fazem parte do conhecimento geral do modelo; um pequeno glossário melhora muito a pesquisa.
Material em várias línguas: se a pergunta estiver em húngaro e o manual em inglês, é necessário um modelo de embeddings multilingue, e a língua da resposta tem de ser fixada; a citação da fonte mantém-se na língua original.
Formulação do dia a dia: os erros de escrita, as perguntas escritas sem acentos e as expressões coloquiais também têm de ser incluídos nas perguntas de teste.

Com que documentos pode trabalhar?

Fonte	A que prestar atenção
PDF com texto	processa-se bem; a indicação da fonte pode apontar também para o número de página
PDF digitalizado	primeiro é preciso reconhecimento de texto (OCR): segundo a documentação da Anthropic, um PDF digitalizado sem texto extraível não pode ser citado
Word e Excel	a Anthropic recomenda converter os ficheiros DOCX e XLSX em texto, e a pesquisa de ficheiros da OpenAI aceita também DOCX diretamente; a estrutura das tabelas tem de ser preservada
Wiki e intranet	deve contar a versão em vigor, e as páginas antigas devem ir para arquivo
Tickets, helpdesk	contêm muitos dados pessoais e soluções desatualizadas, pelo que têm de ser filtrados
E-mails	só um conjunto selecionado e organizado; a fonte mais sensível em termos de dados pessoais e de permissões

Permissões por documento

O ponto mais sensível do RAG é que o sistema não pode revelar um excerto que quem pergunta também não poderia abrir no sistema de origem. Não deixamos isto ao critério do modelo; incorporamo-lo na pesquisa:

cada fragmento leva consigo, como metadados, os dados de permissões do documento de origem;
a filtragem acontece antes ou durante a pesquisa (o serviço de pesquisa da OpenAI, por exemplo, oferece filtragem por atributos dos ficheiros antes da pesquisa por significado), pelo que aquilo que quem pergunta não pode ver nem sequer chega ao modelo;
as alterações das permissões são sincronizadas a partir do sistema de origem, e não mantidas à mão;
registamos quem perguntou o quê e a partir de que documentos recebeu a resposta.

Um índice sempre atualizado

O RAG só é tão bom quanto o seu índice é atual. Aquilo a que prestamos atenção:

Deteção de alterações: o sistema processa automaticamente os documentos novos e os alterados.
Eliminação: um documento eliminado na origem também sai do índice; segundo a documentação da OpenAI, a remoção produz efeito de forma gradual, pelo que um ficheiro eliminado pode ainda aparecer nos resultados durante pouco tempo.
Versões: a distinção entre a versão em vigor e a versão retirada, com a data nos metadados.
Responsável pela fonte: cada fonte tem um responsável, que avisa quando algo fica desatualizado.
Expiração: uma regra de expiração para os materiais temporários; nos armazenamentos vetoriais da OpenAI, por exemplo, pode ser definido um prazo de expiração.

Menos respostas erradas: fonte, «não sei», medição

Um modelo de linguagem pode enganar-se mesmo com o material fornecido. O guia da Anthropic sobre a redução das respostas erradas recomenda que o modelo receba autorização explícita para responder «não sei», que se baseie em citações literais, que procure uma citação de apoio para cada afirmação (e que, se não a encontrar, retire a afirmação) e que trabalhe apenas a partir dos documentos fornecidos. O guia acrescenta que estes métodos reduzem as respostas erradas, mas não as eliminam totalmente, pelo que a informação importante tem de ser verificada. É nisto que nos apoiamos:

Indicação da fonte: junto de cada resposta vê-se de que parte de que documento provém.
«Não sei» e passagem a um colaborador: se a resposta não estiver no material, o sistema di-lo e passa a pergunta a um colaborador.
Só a partir do material fornecido: o modelo não usa o seu conhecimento geral sobre a empresa.
Conjunto de avaliação: perguntas reais com a resposta esperada e a fonte correta. Medimos separadamente se a pesquisa encontrou o excerto certo e se a resposta lhe é fiel; segundo o guia de avaliação da OpenAI, os dados de teste devem incluir também casos típicos, extremos e deliberadamente enganadores, e a avaliação deve voltar a ser executada a cada alteração.
Feedback: os utilizadores podem assinalar uma resposta errada, e o registo dá origem a novos casos de teste.

Proteção de dados: onde ficam guardados os documentos?

Num sistema RAG, o material da empresa passa por três lugares:

O sistema de origem: os documentos ficam onde estavam até agora (no repositório de documentos, na wiki, no correio eletrónico).
O índice: os fragmentos e os vetores, numa base de dados de pesquisa. Pode funcionar no ambiente da própria empresa ou num fornecedor; na pesquisa de ficheiros da OpenAI, por exemplo (segundo a documentação sobre o tratamento de dados e o guia de pesquisa), os ficheiros carregados ficam armazenados até serem eliminados ou até o armazenamento vetorial expirar.
A chamada ao modelo: ao modelo só chegam os fragmentos selecionados para a pergunta. Aplicam-se aqui as condições de tratamento de dados do fornecedor. O que estas dizem sobre o treino, o prazo de conservação e o local do tratamento está resumido no artigo sobre a ligação dos sistemas da empresa com IA.

Se os documentos contiverem também dados pessoais, o tratamento está sujeito ao RGPD, e com o fornecedor que atua como subcontratante é necessário um contrato nos termos do artigo 28.º do Regulamento Geral sobre a Proteção de Dados. Sobre as questões jurídicas (a transparência, as transferências de dados, a avaliação de impacto), escrevemos no artigo AI Act e RGPD num chatbot empresarial. Trata-se de informação, não de aconselhamento jurídico.

Os passos de um projeto RAG

Objetivo e âmbito das perguntas: quem pergunta, sobre o quê, e o que conta como uma boa resposta.
Inventário e organização das fontes: a eliminação dos duplicados e das versões contraditórias e desatualizadas.
Modelo de permissões: quem pode receber respostas a partir de que documento.
Conjunto de avaliação: perguntas reais, em húngaro, com a resposta e a fonte esperadas.
Protótipo: a afinação da divisão, do modelo de embeddings e da pesquisa com base na medição.
Ligação: a interface, a indicação da fonte, a passagem a um colaborador e o registo.
Funcionamento piloto: com um grupo restrito de utilizadores, recolhendo o feedback.
Operação: a atualização do índice, a medição contínua e a avaliação das mudanças de modelo.

Erros típicos

O repositório de documentos «tal como está»: se existirem três versões do mesmo regulamento, o sistema pode citar qualquer uma delas.
Permissões só no fim: na primeira demonstração tudo é visível; em produção, isso pode ser uma violação de dados pessoais.
Resposta sem fonte: o utilizador não a pode verificar, nem confia nela.
Testes com perguntas inventadas: as perguntas da demonstração funcionam bem, as perguntas reais, em húngaro e com erros de escrita, não.
Carregamento único: a base de conhecimento depressa fica desatualizada se não for atualizada.
PDF digitalizados sem reconhecimento de texto: o sistema simplesmente não vê o seu conteúdo.

Perguntas frequentes

O que é o RAG?

O RAG (retrieval-augmented generation, geração aumentada por recuperação) é uma solução em que o sistema, para cada pergunta, começa por procurar os excertos relevantes nos documentos da empresa, e o modelo de linguagem responde com base neles, indicando a fonte. O termo tem origem num artigo científico de 2020.

Responde em húngaro a partir dos nossos próprios documentos?

Sim. Os grandes modelos de linguagem atuais compreendem e escrevem bem em húngaro, e trabalham também a partir de documentos em húngaro; o assistente de IA da nossa página inicial também conversa em húngaro. Como as medições publicadas pelos fornecedores nem sempre abrangem o húngaro, medimos tanto o modelo que responde como o modelo de embeddings com as perguntas em húngaro da própria empresa, antes da entrada em produção.

É preciso treinar o modelo com os nossos próprios dados?

Regra geral, não. O RAG entrega ao modelo os excertos necessários no momento da pergunta, pelo que o conhecimento pode ser atualizado, a fonte pode ser indicada e as permissões podem ser filtradas por documento. O ajuste fino pode entrar em consideração se a forma ou o tom das respostas não forem suficientemente consistentes e, mesmo assim, a par do RAG, e não em vez dele.

O que acontece se não souber a resposta?

Construímo-lo de forma a dizê-lo e a passar a pergunta a um colaborador, em vez de inventar alguma coisa. O modelo recebe autorização explícita para responder «não sei», só pode trabalhar a partir do material fornecido, e as perguntas sem resposta voltam do registo para alimentar a expansão da base de conhecimento.

Onde ficam guardados os nossos documentos?

No sistema de origem, onde estavam até agora; ao lado deles, no índice de pesquisa, que pode funcionar no ambiente da própria empresa ou num fornecedor; e ao modelo só chegam, em cada pergunta, os excertos selecionados, segundo as condições de tratamento de dados do fornecedor. A solução adequada a cada empresa depende da sensibilidade dos documentos e dos requisitos de proteção de dados.

Como podemos ajudar?

A Mesterséges Intelligencia Központ Kft. desenvolve chatbots de IA que respondem a partir dos próprios documentos da empresa, também em húngaro, com o método RAG e indicação da fonte, assentes nos modelos de linguagem da OpenAI (ChatGPT), da Anthropic (Claude) e da Google (Gemini). A primeira consulta é gratuita; medimos o tamanho do desenvolvimento em pontos de função COSMIC, e daí resultam a proposta e o calendário. A pedido, assinamos um acordo de confidencialidade (NDA) e, após a entrega, asseguramos também a atualização da base de conhecimento e a monitorização do funcionamento. O código-fonte e os direitos de utilização regem-se pelo contrato.

Os pormenores estão nas páginas Chatbots e agentes de IA e Integração de IA; para decidir se é preciso um chatbot ou um agente, ajuda o artigo Chatbot ou agente de IA?. Se está a planear um sistema que responda a partir dos documentos da empresa, escreva-nos através dos contactos indicados na página Contacto.