RAG é o mesmo que treinar um modelo de IA com os dados da empresa?

Não. No RAG, o modelo de IA não é retreinado com os dados internos, ele apenas os consulta em tempo real, no momento da pergunta, para compor uma resposta mais precisa. Isso significa que os dados não ficam incorporados permanentemente ao modelo, mas também significa que qualquer documento indexado na base de consulta pode, em princípio, ser citado em uma resposta a qualquer usuário que tenha acesso ao assistente.

Quais tipos de documento nunca deveriam entrar em uma base de RAG sem controle adicional?

Dados de folha de pagamento, informações pessoais de clientes e colaboradores sujeitas à LGPD, contratos com cláusulas de confidencialidade e informações estratégicas restritas à diretoria são exemplos de conteúdo que exigem, no mínimo, segmentação de acesso ou exclusão da base geral.

Como saber se as permissões da base de RAG realmente refletem as permissões originais dos documentos?

É preciso testar diretamente: fazer perguntas ao assistente simulando o perfil de diferentes usuários e verificar se as respostas retornam apenas conteúdo que aquele perfil já teria direito de acessar nos sistemas originais. Muitas implementações replicam apenas parcialmente a estrutura de permissões.

Com que frequência a base de conhecimento de um sistema de RAG deve ser revisada?

Recomendamos uma revisão leve trimestral, focada em identificar documentos vencidos ou revogados, e uma auditoria mais completa semestral ou anual, que reavalie classificação de sensibilidade e permissões de acesso.

A citação da fonte na resposta da IA é apenas uma boa prática ou é essencial?

É essencial. Sem a citação da fonte, o usuário não tem como distinguir uma resposta bem fundamentada de uma alucinação do modelo, nem verificar se o documento citado ainda está vigente, o que compromete a confiabilidade de qualquer decisão baseada nessa resposta.

Como a Vetor Advisory apoia uma empresa que já implementou RAG sem governança prévia?

O primeiro passo é um diagnóstico rápido do que já foi indexado, cruzando esse inventário com a classificação de sensibilidade dos documentos e as permissões de acesso hoje concedidas ao assistente. A partir desse diagnóstico, priorizamos a remoção ou segmentação imediata de qualquer conteúdo de alto risco já exposto.

RAG e governança de dados internos para IA

A busca por respostas mais precisas e contextualizadas tem levado um número crescente de empresas brasileiras a conectar suas ferramentas de IA generativa diretamente aos próprios documentos internos, contratos, manuais, planilhas financeiras, bases de conhecimento de atendimento, por meio de uma técnica conhecida como RAG, ou geração aumentada por recuperação. O apelo é direto: um modelo genérico, sem acesso ao contexto da empresa, tende a produzir respostas genéricas ou desatualizadas.

O problema é que conectar um modelo de IA à base de conhecimento interna significa, na prática, abrir uma nova porta de acesso a informações que antes estavam protegidas por permissões de pasta, senha de sistema ou simplesmente pela dificuldade de busca manual. Se essa porta não for governada com o mesmo rigor aplicado aos sistemas tradicionais, a IA pode responder a qualquer pergunta com base em qualquer documento indexado, inclusive contratos confidenciais, dados de folha de pagamento ou informações de clientes que deveriam estar restritas a poucas pessoas. Este artigo explica o que é RAG na prática, os riscos de implementá-lo sem controle de acesso e quais cuidados de governança uma empresa precisa adotar antes de indexar seus dados internos em uma ferramenta de IA.

O que é RAG e por que ele muda a relação da empresa com seus próprios dados

RAG, sigla para retrieval-augmented generation, é a técnica pela qual um modelo de IA generativa, antes de responder a uma pergunta, busca trechos relevantes em uma base de documentos da própria empresa e usa esse conteúdo como referência para montar a resposta. Em vez de depender apenas do conhecimento genérico com que o modelo foi treinado, o sistema passa a citar políticas internas, contratos, manuais de processo ou históricos de atendimento reais, tornando as respostas mais específicas ao contexto do negócio. Para uma empresa, isso costuma significar indexar tudo que está disponível, pastas compartilhadas, wikis internas, planilhas, e-mails arquivados, em uma base vetorial que a IA consulta a cada pergunta.

O ponto central é que essa base de conhecimento se torna, na prática, uma nova camada de acesso a dados da empresa, e essa camada nem sempre herda as permissões que já existiam no sistema de origem. Um documento que estava numa pasta restrita ao departamento financeiro pode acabar indexado numa base de conhecimento consultável por qualquer funcionário que use o assistente de IA, simplesmente porque ninguém aplicou o mesmo controle de acesso na etapa de indexação. Governar essa camada de recuperação é, portanto, tão importante quanto governar os sistemas originais de onde os dados vieram.

Dimensão	Base de conhecimento sem governança	Base de conhecimento com governança de acesso
Controle de quem pode consultar cada documento	Qualquer usuário do assistente acessa qualquer documento indexado	Permissões refletem o perfil do usuário que faz a pergunta
Dados sensíveis indexados	Contratos, folha de pagamento e dados de clientes entram sem filtro prévio	Classificação prévia impede indexação de conteúdo restrito ou o isola em segmento controlado
Atualização e expiração de conteúdo	Documentos revogados ou desatualizados continuam sendo citados como válidos	Conteúdo obsoleto é sinalizado, expirado ou removido periodicamente
Rastreabilidade da fonte da resposta	Resposta apresentada sem indicar de qual documento veio	Cada resposta cita a fonte exata, permitindo verificação humana
Auditoria de uso	Nenhum registro de quais documentos foram consultados por quem	Log de consultas por usuário, documento e data

Cuidados de governança antes de implementar RAG com dados internos

Classificar documentos por sensibilidade antes de indexar: mapear e categorizar o acervo documental, público, interno, confidencial, restrito, antes de qualquer conteúdo entrar na base de conhecimento, para decidir conscientemente o que pode ou não ser indexado.
Aplicar controle de acesso na camada de busca, não só no documento original: garantir que as permissões do sistema de origem sejam replicadas ou reconstruídas no mecanismo de recuperação, de modo que a IA só retorne, para cada usuário, os documentos que ele já teria direito de consultar.
Remover ou sinalizar conteúdo desatualizado: estabelecer um processo periódico de revisão que retire da base políticas revogadas, contratos vencidos e versões antigas de manuais, evitando que o assistente cite informação obsoleta como se fosse vigente.
Garantir citação da fonte na resposta gerada: configurar o sistema para sempre indicar de qual documento e trecho a resposta foi extraída, permitindo que o usuário verifique a informação antes de usá-la em uma decisão.
Revisar periodicamente o que está exposto na base de conhecimento: realizar auditorias trimestrais ou semestrais para confirmar que a classificação de sensibilidade, as permissões de acesso e a atualidade dos documentos continuam corretas à medida que novos arquivos são adicionados.

Posição da Vetor Advisory: indexar a totalidade de uma pasta compartilhada em uma ferramenta de IA sem antes classificar o que está ali dentro é uma das decisões de maior risco silencioso que uma empresa pode tomar hoje. O problema raramente aparece no primeiro dia de uso, ele se manifesta meses depois, quando um funcionário faz uma pergunta aparentemente inocente e a IA responde citando um dado que deveria estar restrito a duas pessoas na empresa. Recomendamos que nenhuma empresa conecte uma ferramenta de IA generativa a repositórios de documentos internos sem antes concluir um mapeamento básico de classificação de dados, ainda que simplificado.

Essa posição decorre de uma característica pouco discutida do RAG: diferente de um sistema de busca tradicional, que apenas retorna links para documentos que o usuário ainda precisa abrir e ler, o assistente de IA sintetiza o conteúdo diretamente na resposta, muitas vezes sem deixar claro que informação sensível foi usada como base. Isso reduz o atrito que antes protegia dados restritos por dificuldade de acesso ou pela necessidade de abrir múltiplos arquivos manualmente. Quando essa fricção desaparece, a única barreira que resta é a governança explícita da camada de recuperação, e é justamente essa camada que a maioria das implementações de RAG no mercado brasileiro ainda trata como um detalhe técnico secundário, em vez de uma decisão de governança de dados.

Além disso, a questão da atualização merece atenção equivalente à do acesso. Uma base de conhecimento que nunca é revisada tende a acumular contradições internas, uma política antiga ainda ativa ao lado da versão revisada mais recente, e o modelo de IA não tem como saber, sozinho, qual delas é a vigente sem que a empresa sinalize isso explicitamente.

Como a Vetor Advisory trata a implementação de RAG na prática

Na Vetor Advisory, tratamos a implementação de RAG como um projeto de governança de dados antes de ser um projeto de IA. Isso significa que o trabalho começa com um levantamento do que existe, quem acessa o quê hoje e qual seria o impacto de cada categoria de documento se exposta indevidamente, só depois disso entra a discussão sobre qual ferramenta de IA e qual arquitetura de busca usar. Essa sequência evita o erro mais comum que vemos em empresas que tentam acelerar a adoção de IA: implementar a tecnologia primeiro e descobrir os problemas de acesso depois que um incidente já ocorreu.

Esse tipo de projeto se conecta diretamente ao trabalho de Governança de TI que a Vetor Advisory desenvolve com seus clientes, que já inclui, tipicamente, o mapeamento de permissões, políticas de retenção de dados e classificação de informação. Quando uma empresa já tem essa base organizada, a implementação de RAG se torna significativamente mais rápida e segura; quando não tem, recomendamos que o projeto de governança preceda, ou pelo menos ocorra em paralelo, à conexão de qualquer ferramenta de IA aos dados internos da empresa.