RAG, agente, fine-tuning: o dicionário de IA traduzido para quem vai contratar um projeto

Você pediu orçamento para automatizar uma parte da operação com IA. A proposta chegou com termos como RAG, fine-tuning, agente autônomo, embeddings e janela de contexto. Você não sabe se está pagando por algo sofisticado ou por algo simples com nome sofisticado. E não dá para perguntar sem parecer que vai ser enrolado. Quem já passou por um projeto travado sabe do que estou falando: o problema quase nunca é a tecnologia, é assinar sem entender o que está comprando.

Este artigo traduz o jargão de IA para a linguagem que importa em uma reunião de contratação: o que cada coisa faz, quanto custa em relação às outras e quando cada uma é a resposta certa. Ao final, você terá um checklist para validar qualquer proposta que chegar na sua mesa.

Por que o jargão de IA vira arma de venda

Existe uma assimetria de informação enorme nesse mercado. A maioria dos projetos de IA para empresas usa duas ou três técnicas bem estabelecidas, com custo conhecido. Mas como os nomes são novos e soam complexos, alguns fornecedores precificam pelo impacto do termo, não pelo trabalho real.

O barato que sai caro aqui é o seguinte: você paga caro por um "fine-tuning proprietário" quando um RAG simples resolveria por um terço do custo, ou contrata um "agente autônomo" quando o que sua operação precisa é uma automação com três regras fixas. Entender o vocabulário não é curiosidade técnica. É a diferença entre um projeto de R$ 20 mil e um de R$ 80 mil que fazem a mesma coisa.

LLM, token e janela de contexto: a base de tudo

LLM (modelo de linguagem) é o motor. GPT, Claude, Gemini: são modelos que recebem texto e devolvem texto. Quase todo projeto de IA para empresa hoje usa um desses modelos via API, ou seja, alugando o motor de quem já o construiu. Ninguém constrói um LLM do zero para a sua empresa, e desconfie de quem sugerir isso.

Token é a unidade de cobrança. Grosso modo, cada 3 ou 4 caracteres de texto formam um token, e você paga por token enviado e recebido. É por isso que um chatbot que responde 5 mil conversas por mês tem custo de API previsível: dá para estimar em reais antes de começar. Na nossa operação, agentes em produção com volume real de uso custam de dezenas a poucas centenas de reais por mês em API. O custo do projeto está no desenvolvimento, não no consumo.

Janela de contexto é quanto o modelo consegue "ler de uma vez". Importa para você por um motivo prático: define se o sistema consegue considerar um contrato inteiro, um histórico de conversa longo ou um manual de produto ao responder. Modelos atuais têm janelas grandes o suficiente para a maioria dos casos de negócio.

RAG: quando a IA precisa conhecer a SUA empresa

RAG (Retrieval-Augmented Generation) é a técnica mais comum, e mais barata, para fazer a IA responder com base nos seus dados. Funciona assim: seus documentos (manuais, políticas, catálogo, histórico de atendimento) ficam indexados em uma base de busca. Quando alguém faz uma pergunta, o sistema busca os trechos relevantes e entrega ao modelo junto com a pergunta. O modelo responde usando aquele material.

Tradução para o negócio: RAG é o que faz um chatbot responder "qual o prazo de troca do produto X" com a SUA política de troca, e não com uma resposta genérica da internet.

• Quando é a resposta certa: atendimento com base em documentação, consulta a políticas internas, suporte sobre catálogo de produtos, respostas sobre contratos e processos.
• Custo relativo: baixo. É a solução padrão da indústria e não exige treinar nada.
• Sinal de alerta: se o fornecedor propõe fine-tuning para um caso que é claramente "responder com base nos meus documentos", peça a justificativa. Na maioria das vezes, RAG resolve.

Fine-tuning: quase nunca é o que você precisa

Fine-tuning é treinar um modelo existente com exemplos seus para mudar o comportamento dele. Parece o ápice da personalização, e é vendido assim. Na prática, para a maioria das empresas, é a ferramenta errada.

Fine-tuning faz sentido quando você precisa de um formato de resposta muito específico em escala enorme, ou de um comportamento que instruções e RAG não conseguem produzir. Exige centenas ou milhares de exemplos de qualidade, custa mais para desenvolver, e cada atualização do conhecimento exige retreinar. Com RAG, atualizar o conhecimento é só atualizar o documento.

Não existe resposta única, mas existe conta certa: se o seu problema é "a IA precisa saber sobre meus produtos e políticas", é RAG. Se é "a IA precisa escrever exatamente no padrão técnico da minha indústria, e já tentamos tudo com instruções", aí fine-tuning entra na conversa. Nessa ordem, nunca ao contrário.

Agente de IA: quando a IA age, não só responde

Agente é o termo mais inflacionado do momento, então vale precisão. Um chatbot responde perguntas. Um agente executa tarefas: consulta sistemas, toma decisões dentro de regras, dispara ações e encadeia passos sozinho até completar um objetivo.

Exemplo real da nossa operação: o REX, agente de vendas que a OCA mantém em produção, sai de uma busca por leads, qualifica, monta a abordagem e envia a mensagem de prospecção sem intervenção humana em cada etapa. Isso é um agente. Já o VoxField, nosso agente de voz para pesquisas por telefone, conduz uma ligação inteira adaptando as perguntas às respostas. Um fluxo fixo de "aperte 1 para vendas" não é agente, é URA com roupa nova.

O critério prático para saber se você precisa de um agente ou de uma automação simples:

1. A tarefa exige decisão com base em contexto variável (cada caso é um caso)? Agente pode se pagar.
2. A tarefa segue sempre os mesmos passos com variações previsíveis? Automação tradicional é mais barata, mais confiável e mais fácil de manter.
3. O erro em um caso individual é caro ou irreversível? Então o agente precisa de aprovação humana nos pontos críticos, e isso deve estar no escopo desde o início.

Embeddings, prompt e alucinação: os três que faltam

Embeddings são a representação matemática que permite buscar por significado, não por palavra exata. É a peça que faz o RAG encontrar "política de devolução" quando o cliente escreve "quero devolver, como faz". Você não contrata embeddings, eles vêm dentro de um projeto de RAG. Se aparecem como item caro separado na proposta, questione.

Prompt é a instrução dada ao modelo. "Engenharia de prompt" é trabalho real, é o que define o tom, os limites e o comportamento do sistema, mas é parte do desenvolvimento, não um produto à parte.

Alucinação é quando o modelo inventa uma resposta com confiança. Todo projeto sério de IA para atendimento precisa de estratégia contra isso: restringir respostas à base de conhecimento, admitir "não sei" e transferir para humano. Pergunte ao fornecedor como o sistema se comporta quando não sabe. Se a resposta for vaga, o projeto vai gerar problema com cliente real.

O checklist para a próxima proposta que chegar

Antes de assinar qualquer contrato, pergunta isso:

• "Qual técnica vocês vão usar e por que ela, e não a alternativa mais simples?" Quem sabe o que está fazendo justifica RAG vs fine-tuning vs automação sem rodeio.
• "Qual o custo mensal de API estimado no meu volume?" Deve vir em reais, com a conta aberta por conversa ou por tarefa.
• "O que acontece quando a IA não sabe a resposta?" Tem que existir caminho de transferência para humano.
• "Como eu atualizo o conhecimento do sistema depois?" Se cada mudança de política exige novo projeto, o desenho está errado.
• "Vocês têm algo assim rodando em produção?" Peça para ver funcionando, não para ver slide.

Esse último ponto é o que separa quem opera IA de quem revende promessa. Na OCA, os agentes que citamos aqui, o REX e o VoxField, rodam em produção, com cliente real e conta de API real. É essa experiência que usamos para dizer, já na primeira conversa, se o seu caso pede um RAG de R$ 15 mil ou se nem precisa de IA. Se quiser ver o que já construímos, o portfólio de projetos da OCA está aberto.

Próximo passo

Ação gratuita: pegue a última proposta de IA que você recebeu (ou o processo que quer automatizar) e passe pelo checklist acima. Se algum item não tiver resposta clara, você já sabe quais perguntas fazer na próxima reunião.

E se quiser uma leitura honesta do seu caso, incluindo a possibilidade de a resposta ser "isso não precisa de IA", fale com a gente:

Converse com a OCA sobre IA no seu negócio