RAG na empresa: o que aprendi colocando em produção.
Cinco lições de quem construiu uma base de conhecimento com IA para uma empresa inteira, com permissões, fontes e operação.
RAG (Retrieval-Augmented Generation) é a técnica de fazer a IA buscar nos documentos da empresa antes de responder. Na demonstração, parece simples. Em produção, os desafios são outros.
Estas são as lições que ficaram depois de construir uma plataforma de conhecimento com IA, com ingestão do SharePoint e acesso exposto como servidor MCP.
1. O problema raramente é o modelo
A qualidade da resposta depende mais dos documentos do que da IA. Arquivos duplicados, versões antigas e pastas sem dono geram respostas confusas. Curadoria de conteúdo faz parte do projeto.
2. Permissão é requisito desde o primeiro dia
Uma IA que responde com um documento que a pessoa não poderia abrir é um incidente de segurança. Por isso o acesso precisa seguir os grupos que a empresa já usa, no nosso caso os grupos do Entra ID. Cada busca considera quem está perguntando.
Se a pessoa não pode abrir o documento, a IA também não pode usar.
3. Toda resposta precisa mostrar a fonte
Confiança se constrói com transparência. Quando a resposta vem com o link do documento de origem, o usuário confere, aprende a usar e passa a confiar.
4. Exponha como MCP
Em vez de prender a base de conhecimento a um único assistente, expor como servidor MCP permite usar a mesma base em vários assistentes e agentes. Integra uma vez, usa em muitos lugares.
5. Pense na operação desde o início
Documentos mudam todo dia. É preciso reindexar, monitorar custo por consulta, acompanhar perguntas sem resposta e ter runbooks para quando algo falhar.
O resultado
A plataforma virou um modelo reutilizável, pronto para implantar em clientes na AWS e no Google Cloud. A tecnologia é a parte mais fácil de replicar. O que faz diferença são as decisões de permissão, governança e operação.