A geração aumentada por recuperação (RAG) reduz as alucinações no atendimento ao cliente. Ela não as elimina. A RAG identifica as passagens em seu conteúdo que melhor correspondem à pergunta de um cliente e as encaminha a um modelo de linguagem, que redige uma nova resposta enquanto o cliente aguarda. É nessa etapa de redação que fatos sem fundamento são introduzidos. O Inbenta Encore, a plataforma de IA voltada para o conhecimento para a experiência do cliente, transfere o trabalho de construção de cada resposta para a fase de ingestão. A resposta em tempo real se torna uma consulta, e o modelo molda a redação, não os fatos.
O que o RAG acerta e o que ele mantém como está?
O RAG representa um avanço significativo em relação a um modelo que responde de memória. Ele fundamenta a resposta nos seus documentos; assim, o modelo consulta sua política de reembolso, em vez de adivinhar o que essas políticas costumam dizer. Isso é algo que vale a pena ter.
O que o RAG mantém é a geração. O modelo ainda elabora cada resposta em tempo de execução a partir das passagens recuperadas e ainda decide como combiná-las. A recuperação determina o que o modelo lê. Ela não determina o que a resposta diz.
Por que a pesquisa ainda apresenta resultados incorretos?
A recuperação classifica as passagens de acordo com o grau de correspondência com uma pergunta. Ela não verifica se elas estão atualizadas, são consistentes ou estão completas, e o conteúdo corporativo raramente atende a esses três critérios ao mesmo tempo. Três padrões são responsáveis pela maioria das “alucinações” do RAG no atendimento ao cliente.
A primeira é a existência de fontes conflitantes. Veja um exemplo ilustrativo: a página da política de reembolso indica 30 dias, enquanto um PDF mais antigo indica 14. Ambas correspondem à pergunta, portanto, ambas são exibidas. O modelo escolhe uma delas ou as combina em uma janela que não aparece em nenhum dos dois documentos.
O segundo problema são as fontes desatualizadas. Uma taxa que foi removida na mudança de política do último trimestre pode continuar aparecendo em um artigo de ajuda antigo que ainda tem boa classificação, pois continua usando as palavras que os clientes utilizam. O sistema de busca não consegue identificar qual versão está em vigor.
O terceiro fator são as fontes incompletas. A regra que resolve uma dúvida geralmente está em uma nota de caso, na transcrição de um agente ou na exceção de um supervisor, e não na página pública. Quando essa passagem está faltando, o modelo preenche a lacuna com algo plausível. Essa é a “alucinação” que o cliente realmente experimenta: uma resposta fluente, sem qualquer base no que a empresa aprovou.
Será que as grades de proteção e a engenharia preventiva conseguem colmatar essa lacuna?
Guardrails e a engenharia de prompts reduzem a taxa de alucinações, e vale a pena utilizá-los. As regras de prompt orientam o modelo a permanecer dentro do texto recuperado. Os guardrails verificam a saída após ela ser gerada e bloqueiam o que parecer errado. Nenhum dos dois aborda o problema de fundo: o modelo ainda está gerando a resposta.
As barreiras de proteção também têm um limite rígido. Uma verificação detecta apenas os erros para os quais foi projetada. Uma resposta que seja convincente, gramaticalmente correta e próxima de uma política real pode passar por um filtro projetado para detectar erros óbvios. Os erros que prejudicam as equipes reguladas são geralmente aqueles que soam bem, que são exatamente os que um verificador está menos preparado para sinalizar. Esse é o caso da prevenção de alucinações por meio da arquitetura, e não como uma barreira de proteção acoplada posteriormente.
A argumentação mais ampla a favor de corrigir a arquitetura, em vez do prompt, está no artigo “Como evitar alucinações da IA no atendimento ao cliente: corrija a arquitetura, não o prompt”.
O que muda quando o trabalho passa para a fase de ingestão?
O Inbenta Encore realiza o trabalho que gera uma resposta no momento em que o conteúdo é inserido no sistema, e não quando o cliente faz a pergunta. Ele estrutura o conteúdo, identifica as formas como um cliente real poderia formular a pergunta e associa cada pergunta a uma solução. Um segundo modelo, independente, valida cada resposta antes de ela ser publicada. Em seguida, um especialista no assunto autoriza o conteúdo antes que o cliente o veja, e essa aprovação constitui o registro de auditoria.
Durante a execução, o Encore associa a solicitação do cliente a uma resposta aprovada e anexa sua fonte. Um modelo de linguagem pode ajustar a formulação para que a resposta soe naturalmente na conversa. Ele não cria os fatos. Quando nenhuma resposta aprovada se encaixa, o Encore não força uma correspondência fraca. Essa é a diferença entre um modelo que elabora uma resposta e um sistema que a busca e, em seguida, a reformula.
A abordagem se mantém em grande escala. Em uma montadora global, uma única importação gerou mais de 25.000 intenções em três idiomas a partir de uma fonte exclusivamente em inglês. Uma execução de importação em um conjunto típico de conteúdo leva de 30 a 60 minutos. Os assistentes de IA em produção respondem com precisão de 98% a 99%.
Uma trilha de auditoria é mais importante do que uma melhor recuperação?
Para equipes regulamentadas, geralmente sim. As equipes de risco e conformidade raramente começam perguntando se uma resposta está, em geral, correta. Elas perguntam de onde ela veio e quem aprovou a fonte. Um fluxo de recuperação pode mostrar quais trechos foram extraídos para uma determinada resposta. Geralmente, ele não consegue comprovar que alguém com autoridade aprovou o conteúdo por trás desses trechos antes de o cliente fazer a pergunta.
O Inbenta Encore vincula cada resposta à sua fonte e a registra, de modo que uma equipe possa rastrear qualquer resposta até o conteúdo regulamentado por trás dela e a aprovação na fase de desenvolvimento que a colocou ali. Uma melhor recuperação aumenta as chances. Uma trilha de auditoria responde à pergunta. Em um contact center regulamentado, esse rastreamento costuma ser o que leva um comitê de risco a dar o aval.
O que uma equipe deve perguntar antes de confiar em um assistente baseado em RAG?
Quatro perguntas são fundamentais para avaliar um assistente baseado em RAG. Qual etapa gera a resposta: um modelo em tempo de execução ou a consulta a algo já aprovado? Onde ocorre a aprovação e quem a concede? O que o assistente faz quando nenhuma fonte corresponde: encaminha para um nível superior, faz uma pergunta para esclarecer ou adivinha? Quanto tempo leva para que uma mudança na política chegue a cada canal? Respostas claras à primeira e à terceira pergunta revelam mais do que qualquer diagrama de recuperação.
Perguntas frequentes
O RAG é suficiente para impedir as alucinações da IA?
Não. O RAG reduz as alucinações ao fornecer ao modelo um texto-fonte de melhor qualidade, mas o modelo ainda redige cada resposta no momento da execução; portanto, fontes incompletas, desatualizadas ou conflitantes ainda podem gerar uma resposta errada apresentada com confiança. Uma arquitetura que prioriza o conhecimento transfere a construção da resposta para a fase de ingestão, na qual um especialista no assunto aprova o conhecimento antes que o cliente o veja.
As barreiras de proteção impedem as alucinações da IA?
Eles reduzem a taxa de erros e detectam erros óbvios. Seu ponto fraco é identificar respostas erradas que parecem corretas, pois um mecanismo de proteção reconhece apenas os padrões de falha para os quais foi projetado.
Qual é a diferença entre a RAG e uma arquitetura que prioriza o conhecimento?
O RAG recupera trechos durante a execução e gera uma resposta a partir deles. Uma arquitetura que prioriza o conhecimento constrói e aprova as respostas no momento da ingestão. Durante a execução, ela associa a solicitação a uma resposta regulamentada, com sua fonte anexada, e um modelo de linguagem ajusta a redação sem criar novos fatos.
Sua empresa está preparada para a IA?
O relatório de analistas de 2026 da CCW Digital detalha os quatro obstáculos que impedem o avanço da IA na experiência do cliente e o que diferencia as equipes que conseguem crescer das que ficam estagnadas.
Baixe o relatório