RAG corporativo: quem governa seu índice vetorial?

A tese

RAG — retrieval-augmented generation, a técnica de conectar um modelo de linguagem aos documentos da empresa via embeddings e busca vetorial — deixou de ser diferencial. Virou commodity arquitetural. A análise técnica publicada em julho de 2025 sobre o estado da arte é explícita: RAG já é o paradigma dominante para aplicações de IA que precisam de dados proprietários em tempo real. Segundo relatório da Snowflake citado pela Enterprise Times, 71% dos early adopters de IA generativa já implementam RAG para ancorar seus modelos em dados internos.

Só que a maioria dessas empresas está resolvendo o problema errado. O desafio de fazer um pipeline de RAG funcionar — quebrar documentos em pedaços, gerar embeddings, indexar num banco vetorial, recuperar e responder — foi resolvido pelo mercado. Qualquer time competente monta isso em semanas.

O problema que quase ninguém está resolvendo é outro: quando você indexa contratos, políticas e históricos de clientes num banco vetorial, você criou uma segunda cópia de todo o seu acervo documental. E essa cópia, na maioria das empresas, não tem dono, não tem versionamento e não tem trilha de auditoria.

O índice vetorial é um sistema de gestão documental disfarçado

Pense no que acontece na prática. O jurídico atualiza a minuta padrão de contrato. O RH revisa a política de home office. O compliance publica um novo normativo. Nos sistemas oficiais — GED, intranet, repositório de contratos — a versão antiga é arquivada e a nova entra em vigor.

No índice vetorial? Depende. Se ninguém configurou reindexação, invalidação de chunks antigos e sincronização com o ciclo de vida dos documentos, a versão revogada continua lá, respondendo perguntas com toda a confiança de um LLM bem treinado. O artigo acadêmico sobre governança de RAG publicado em agosto de 2025 nomeia exatamente esse fenômeno: versões antigas de contratos e políticas seguem indexadas e produzem respostas desalinhadas com o status legal vigente — e o usuário não tem como perceber.

O mesmo trabalho aponta um risco derivado e pior: as "shadow knowledge bases". Quando cada área monta seu próprio pipeline — o jurídico com um índice, o comercial com outro, o suporte com um terceiro — a empresa multiplica cópias não governadas do mesmo acervo, cada uma com defasagem e filtros de acesso diferentes. É o shadow IT reencarnado, agora com embeddings.

A ironia é que o RAG foi vendido justamente como a alternativa segura. E é verdade que ele tem uma vantagem estrutural real, destacada pela revisão sistemática sobre enterprise AI publicada em agosto de 2026: os dados sensíveis não entram nos pesos do modelo, ficam em repositórios sob controle da empresa. Mas "sob controle da empresa" é uma promessa, não um fato. O controle só existe se alguém o exercer sobre o índice — não apenas sobre os documentos originais.

Onde está o ganho de verdade: metadados, não modelo

Aqui entra o segundo ponto que o mercado subestima. A qualidade de um sistema de RAG corporativo depende menos do LLM escolhido e mais da estrutura ao redor da recuperação.

Um estudo sobre RAG para dados estruturados em contexto empresarial quantificou isso: ao combinar embeddings com metadados ricos, melhor indexação e re-ranking, a Precision@5 subiu de 75 para 90, o Recall@5 de 74 para 87 e o Mean Reciprocal Rank de 0,69 para 0,85. São saltos de 13 a 15 pontos percentuais que não vieram de trocar o modelo — vieram de saber, para cada documento, o tipo de contrato, a unidade de negócio, a data, o status e o nível de sigilo.

O mesmo estudo revela o outro lado da moeda: se os metadados estão desatualizados ou inconsistentes, os filtros restringem indevidamente a evidência relevante, e o modelo responde com base num recorte enviesado — sem que ninguém perceba o viés estrutural. Metadado ruim não degrada a resposta de forma visível. Degrada de forma silenciosa, que é o pior tipo.

Isso explica por que a Gartner, em seu Data & Analytics Summit de Mumbai, projetou que até 2028, 80% dos aplicativos corporativos de IA generativa construídos com RAG vão se apoiar nas plataformas de dados que a organização já possui — data warehouses, lakehouses, grandes bancos de dados — contra menos de 20% hoje. A leitura correta dessa previsão não é "integre seu RAG ao data lake". É: o RAG está sendo puxado para dentro da governança de dados existente porque, fora dela, ele é uma bomba-relógio de compliance.

O risco que quase ninguém discute: vazamento por agregação

Há um terceiro problema, mais sutil. A revisão sobre enterprise AI de 2026 aponta que, mesmo com controle de acesso por documento funcionando, um usuário com permissões amplas pode fazer perguntas que agregam e correlacionam informações de contratos e históricos de clientes — e a resposta sintetizada revela padrões que nenhum documento individual revelaria. "Quais clientes do segmento X têm cláusula de rescisão abaixo do padrão?" é uma pergunta que um analista jamais responderia folheando contratos um a um. Com busca vetorial, ela sai em segundos.

A governança de RAG, portanto, não é só "quem pode ver qual documento". É também que tipo de pergunta pode ser feita e quais vistas agregadas são permitidas — um problema que se parece muito mais com controle de consultas em data warehouse do que com gestão de arquivos. Para empresas brasileiras, isso é a tradução técnica direta dos princípios da LGPD: minimização de dados, acesso granular, logging de consultas e respostas, separação entre dados sensíveis e ambientes de desenvolvimento.

O mercado vai crescer com ou sem governança — o prejuízo é seu

Os números de mercado confirmam que essa onda não vai esperar ninguém amadurecer. A MarketsandMarkets projeta que o mercado de RAG salte de US$ 1,94 bilhão em 2025 para US$ 9,86 bilhões em 2030, com CAGR de 38,4%. A Mordor Intelligence chega a números quase idênticos: US$ 1,92 bilhão indo a US$ 10,2 bilhões no mesmo período. Os dois relatórios apontam enterprise search — consulta a contratos, políticas e dados de clientes — como o principal motor.

E o ecossistema de medição já amadureceu: existe até benchmark específico, o EKRAG, criado para avaliar RAG sobre corpora de documentos corporativos internos. Ou seja: já dá para exigir métricas de qualidade de recuperação do seu fornecedor ou do seu time, em vez de aceitar demos bonitas.

O que isso significa para empresas brasileiras

Para bancos, operadoras de saúde e grandes empresas reguladas no Brasil — setores onde Banco Central, ANS e a própria LGPD já impõem rastreabilidade —, a mensagem é direta: tratar RAG como "projeto de IA" é o erro de enquadramento que vai custar caro. RAG é um projeto de gestão documental com uma interface conversacional na frente.

Antes de escolher banco vetorial ou modelo, três decisões precisam de dono:

Ciclo de vida do índice: quem garante que documento revogado sai do índice no mesmo ato em que sai do sistema oficial — e quem audita isso.
Metadados como ativo de primeira classe: tipo, vigência, sigilo e unidade de negócio precisam de processo de manutenção, porque os ganhos de precisão de 15 pontos do structured RAG vêm daí — e a degradação silenciosa também.
Política de consulta, não só de acesso: definir quais agregações são permitidas por perfil, com logging completo de perguntas e respostas, no espírito da LGPD.

A boa notícia embutida na previsão da Gartner: quem já investiu em plataforma de dados corporativa nos últimos anos — e os grandes bancos e empresas brasileiras investiram — está a uma distância menor do RAG bem governado do que imagina. A infraestrutura existe. O que falta é decidir que o índice vetorial é um sistema de registro como qualquer outro, com dono, versão e auditoria. Quem tratar assim vai colher os 15 pontos de precisão. Quem não tratar vai descobrir, num litígio ou numa fiscalização, que sua IA passou meses citando um contrato que já não existe.

Seu RAG criou uma segunda cópia de todos os seus documentos. Quem está governando essa cópia?