O que é RAG e quando o fine-tuning faz mais sentido

Entender o que é RAG ajuda a escolher entre fornecer evidências ao modelo e ensinar um comportamento com fine-tuning. Use RAG quando faltarem as informações certas sobre a empresa; considere fine-tuning quando o modelo já tiver essas informações, mas insistir no estilo errado ou em regras de decisão inadequadas. Os 3 casos de uso empresariais a seguir mostram por que um treinamento barato não torna o sistema inteiro automaticamente mais barato.

Documentação, disponibilidade dos modelos e preços de tabela verificados em 16 de outubro de 2026. As cargas de trabalho e as contas abaixo são exemplos para planejamento, não resultados medidos em clientes.

O que é RAG e qual falha o fine-tuning resolve?

A recuperação de informações resolve o acesso ao conhecimento; o fine-tuning atua sobre comportamentos recorrentes. Essa diferença ajuda a decidir onde concentrar o esforço antes de escolher um serviço.

A geração aumentada por recuperação, ou RAG, busca materiais relevantes e os coloca no contexto de trabalho do modelo antes da resposta. Já o fine-tuning dá continuidade ao treinamento de um modelo pré-treinado, usando exemplos das respostas ou decisões desejadas para alterar os parâmetros aprendidos. Pense em alguém da equipe de suporte: a recuperação entrega o manual de referência atualizado; o fine-tuning equivale a treinar essa pessoa com exemplos corrigidos. Nenhuma das abordagens substitui instruções claras.

Essa distinção é um bom ponto de partida, mas não significa que o treinamento seja incapaz de ensinar fatos. Um modelo ajustado pode aprender associações factuais. Ainda assim, isso não oferece uma base confiável de políticas vigentes, permissões de documentos e referências às fontes. A comparação da AWS separa essas funções de acesso ao conhecimento e personalização.

Faça o teste da evidência: pegue uma pergunta que recebeu uma resposta inadequada e forneça manualmente o trecho correto e atualizado. Se a resposta se tornar aceitável, corrija a recuperação. Se o erro continuar, examine as instruções, a dificuldade da tarefa e o comportamento da resposta. O fine-tuning só entra como candidato depois de melhorar essa solução inicial mais simples.

Para quem desenvolve, isso separa o fluxo de processamento dos documentos do fluxo de treinamento. Para quem opera, esclarece quem precisa resolver o problema: o responsável pelo conhecimento ou quem aprova os exemplos. Para quem compra, oferece um teste de aceitação útil: peça ao fornecedor que mostre qual falha o componente adicional corrige.

RAG, fine-tuning ou engenharia de prompt?

Comece pela menor intervenção que passe no teste de aceitação da sua tarefa. Engenharia de prompt é o trabalho de melhorar as instruções, os exemplos e o contexto enviados em uma requisição. Ela continua fazendo parte dos sistemas com recuperação e dos sistemas com fine-tuning.

Quando um prompt basta e quando é preciso RAG?

Use um prompt quando o material necessário já estiver na requisição. Acrescente recuperação quando a aplicação precisar encontrar esse material entre as fontes da empresa. Uma instrução melhor não revela uma cláusula de cancelamento que o modelo nunca recebeu; um índice de busca não resolve instruções contraditórias sobre como aplicá-la.

Quando trocar a engenharia de prompt por fine-tuning?

Mantenha nos prompts as regras de marca que mudam com frequência e as tarefas ocasionais. Considere o ajuste quando um comportamento estável e repetido continuar falhando, mesmo com instruções claras e exemplos representativos. As orientações de fine-tuning do Google recomendam estabelecer primeiro uma referência de desempenho com prompts.

Qual é a relação entre fine-tuning e aprendizado por transferência?

Fine-tuning é uma forma de aprendizado por transferência: você adapta à sua tarefa capacidades aprendidas em um treinamento anterior. Não se trata de outra técnica para recuperar fontes. Para esta decisão, o que importa é saber se realmente há necessidade de mudar o comportamento aprendido.

Verifique o suporte ao modelo antes de desenvolver

Confira tanto o suporte ao modelo quanto a elegibilidade da sua conta antes de preparar um projeto de fine-tuning gerenciado. Encontrar o nome de um modelo em um tutorial antigo não basta.

A plataforma de fine-tuning de autosserviço da OpenAI foi fechada para organizações que nunca a haviam usado em 7 de maio de 2026. A partir de 2 de julho de 2026, organizações que não haviam executado um modelo ajustado nos 60 dias anteriores também perderam a possibilidade de criar tarefas de treinamento. O aviso atual informa que clientes existentes e ativos perderão a criação de novas tarefas em 6 de janeiro de 2027; a inferência dos modelos já ajustados continuará disponível apenas até a descontinuação do modelo de base. Esse não é o caminho padrão para um novo projeto empresarial. Aviso de descontinuação da OpenAI.

Google Gemini 3.1 Flash-Lite é um candidato cuja documentação atual no Google Cloud confirma expressamente o suporte ao fine-tuning supervisionado, ou seja, ao treinamento com exemplos rotulados. A documentação atual do Google chama a plataforma de Gemini Enterprise Agent Platform; as antigas páginas de fine-tuning do Vertex AI redirecionam para ela. O modelo permite montar um orçamento concreto abaixo, sem pressupor que será o melhor para a sua tarefa. Modelos compatíveis com fine-tuning.

A restrição de implantação importa: o treinamento desse modelo ocorre em us-central1 ou europe-west4, enquanto a inferência do modelo ajustado usa os endpoints multirregionais us ou eu. Use os preços desses endpoints no orçamento, em vez de copiar a tarifa global mais barata do modelo de base. O Google também exclui o fine-tuning supervisionado da sua garantia de nível de serviço. Limitações do fine-tuning.

Preços usados nos exemplos: a inferência padrão de texto fora do endpoint global custa $0.275 para entrada, $0.0275 para entrada em cache e $1.65 para saída por milhão de tokens; o treinamento custa $3 por milhão de tokens de treinamento, incluindo as repetições por época. A inferência do modelo ajustado custa 1.5 vezes a tarifa de base, resultando em $0.4125 para entrada e $2.475 para saída. São preços de tabela do Google Cloud em USD, não valores de assinatura do aplicativo Gemini. Preços do Google.

Uma época é uma passagem completa pelo conjunto de dados de treinamento. Todos os exemplos pressupõem uma chamada ao modelo por item e totais de saída faturável que incluem eventuais tokens de raciocínio. Não incluem impostos, engenharia, rotulagem, chamadas de avaliação, novas tentativas, armazenamento dos documentos de origem, digitalização de documentos nem serviços adicionais de busca. Esses itens precisam de orçamento próprio; a fatura de treinamento não é um orçamento de implementação.

Três casos de uso empresariais: o que implementar e quanto pagar

Suporte com documentos da empresa: comece pelo RAG

O assistente de suporte de uma empresa de software precisa de evidências atuais antes de precisar de treinamento. Se um cliente perguntar se o cancelamento tem efeito imediato, a resposta deve seguir a política vigente e qualquer exceção contratual aplicável.

Crie um processo de ingestão que leia documentos aprovados, divida o conteúdo em trechos úteis e preserve a URL da fonte, a data de vigência, o produto e as permissões de acesso. No momento da requisição, limite a busca ao material que o cliente pode consultar, recupere os trechos relevantes e peça ao modelo que responda com base nessas evidências, citando as fontes. Substitua os trechos alterados e remova os excluídos. Uma mudança na fonte não atualiza o índice instantaneamente.

O OpenAI text-embedding-3-small transforma texto em representações numéricas usadas na busca por similaridade. Custa $0.02 por milhão de tokens de entrada e gera 1,536 dimensões por padrão. Criar embeddings dos documentos permite pesquisá-los; isso não treina o modelo que redige as respostas. Preço do modelo, dimensões dos embeddings.

Cloudflare Vectorize é o banco de dados vetorial deste exemplo: ele armazena essas representações e encontra outras semelhantes. Seu limite está na qualidade das evidências: um trecho próximo no espaço vetorial pode estar desatualizado ou ser irrelevante. Cabe à aplicação controlar o acesso e verificar se o texto selecionado sustenta a resposta.

Custo inicial: considere 10,000 trechos com média de 500 tokens após a divisão dos documentos. A geração inicial de embeddings corresponde a 5 milhões de tokens × $0.02 = $0.10. Esse valor não inclui o processamento dos documentos nem o trabalho de engenharia descrito acima.

O índice armazena 15.36 milhões de dimensões, acima da franquia gratuita de 5 milhões do Vectorize. A franquia paga inclui 10 milhões de dimensões armazenadas e 50 milhões de dimensões consultadas por mês; o excedente custa $0.05 por 100 milhões armazenadas e $0.01 por milhão consultadas. Pela fórmula publicada pela Cloudflare, esse índice gera 30.72 milhões de dimensões consultadas com 10,000 consultas mensais, dentro da franquia. O excedente de armazenamento custa $0.00268/mês. O cálculo pressupõe que as franquias não estejam sendo usadas em outra parte da conta. Preços do Vectorize.

Orçamento mensal dos componentes: substituir 1,000 trechos e gerar embeddings de 10,000 perguntas com média de 100 tokens custa $0.03. Gerar 10,000 respostas, cada uma com 2,500 tokens totais de entrada e 400 tokens de saída, custa $13.475. Acrescente o mínimo de $5 da conta Workers Paid e o excedente de armazenamento: aproximadamente $18.51/mês, além da geração inicial de embeddings. O cálculo pressupõe que a execução dos Workers permaneça dentro das franquias incluídas. Preços do Workers.

O teste operacional é verificar se a resposta aplica a política vigente correta, cita um trecho que a sustenta e se recusa a inventar uma exceção. Teste também documentos excluídos e a tentativa de um cliente de acessar o contrato de outro. Considere o fine-tuning depois, somente se as evidências corretas ainda resultarem em uma falha de comportamento que se repete.

Estilo de escrita da marca: teste exemplos e cache antes de treinar

Uma voz editorial estável pode justificar o fine-tuning; uma marca que ainda discute sua própria voz, não. Imagine uma empresa que produz e-mails de produto com linguagem direta, sem promessas exageradas e sempre com um próximo passo concreto no final.

Comece com um guia de estilo e exemplos aprovados no prompt. Se o resultado errar repetidamente escolhas editoriais sutis, monte pares de treinamento: o briefing original e os fatos como entrada; o rascunho aprovado pelo editor como saída. Um arquivo de e-mails prontos, por si só, não mostra qual entrada deve gerar cada resposta.

Em um briefing ilustrativo que anuncia atendimento aos sábados, uma resposta de referência aprovada poderia ser: “Agora você também pode falar com o suporte aos sábados. Abra o chat quando precisar de ajuda.” A resposta demonstra a voz da marca; o briefing fornece os fatos.

Separe o estilo do conteúdo factual. Treine a preferência por aberturas curtas; forneça os detalhes do produto daquela semana no momento da requisição. Reserve briefings que não entraram no treinamento para a avaliação e peça aos editores que julguem afirmações sem respaldo, tom, conteúdo obrigatório e volume de reescrita necessário. Uma pontuação de similaridade textual não comprova que o texto representa bem a marca.

Custo inicial: 1,000 pares com média de 1,600 tokens totais × 3 épocas = 4.8 milhões de tokens de treinamento, ou $14.40 por execução. Essas são premissas de orçamento, não uma recomendação de que esse tamanho de conjunto de dados ou essa quantidade de épocas será suficiente para passar na avaliação.

Uso mensal do modelo: 10,000 rascunhos, cada um com 1,200 tokens de entrada e 400 tokens de saída, custam $14.85 no modelo ajustado. O mesmo modelo de base, com 4,800 tokens adicionais de estilo e exemplos por requisição, custa $23.10 sem acertos de cache. No limite de uma operação estabilizada, em que todo prefixo repetido encontra correspondência no cache implícito, o custo dessa solução com prompts cai para $11.22, mais os custos das requisições sem acerto de cache e do aquecimento inicial. As contas usam as tarifas do Google apresentadas acima.

Isso inverte o argumento de economia. O fine-tuning ainda pode se justificar por reduzir o retrabalho editorial, mas não é automaticamente a maneira mais barata de evitar pagar repetidamente por um prompt longo de estilo. Meça o uso do cache e a aceitação dos editores antes de investir em um fluxo de treinamento.

Classificação de chamados: treine decisões estáveis e busque regras que mudam

Um classificador de chamados é um forte candidato ao fine-tuning quando seus rótulos são estáveis e seus erros recorrentes podem ser medidos. Suponha que os rótulos permitidos sejam billing, access, bug e review.

A mensagem “Não consigo abrir minha fatura” mostra onde está a dificuldade. Ela contém uma palavra ligada a cobrança, mas a fila responsável pode ser a de acesso. Combine esse critério com a liderança do suporte e depois rotule mensagens representativas, incluindo as ambíguas. Ao separar os dados de treinamento e avaliação, mantenha juntas as mensagens relacionadas de uma mesma conversa. Inclua também chamados posteriores para identificar mudanças na linguagem ou nos produtos.

A saída precisa ser um dos rótulos permitidos, mas um formato válido não basta para considerar o resultado bom. Meça separadamente casos urgentes não identificados, encaminhamentos para a fila errada, revisões desnecessárias e o trabalho posterior de reencaminhamento. A declaração do próprio modelo de que está confiante não equivale a um limiar calibrado para decidir o encaminhamento.

Custo inicial: 5,000 exemplos rotulados com média de 300 tokens totais × 3 épocas = 4.5 milhões de tokens de treinamento, ou $13.50 por execução. Uso mensal do modelo: 100,000 chamados, cada um com 250 tokens de entrada e 20 tokens de saída faturável, custam aproximadamente $15.26 no modelo ajustado, contra $10.18 para o mesmo prompt curto no modelo de base. O modelo ajustado precisa justificar esse custo adicional com decisões melhores. Preços do Google.

Use o código da aplicação para rejeitar rótulos inválidos e encaminhar casos ambíguos para revisão. A documentação de fine-tuning do Google alerta que acrescentar geração controlada na inferência, restringindo a saída a um esquema, pode criar uma incompatibilidade com o treinamento. Por isso, avalie exatamente a combinação que pretende colocar em produção. Problemas conhecidos do fine-tuning.

Se a responsabilidade pelas filas mudar com frequência, mantenha a política de encaminhamento vigente fora dos pesos do modelo. Recupere-a por busca ou forneça-a no prompt. Se os próprios critérios que separam os rótulos continuarem mudando, adie o fine-tuning até que a operação esteja estável o suficiente para ser ensinada.

O que contexto longo e cache de prompts mudam em 2026?

Com uma coleção pequena e estável de documentos, pode valer a pena enviar tudo diretamente antes de criar um serviço de recuperação. Contexto longo e cache não foram inventados em 2026; eles mudam a solução de referência que você deve usar na comparação hoje.

A janela de contexto é a quantidade de material com que o modelo consegue trabalhar em uma requisição. O Gemini 3.1 Flash-Lite, lançado em 7 de maio de 2026, informa uma janela de contexto de 1,048,576 tokens. Isso indica capacidade, não uma garantia de que todas as exceções de um manual extenso serão aplicadas corretamente. Reserve espaço para instruções, pergunta e geração da resposta; depois, teste os trechos difíceis. Especificações do modelo.

RAG ou CAG: quando o cache pode substituir a busca?

A geração aumentada por cache, ou CAG, consiste em carregar o conhecimento antecipadamente e reutilizar o contexto em cache, em vez de recuperar documentos a cada pergunta. É útil quando o conjunto de documentos relevante cabe no contexto, muda pouco e tem as mesmas permissões de acesso para todos que o recebem. O cache de prompts reaproveita o processamento de entradas repetidas; ele não incorpora esses fatos aos pesos do modelo nem garante uma resposta atualizada.

Considerando um manual de 80,000 tokens reutilizado em 10,000 requisições, só a parcela de entrada correspondente ao manual custa $220 sem cache ou $22 com a tarifa de cache aplicada a todas as requisições. Novas perguntas, saída, requisições sem acerto de cache e criação do cache continuam tendo custo. Manter um cache explícito desse manual por 720 horas acrescenta $57.60 de armazenamento, usando a tarifa publicada de $1 por milhão de tokens-hora. Preços de cache do Google.

O cache implícito não tem cobrança de armazenamento, mas os acertos não são garantidos. Coloque o material compartilhado no início, mantenha o prefixo consistente e examine cachedContentTokenCount nas respostas. Esse modelo exige pelo menos 4,096 tokens de contexto elegível, portanto um prompt curto de classificação de chamados não deve entrar no orçamento como se tivesse cache. Documentação de cache.

O critério é prático. Envie diretamente um contexto longo quando se tratar de um manual de escopo delimitado que possa ser atualizado e autorizado por inteiro. Use recuperação quando o acervo da empresa for maior, mudar por partes ou contiver documentos com permissões diferentes. Quando for útil, mantenha em cache um prefixo comum de instruções dentro do sistema RAG; essas escolhas podem coexistir.

Não presuma que todos os recursos de cache também estarão disponíveis em um modelo ajustado. A documentação atual do Google sobre cache em modelos ajustados informa que o cache explícito não é compatível com modelos que passaram por fine-tuning, enquanto o suporte ao cache implícito depende da versão do modelo.

Combine as abordagens quando os fatos mudam e o comportamento ainda falha

Combine recuperação e fine-tuning quando cada um corrigir uma falha demonstrada separadamente. Um assistente de suporte pode recuperar a cláusula de cancelamento vigente enquanto um modelo ajustado segue a estrutura de resposta preferida pela empresa: resposta, evidência, próxima ação permitida ou encaminhamento para outra instância de atendimento.

Treine com exemplos semelhantes às evidências que o modelo receberá em produção. Inclua situações com trechos ausentes, irrelevantes e conflitantes, para que o comportamento desejado também envolva pedir esclarecimentos ou se recusar a inventar uma resposta. Durante a execução, as verificações de acesso continuam acontecendo antes que material restrito chegue ao modelo.

Avalie separadamente a recuperação e o comportamento das respostas. Citações corretas, limites de permissão e atualização das fontes continuam sendo responsabilidades da aplicação; o fine-tuning não garante isso por você.

Se encontrar as evidências exigir buscas adicionais, o guia de RAG agêntico explica quando um ciclo de recuperação com limites definidos justifica sua complexidade. Quando uma falha estável de comportamento justificar o treinamento, o guia de como fazer fine-tuning de um LLM aborda preparação dos dados, checkpoints e avaliação.

Onde estão os exageros?

Nem “RAG sempre vence” nem “fine-tuning faz o modelo conhecer nossa empresa” serve como uma boa especificação de projeto. A recuperação pode falhar por fontes desatualizadas, seleção ruim de trechos ou falta de contexto. O treinamento pode aprender exemplos contraditórios e passar a reproduzir uma regra obsoleta com mais consistência.

Também é fácil superestimar a vantagem do baixo custo computacional do treinamento. A fatura não inclui o trabalho de definir o que é uma boa resposta, resolver divergências de rotulagem e manter um conjunto de testes útil. Janelas de contexto maiores removem uma restrição de capacidade; não comprovam que o modelo raciocinará corretamente sobre todos os fatos fornecidos.

Exija uma demonstração mais específica: nos casos que você reservou para avaliação, esse componente corrige uma falha identificada e preserva os demais requisitos. Se o prompt atual já passa no teste, mantenha o sistema como está.

Quando usar RAG e quando partir para o fine-tuning?

Resolva agora a falta de evidências; deixe o treinamento para quando conseguir identificar e medir a falha de comportamento. Quem opera com políticas que mudam deve corrigir a responsabilidade pelas fontes e sua atualização. Editores com exemplos consolidados e reescritas recorrentes devem comparar prompts e fine-tuning. Um classificador cujos rótulos ainda mudam deve esperar. Um fluxo que funciona bem com prompts não precisa mudar só porque existe outra técnica de otimização.

Leve este roteiro para a próxima segunda-feira:

1. 1

   Registre as falhas antes de mudar o sistema

   Selecione perguntas de suporte, briefings de texto ou chamados representativos. Registre a resposta ou decisão aprovada e mantenha esses casos de avaliação fora do conjunto de treinamento.

2. 2

   Forneça manualmente a evidência que faltou

   Repita a tarefa com o trecho correto e instruções claras. Classifique o erro que persistir: falta de conhecimento, regra pouco clara, comportamento errado ou uma tarefa que o modelo ainda não consegue executar.

3. 3

   Calcule o custo da solução mais simples

   Compare o prompt atual, um prompt com cache ou contexto longo, a recuperação e, só então, um fine-tuning compatível, quando necessário. Conte os tokens realmente faturados, os acertos de cache, as novas tentativas e o trabalho humano de correção.

4. 4

   Coloque em produção o que passar no teste de aceitação

   Escolha a arquitetura mais simples que passe. Defina um responsável pela atualização dos documentos ou pela revisão dos exemplos de treinamento, registre as versões implantadas e mantenha uma forma de voltar à versão anterior.

Perguntas frequentes

O que é fine tuning em IA?

Fine-tuning adapta um modelo pré-treinado por meio de exemplos adicionais de treinamento. Nos fluxos de trabalho empresariais, o objetivo útil costuma ser um estilo de resposta ou um comportamento de tarefa que possa se repetir de forma consistente.

Quanto custa fazer fine-tuning de um modelo?

A execução única de treinamento no Google usada no exemplo de escrita custa $14.40, com as premissas de tokens e épocas informadas. Rotulagem, avaliação, inferência em produção e engenharia têm custos separados, e experimentos malsucedidos exigem novas execuções.

O que pode ser melhor que RAG?

Um prompt direto pode ser mais simples quando já contém todas as evidências necessárias. O fine-tuning pode ajudar com um problema estável de comportamento. Nenhum dos dois substitui a recuperação quando o sistema precisa encontrar informações atuais e autorizadas.

Quais são as principais diferenças entre fine-tuning e RAG?

O fine-tuning altera os parâmetros aprendidos por meio de treinamento. O RAG muda as evidências fornecidas no momento da requisição. Atualizar um índice de fontes, retreinar um modelo e comprovar que uma resposta tem uma citação válida são trabalhos diferentes.

O fine-tuning já foi desmentido?

Não, se você está falando da adaptação de modelos de aprendizado de máquina. Seu valor depende da tarefa e deve ser demonstrado em comparação com uma solução de referência baseada em prompts, usando exemplos que ficaram fora do treinamento.

Como foi feito o fine-tuning do ChatGPT?

O anúncio original do ChatGPT pela OpenAI, publicado em 2022, descreveu exemplos de diálogo supervisionados, seguidos de aprendizado por reforço com feedback humano. Esse processo histórico é diferente dos critérios atuais de elegibilidade para fine-tuning empresarial via API.

O que Stephen Hawking disse sobre ajuste fino?

Essa pergunta trata do ajuste fino cosmológico, outro significado do termo. Não diz respeito à adaptação de um modelo de linguagem. A decisão empresarial aqui envolve recuperação e treinamento, não uma afirmação sobre o universo.

Fine-tuning ainda é usado?

Sim. A documentação atual do Google lista os modelos compatíveis, incluindo o Gemini usado aqui. A disponibilidade nos provedores muda; por isso, verifique o modelo específico e a elegibilidade da sua conta antes de preparar uma execução de treinamento.

Qual é o melhor modelo para fine-tuning?

Escolha um modelo de base compatível que já execute a tarefa principal e atenda às restrições de implantação. O Gemini 3.1 Flash-Lite é um exemplo com custos calculados neste artigo, não um vencedor universal comprovado em testes; quem decide são os casos reservados para avaliação.

Para tomar decisões práticas sobre desenvolvimento com IA, assine a newsletter.