RAG corporativo é a base de agentes de IA que centralizam conhecimento disperso nas empresas. Veja como a dti digital construiu o seu.

<p>Como reosolver o problema das empresas para encontrar informações internas da organização? A resposta está no RAG corporativo. Essa estratégia ajuda a estruturar uma solução inteligente que responde rapidamente aos questionamentos do usuário considerando contexto.</p>
<p>Este artigo parte de um case real da dti digital, apresentado no <a href="https://open.spotify.com/episode/4bdxl4RegtscCOOyCE1exZ?si=LIXx_3NgSdagQZ7wO6aSkg" target="_blank" rel="noopener">episódio #271</a> do podcast Entre Chaves: o Crafty, um <a href="https://www.dtidigital.com.br/blog/modernizacao-tecnologica-com-ia?utm_source=artigo+RAG+corporativo&amp;utm_medium=hiperlink-construcaoIA13-07&amp;utm_campaign=rag-artigoec&amp;utm_id=entre+chaves" target="_blank" rel="noopener">agente de IA</a> interno criado para resolver esse problema de acesso à informação.</p>
<p><iframe style="border-radius: 12px" src="https://open.spotify.com/embed/episode/4bdxl4RegtscCOOyCE1exZ/video?utm_source=generator&amp;si=74504932ccea4668" width="496" height="279" frameborder="0" allowfullscreen="allowfullscreen"></iframe></p>
<div id="toc_container" role="navigation" aria-label="Table of Contents" data-nosnippet class="toc_white no_bullets toc_numbered toc_title_center"><p class="toc_title">Sumário</p><ul class="toc_list"><li><a href="#O-que-e-RAG-corporativo"><span class="toc_number toc_depth_1">1.</span> O que é RAG corporativo?</a></li><li><a href="#O-problema-que-so-aparece-quando-a-informacao-ja-existe"><span class="toc_number toc_depth_1">2.</span> O problema que só aparece quando a informação já existe</a></li><li><a href="#Banco-vetorial-e-busca-semantica"><span class="toc_number toc_depth_1">3.</span> Banco vetorial e busca semântica</a></li><li><a href="#Como-nasceu-o-primeiro-MVP-do-Crafty"><span class="toc_number toc_depth_1">4.</span> Como nasceu o primeiro MVP do Crafty</a><ul><li><a href="#Da-rotina-manual-ao-primeiro-chatbot"><span class="toc_number toc_depth_2">4.1.</span> Da rotina manual ao primeiro chatbot</a></li><li><a href="#O-teste-da-receita-de-bolo"><span class="toc_number toc_depth_2">4.2.</span> O teste da receita de bolo</a></li></ul></li><li><a href="#Da-arquitetura-simples-as-camadas-de-orquestracao"><span class="toc_number toc_depth_1">5.</span> Da arquitetura simples às camadas de orquestração</a><ul><li><a href="#RAG-como-uma-skill-entre-varias"><span class="toc_number toc_depth_2">5.1.</span> RAG como uma skill entre várias</a></li><li><a href="#MCP-a-camada-que-conecta-linguagem-natural-a-sistemas-internos"><span class="toc_number toc_depth_2">5.2.</span> MCP: a camada que conecta linguagem natural a sistemas internos</a></li></ul></li><li><a href="#Indo-alem-das-respostas-o-papel-das-acoes-no-Crafty"><span class="toc_number toc_depth_1">6.</span> Indo além das respostas: o papel das ações no Crafty</a><ul><li><a href="#De-projetar-telas-a-projetar-conversas"><span class="toc_number toc_depth_2">6.1.</span> De projetar telas a projetar conversas</a></li><li><a href="#A-virada-de-levar-o-agente-para-o-Teams"><span class="toc_number toc_depth_2">6.2.</span> A virada de levar o agente para o Teams</a></li></ul></li><li><a href="#Seguranca-e-privacidade-no-uso-de-agentes-de-IA-corporativos"><span class="toc_number toc_depth_1">7.</span> Segurança e privacidade no uso de agentes de IA corporativos</a><ul><li><a href="#Autenticacao-e-determinismo-via-MCP"><span class="toc_number toc_depth_2">7.1.</span> Autenticação e determinismo via MCP</a></li><li><a href="#Historico-de-conversas-e-dados-sensiveis"><span class="toc_number toc_depth_2">7.2.</span> Histórico de conversas e dados sensíveis</a></li></ul></li><li><a href="#Como-saber-se-um-agente-de-IA-esta-entregando-valor"><span class="toc_number toc_depth_1">8.</span> Como saber se um agente de IA está entregando valor</a></li><li><a href="#O-que-muda-para-quem-constroi-agentes-de-IA-corporativos-hoje"><span class="toc_number toc_depth_1">9.</span> O que muda para quem constrói agentes de IA corporativos hoje</a></li></ul></div>
<h2><span id="O-que-e-RAG-corporativo">O que é RAG corporativo?</span></h2>
<p>RAG, sigla para retrieval-augmented generation, combina busca em bases de conhecimento com geração de linguagem natural. Por isso, em vez de depender só do que um modelo aprendeu em treinamento, o agente busca documentos relevantes em tempo real e usa esse conteúdo para responder com precisão.</p>
<p>Em ambientes corporativos, isso resolve um problema específico: transformar documentos espalhados em SharePoint, wikis e planilhas em respostas diretas, sem que o usuário precise saber onde procurar. Foi esse o papel que a tecnologia passou a cumprir no caso do Crafty.</p>
<p>A diferença para uma busca tradicional por palavra-chave é que o RAG entende intenção. Por exemplo, a pergunta &#8220;como eu peço reembolso&#8221; retorna o procedimento certo mesmo que o documento use outro vocabulário, porque a busca semântica compara significado.</p>
<h2><span id="O-problema-que-so-aparece-quando-a-informacao-ja-existe">O problema que só aparece quando a informação já existe</span></h2>
<p>Antes dessa possibilidade, já existia um obstáculo comum nas organizações com estrutura descentralizada. Em outras palavras, muita gente criando conteúdo, pouca previsibilidade sobre como encontrar respostas para dúvidas. Com squads que têm autonomia para gerar suas próprias informações, as fontes e os formatos se multiplicam.</p>
<p>Então, o time fez um discovery antes de construir qualquer linha de código: pediu para usuários reais pesquisarem tarefas simples no SharePoint e cronometrou quanto tempo levavam. O resultado confirmou a suspeita. A busca não entregava o que as pessoas procuravam, e o efeito colateral aparecia em canais do Teams lotados de perguntas repetidas, sobre como lançar horas, solicitar reembolso ou encontrar um especialista em determinada tecnologia.</p>
<p>Fazer essa informação chegar a quem precisava dela era o verdadeiro desafio.</p>
<h2><span id="Banco-vetorial-e-busca-semantica">Banco vetorial e busca semântica</span></h2>
<p>Esse tipo de arquitetura depende de uma peça de infraestrutura específica: o banco vetorial. Em seguida, documentos são convertidos em <em>embeddings</em>, representações numéricas que capturam significado, e armazenados de um jeito que permite comparar o quão próxima uma pergunta está de cada trecho de conteúdo indexado.</p>
<p>Isso é o que possibilita a busca semântica: o sistema busca os trechos com significado mais próximo da pergunta, mesmo que usem outras palavras que as digitadas. No Crafty, essa camada evoluiu de um banco de dados simples para um banco vetorial dedicado, à medida que o volume de documentos indexados cresceu.</p>
<p>Essa engenharia, sozinha, resolve a busca por informação. A execução de ações fica a cargo de outra camada da arquitetura, tratada a seguir.</p>
<h2><span id="Como-nasceu-o-primeiro-MVP-do-Crafty">Como nasceu o primeiro MVP do Crafty</span></h2>
<h3><span id="Da-rotina-manual-ao-primeiro-chatbot">Da rotina manual ao primeiro chatbot</span></h3>
<p>Primeiramente, a versão inicial do que viraria o Crafty era propositalmente simples. Sem MCP, sem protocolo intermediário, sem infraestrutura sofisticada: as páginas do SharePoint eram convertidas manualmente em <em>markdown</em>, atualizadas uma vez por semana, e servidas a um chatbot que respondia perguntas sobre boas práticas de IA homologadas internamente.</p>
<p>O escopo inicial foi propositalmente estreito. Antes de tentar responder qualquer coisa sobre a operação da empresa, o time testou o sistema com um recorte quase trivial: perguntas sobre práticas de IA já catalogadas.</p>
<h3><span id="O-teste-da-receita-de-bolo">O teste da receita de bolo</span></h3>
<p>Para validar se a solução construída internamente competia com ferramentas prontas de mercado, como Copilot ou um GPT customizado, o time colocou para funcionar um experimento simples: alimentou os dois sistemas com uma receita de bolo e comparou qualidade e tempo de resposta. O objetivo era entender se valia a pena continuar desenvolvendo internamente ou se fazia mais sentido adotar algo pronto.</p>
<p>Esse tipo de teste barato, antes de qualquer decisão de arquitetura mais cara, evitou meses de investimento em uma direção equivocada.</p>
<h2><span id="Da-arquitetura-simples-as-camadas-de-orquestracao">Da arquitetura simples às camadas de orquestração</span></h2>
<p>O sistema que hoje sustenta o projeto é bem diferente daquele experimento inicial. Nesse sentido, o que começou como uma API conectada a um banco de dados centralizado evoluiu para uma arquitetura em camadas, com um módulo de orquestração responsável por identificar a intenção do usuário e direcionar a pergunta para o caminho certo.</p>
<h3><span id="RAG-como-uma-skill-entre-varias">RAG como uma skill entre várias</span></h3>
<p>Dentro dessa arquitetura, o RAG deixou de ser o sistema inteiro para se tornar uma skill específica, acionada quando a pergunta exige busca em documentos não estruturados, como textos e apresentações que vieram do SharePoint.</p>
<h3><span id="MCP-a-camada-que-conecta-linguagem-natural-a-sistemas-internos">MCP: a camada que conecta linguagem natural a sistemas internos</span></h3>
<p>Ao mesmo tempo, junto ao RAG, o Model Context Protocol (MCP) virou outra skill do agente, responsável por conectar o Crafty a dados estruturados da plataforma interna, como informações de skills de colaboradores. Foi essa camada que permitiu ao agente ir além de indicar onde buscar uma informação: ele passou a consumir sistemas internos diretamente para executar tarefas.</p>
<h2><span id="Indo-alem-das-respostas-o-papel-das-acoes-no-Crafty">Indo além das respostas: o papel das ações no Crafty</span></h2>
<p>Um RAG bem construído resolve o problema de encontrar informação. Boa parte do valor do agente, porém, apareceu quando ele passou a executar ações além de indicar caminhos. O exemplo mais citado no episódio foi a doação de moedas de reconhecimento entre colegas, um recurso que antes exigia navegar por menus dentro da plataforma interna e que passou a acontecer com uma frase digitada no chat.</p>
<h3><span id="De-projetar-telas-a-projetar-conversas">De projetar telas a projetar conversas</span></h3>
<p>Essa mudança de responder para agir também alterou o trabalho de quem projeta a experiência do produto. Deixou de ser um problema de tela para virar um problema de conversa: como estruturar uma interação em linguagem natural que resolva uma tarefa completa, sem depender de fluxos rígidos de interface.</p>
<h3><span id="A-virada-de-levar-o-agente-para-o-Teams">A virada de levar o agente para o Teams</span></h3>
<p>O momento em que o Crafty passou a operar dentro do Teams, e não mais como uma plataforma isolada, foi o ponto de virada mais citado pelo time. Em menos de um mês integrado à plataforma corporativa, o uso triplicou em relação a todo o histórico anterior do produto. Então, hoje, o volume de interações que antes levava um mês para se acumular acontece em sete dias.</p>
<h2><span id="Seguranca-e-privacidade-no-uso-de-agentes-de-IA-corporativos">Segurança e privacidade no uso de agentes de IA corporativos</span></h2>
<p>Conectar um agente de IA a sistemas internos e a um canal de comunicação amplamente usado levanta perguntas inevitáveis sobre segurança. O time trata isso em duas frentes distintas: o que o RAG expõe via documentos e o que o MCP permite executar via ações.</p>
<h3><span id="Autenticacao-e-determinismo-via-MCP">Autenticação e determinismo via MCP</span></h3>
<p>Ou seja, toda ação executada pelo Crafty passa por autenticação, e o MCP funciona como uma camada determinística: o agente só retorna exatamente os dados definidos para aquela operação. Quando alguém tenta doar moedas de outro colaborador na plataforma interna, ou mais do que o limite mensal permitido, a validação bloqueia a ação antes que ela aconteça, mesmo que o pedido em linguagem natural pareça plausível.</p>
<h3><span id="Historico-de-conversas-e-dados-sensiveis">Histórico de conversas e dados sensíveis</span></h3>
<p>Assim, uma decisão técnica que parecia simples acabou resolvendo dois problemas de uma vez. Como o agente opera dentro do Teams, o histórico de conversa que os usuários pediam já existia nativamente na plataforma. Isso eliminou a necessidade de construir esse recurso internamente. Ao mesmo tempo, o agente não consome esse histórico ao processar cada mensagem, o que evita misturar dados de diferentes usuários dentro do mesmo canal e reduz a superfície de exposição de informação sensível.</p>
<h2><span id="Como-saber-se-um-agente-de-IA-esta-entregando-valor">Como saber se um agente de IA está entregando valor</span></h2>
<p>O time acompanha o Crafty por métricas quantitativas, como taxa de erro e tempo de resposta, mas também por um canal aberto de feedback direto dos usuários. Essa combinação importa porque um sistema desse tipo pode parecer tecnicamente saudável, com baixa latência e poucos erros, e ainda assim entregar respostas de baixa qualidade percebida, algo que só o feedback qualitativo revela.</p>
<p>Além disso, o acompanhamento de uso também revelou um padrão relevante para quem constrói esse tipo de sistema: o crescimento esteve muito mais ligado à mudança de canal de acesso do que a qualquer funcionalidade isolada lançada dentro da plataforma original. Métricas de adoção, nesse sentido, dizem tanto sobre o produto quanto sobre o canal onde ele vive.</p>
<h2><span id="O-que-muda-para-quem-constroi-agentes-de-IA-corporativos-hoje">O que muda para quem constrói agentes de IA corporativos hoje</span></h2>
<p>Esse case resume uma lição que vale para qualquer time avaliando construir um RAG corporativo. A verdade é que, a arquitetura ideal raramente aparece na primeira versão. O produto começou com atualização manual de conteúdo e um escopo pequeno, testado contra alternativas de mercado antes de qualquer decisão maior de investimento.</p>
<p>Orquestração, RAG como skill, MCP como camada de ação e integração nativa com uma ferramenta de comunicação já consolidada. Cada camada só fez sentido porque foi adicionada para resolver um problema concreto que já tinha aparecido na prática. Enfim, para quem avalia construir algo parecido, a pergunta mais útil é qual problema, entre encontrar informação e executar uma ação, precisa ser resolvido primeiro.</p>


RAG corporativo: como estruturar agentes de IA para centralizar conhecimento interno

Desbloqueie o futuro do seu negócio

Mais conteúdos como esse

Travessa Dona Zilda, 125, sala 203, São Gonçalo – Pelotas, RS. CEP: 96075-166

14841 Dallas Parkway, 8th Floor Addison, TX 75254

R. Levindo Lopes, 357, 5º e 12º Andar – Savassi, Belo Horizonte MG, 30112-010