O melhor vendedor tem anos de respostas no WhatsApp: RAG ou fine-tuning?

Imagine o melhor vendedor da empresa. Ele fecha mais do que ninguém, e o faz pelo celular: sabe o que dizer ao cliente que hesita e ao que pechincha. Anos de conversas de WhatsApp deixam ali uma parte valiosa, e desorganizada, de como ele responde a objeções, explica condições e monta cotações. Um dia, no comitê, alguém propõe o que parece óbvio: «Vamos treinar uma inteligência artificial com os chats dele, para que todos vendam como ele».

A ideia é boa na intenção e delicada na execução. «Treinar uma IA» pode significar três coisas muito diferentes, com custos, riscos e prazos diferentes. Escolher mal não só gasta dinheiro: pode produzir um assistente que repete erros, cita preços vencidos ou usa dados de clientes para uma finalidade que o aviso de privacidade talvez não cubra.

Este artigo é para quem decide sobre IA em um banco, uma seguradora, uma fintech, uma rede de varejo ou uma empresa regulada. Explica os conceitos sem jargão, compara as duas rotas mais comuns e termina com o caso do WhatsApp resolvido, passo a passo.

Os conceitos, sem jargão

O modelo de linguagem: um redator que leu muitíssimo

Um modelo de linguagem é um sistema que leu enormes quantidades de texto e, com base nisso, calcula quais palavras vêm em seguida com maior probabilidade. Por isso pode redigir e resumir com fluência aparente; essa fluência não substitui a verificação dos fatos. Mas tem dois limites que importam a um diretor: não convém supor que ele conheça a informação da empresa (tarifas, políticas e processos) nem que o que ele sabe esteja atualizado: foi treinado com informação disponível até certa data, não necessariamente com o que mudou ontem. Quando a resposta depender disso, é preciso fornecer-lhe fontes aprovadas e atuais. Além disso, ele pode errar com total segurança.

Instruções (prompting): o briefing

É a forma mais simples de dirigi-lo: dizer-lhe, em cada consulta, quem ele é, que tom usar, que formato entregar e mostrar-lhe um ou dois exemplos. É como dar um bom briefing a um analista novo antes de cada tarefa. Não muda o modelo; muda o que se pede a ele.

RAG: o dossiê certo, antes de responder

RAG significa, em inglês, retrieval-augmented generation (geração aumentada por recuperação). A ideia cabe em uma frase: antes de responder, o sistema busca nos documentos aprovados os trechos pertinentes e os entrega ao modelo junto com a pergunta. É o analista que, antes de responder, abre a política vigente e anexa as páginas que usou.

Duas consequências o tornam atraente. A primeira: o conhecimento vive nos documentos, não dentro do modelo; se a tarifa muda, atualiza-se o documento. A segunda: a resposta pode mostrar de onde saiu. A Microsoft o descreve assim na documentação dela: o modelo recebe o conteúdo recuperado e gera «uma resposta que pode incluir citações da fonte» [1].

Fine-tuning: o curso intensivo

Fine-tuning, ou ajuste fino, é treinar adicionalmente o modelo com exemplos do que se quer que ele faça: dado este tipo de entrada, esta é a saída correta. É um curso intensivo para o analista. Ele aprende um estilo, um formato ou uma tarefa concreta e a repete com consistência. O que ele não aprende de forma confiável é o que mudou depois do curso: uma tarifa nova, uma política corrigida, o produto lançado no mês passado.

O que cada um resolve e o que não resolve

A distinção que ordena tudo é a que a AWS apresenta assim: se o modelo não tem o conhecimento, ele é entregue com RAG; se «o tom, o estilo de raciocínio ou a execução da tarefa não coincidem com o que se requer, apesar de ter o conhecimento correto», então fine-tuning [2]. A OpenAI o formula como dois eixos: o contexto (o que o modelo não sabe, está desatualizado ou é proprietário) e o comportamento (resultados inconsistentes, formato ou tom incorretos) [3]. A Microsoft coincide: RAG para dados privados ou mutáveis; fine-tuning para mudar o comportamento, o estilo ou o desempenho de uma tarefa, «em vez de adicionar conhecimento novo» [1]. (As citações de fornecedores foram traduzidas por nós.)

O que implica cada rota

Dados necessários. O RAG precisa de documentos confiáveis, atuais e com responsável. O fine-tuning precisa de exemplos aprovados da tarefa correta. A Microsoft recomenda exemplos precisos, consistentes e representativos, e compará-los com uma avaliação independente; a quantidade deve ser decidida com testes, não com um limite universal [4]. E o ponto não é a quantidade: o mesmo documento pede verificar, antes de subir os dados, cenários ausentes, duplicados, vieses e informações sensíveis [4].

Limpeza. Nas duas rotas, preparar, revisar e manter os dados exige trabalho relevante de negócio, jurídico e tecnologia. No RAG, um documento contraditório ou velho se converte em uma resposta contraditória ou velha, agora com aparência de fonte. A Microsoft adverte: a qualidade de um RAG depende da preparação do conteúdo e da recuperação, e mesmo com documentos o modelo pode dar respostas incompletas ou imprecisas [1]. No fine-tuning, exemplos deficientes ou pouco representativos podem transferir ao modelo padrões indesejados e degradar a tarefa, inclusive os vícios; por isso exigem curadoria e avaliação.

Dados pessoais e consentimento. Um chat de vendas contém nomes, telefones, às vezes dados financeiros. A nova Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP, lei federal mexicana de proteção de dados pessoais em posse de particulares), publicada no Diario Oficial de la Federación (DOF, o diário oficial do governo federal mexicano) em 20 de março de 2025, dispõe que todo tratamento de dados pessoais está sujeito ao consentimento do titular, salvo as exceções da lei (art. 7). Os dados financeiros ou patrimoniais exigem consentimento expresso (art. 7) e os sensíveis, expresso e por escrito (art. 8). E se se quiser usar os dados para uma finalidade distinta da que o aviso de privacidade anunciou, a lei pede que o consentimento seja obtido novamente (art. 11) [5]. Até revisar os chats para preparar uma amostra já é um tratamento de dados. A lei prevê exceções ao consentimento, entre elas que os dados sejam submetidos antes a um procedimento de dissociação (art. 9), e define dissociar como que os dados não possam ser associados à pessoa titular nem permitir, pela estrutura, pelo conteúdo ou grau de desagregação, a identificação dela (art. 2). Pergunta para a área jurídica: o aviso com o qual esses clientes escreveram cobre que as mensagens deles treinem ou alimentem uma IA? Se a resposta for «não sei», é uma conversa que deve ocorrer antes da técnica. Isto não é assessoria jurídica; é a leitura de um texto que o advogado da empresa deve confirmar para o caso concreto.

Custo. O RAG acrescenta preparação de documentos, busca e mais texto por consulta (a Microsoft enumera: custos de recuperação e de embeddings, e mais tokens de entrada [1]). O fine-tuning acrescenta preparação de exemplos, treinamento, avaliação e, conforme o fornecedor e o esquema de implantação, custos de treinamento, hospedagem e inferência [4]. Pode reduzir a carga de instruções; a avaliação contra uma linha de base dirá se também melhora custo ou latência [4]. Nenhum é «sempre mais barato»: depende do volume, da qualidade dos dados e do que se quer alcançar.

Prazo e manutenção. Com RAG, uma mudança de política é uma mudança de documento. Com fine-tuning, a Microsoft recomenda reavaliar a qualidade quando os dados da tarefa mudam ou o modelo base se aproxima da aposentadoria; pode ser necessário retreinar e reimplantar [4]; ou seja, é preciso revisar se os exemplos ainda representam a tarefa e validar de novo. É a diferença entre atualizar uma pasta e dar o curso outra vez.

Auditoria. Um RAG desenhado com controle de acesso, registro e citações pode facilitar a revisão de qual conteúdo sustentou uma resposta: quem perguntou, quais documentos foram consultados e qual fonte foi mostrada. Nada disso aparece só por usar RAG; depende de como é construído, e a Microsoft adverte que o conteúdo recuperado irrelevante pode produzir respostas imprecisas e que o acesso deve ser controlado [1]. Uma citação não prova por si só que a conclusão esteja correta, mas permite que alguém a revise. Um modelo ajustado não oferece uma fonte por resposta; a rastreabilidade dele é o conjunto de exemplos e os testes com que foi aprovado, e isso deve ser guardado e versionado.

Risco de aprender erros. Este é o ponto do vendedor-estrela. Os chats brutos dele incluem descontos que não deveriam ter sido oferecidos, promessas que o produto não cumpre, respostas improvisadas que funcionaram uma vez e um tom informal que com outro cliente seria um problema. Um modelo ajustado com esse material não distingue o talento da ocorrência.

Com qual começar e por quê

A recomendação dos próprios fornecedores é começar pelo mais simples e subir de degrau somente quando um teste real o justificar. A AWS diz sem rodeios: «comece com a abordagem mais simples e aprofunde-se somente quando for necessário» [2], e a sequência dela vai de usar o modelo tal como está, a instruções, a RAG, e deixa o ajuste fino para quando o comportamento continua não coincidindo [2]. Também adverte que as equipes costumam saltar para o fine-tuning «quando um prompt bem estruturado o teria resolvido em uma tarde» [2].

Uma ressalva honesta: a OpenAI não apresenta isso como uma escada obrigatória. O guia dela diz que muita gente o enxerga como um fluxo linear (instruções, depois RAG, depois fine-tuning), mas que «muitas vezes não é assim»: são alavancas que resolvem coisas diferentes e é preciso acionar a correta [3]. Na prática, as duas posturas coincidem no que importa: primeiro diagnostique o que falha (falta conhecimento ou falha o comportamento?) e escolha a intervenção de menor complexidade que permita testar a hipótese. Comece medindo a falha: instruções se falta orientação; RAG se falta informação atual ou privada; fine-tuning se persiste uma lacuna repetível de comportamento. Podem ser combinados se os testes o justificarem.

A razão executiva: cada degrau acrescenta dados, custo, risco e operação. Antes de investir, meça uma linha de base com casos reais e defina o que significa «respondeu bem».

Quando o fine-tuning convém e quando combiná-los

Convém quando há uma lacuna de comportamento repetível e exemplos aprovados suficientes. A documentação da Microsoft lista os casos típicos [4]:

• Formato ou esquema rígido: saídas estruturadas, relatórios com campos fixos.
• Estilo e tom consistentes, por exemplo no atendimento a clientes.
• Reduzir instruções muito longas, que encarecem e atrasam cada consulta.
• Destilação: usar as saídas de um modelo grande para ajustar um menor que execute bem uma tarefa delimitada, com menos custo e latência.

Também podem ser combinados, e é uma opção quando os testes o justificam: fine-tuning para o comportamento, RAG para os fatos que mudam e devem ser citados. A Microsoft o descreve como melhorar a capacidade do modelo de usar o conhecimento recuperado e descartar o irrelevante [4]. Um assistente que fala com o tom da casa (ajuste) e consulta a tarifa vigente (RAG) resolve as duas coisas.

O caso do WhatsApp, resolvido

Voltemos ao comitê. Esta é uma sequência para limitar o escopo inicial e gerar evidências antes de ampliar.

1. Uma amostra exploratória, não tudo. Comece com uma amostra exploratória, definida com o Comercial, o Jurídico e a Segurança, que cubra tipos de cliente, de objeção e de produto. O tamanho deve bastar para avaliar o caso sem coletar mais dados do que o necessário. Menos dados pessoais em jogo, menos limpeza.
2. Limpar e proteger. Antes de usar uma amostra, definir com o jurídico a base aplicável e aplicar uma dissociação que impeça razoavelmente reidentificar clientes ou colaboradores; retirar nomes, telefones e valores visíveis por si só pode não bastar. Ficar com o padrão, não com a pessoa.
3. Converter em conhecimento aprovado. Do material saem perguntas frequentes, respostas-modelo, tratamento de objeções, comparativos. O vendedor traz o contexto; o responsável comercial ou de produto e os responsáveis por preços, condições e políticas aprovam cada peça. Assim se separa o que funciona do que foi uma concessão de ocasião. Esse documento, com responsável e data de vigência, é o ativo.
4. RAG em modo «sugestão ao vendedor». O assistente não responde ao cliente; propõe uma resposta ao vendedor, com a fonte à vista. Assim se mede quantas sugestões ele aceita, quais corrige e onde o assistente erra. O envio e a decisão comercial continuam nas mãos de uma pessoa, com critérios de revisão, poder de rejeitar a sugestão, registro dos resultados e um caminho de escalonamento definido.
5. Capturar o futuro pelo canal oficial. Para que o conhecimento novo não continue vivendo só em um celular pessoal, as conversas comerciais deveriam passar por um canal da empresa, com aviso de privacidade claro, registro e permissões. É a base de todo o resto.
6. Depois, e somente se houver uma lacuna de estilo que o RAG não fecha, avaliar fine-tuning com exemplos já limpos e aprovados, não com chats brutos.

Uma advertência que deve ser dita com clareza: extrair chats de um celular (exportá-los, copiá-los, usar programas que os leiam) tem implicações de privacidade —os clientes escreveram a uma pessoa, não a um sistema de treinamento— e, se se tratar de uma conta de WhatsApp Business, não use exportadores, scrapers nem aplicativos não autorizados: os termos vigentes do WhatsApp Business App proíbem extrair dados do serviço e usar aplicativos que interajam com ele sem autorização prévia por escrito, e atribuem à empresa a responsabilidade de dar os avisos e obter os direitos e consentimentos necessários [6]. Convém revisar o contrato, a política aplicável e o aviso de privacidade antes de integrar mensagens. Não o recomendamos como ponto de partida. Antes de tocar em um único chat, consultar a área jurídica e de segurança, e revisar com elas o que pode ser feito, com qual base e por qual canal.

Cinco perguntas para o próximo comitê

1. Que decisão o sistema vai assistir e qual fica explicitamente nas mãos de uma pessoa?
2. Qual é a fonte oficial de cada resposta, quem é o responsável por ela e com que frequência muda?
3. Que evidência cada resposta deve guardar para um esclarecimento, uma auditoria ou um regulador?
4. Com qual base e aviso de privacidade temos esses dados, e o que viaja para qual fornecedor ou ambiente? O aviso cobre este uso, quem pode ver os dados, por quanto tempo são conservados e como são atendidos acesso, retificação, cancelamento ou oposição?
5. Como vamos medir que funciona (qual erro é tolerável, o que se escala a uma pessoa) antes de ampliar?

Por onde começar esta semana, sem projeto

Escolha um tipo de pergunta de clientes (por exemplo, objeções sobre um produto). Peça ao melhor vendedor que escreva, em uma folha, as dez respostas que daria e por quê. Com isso já se tem um primeiro conhecimento aprovado, uma amostra para testar um assistente em modo sugestão e, sobretudo, a evidência de se o problema é de conhecimento, de comportamento ou de ambos. É possível começar sem reutilizar chats históricos nem decidir uma contratação.

O que a Hábil faz

A Hábil trabalha desde 2006 na integração de sistemas. A Hábil AI acompanha empresas que avaliam como incorporar IA a processos existentes. Quando as políticas da organização limitam o tratamento de informações fora do ambiente dela, analisa-se com a empresa se a Nova é uma alternativa aplicável e em que condições.

A primeira conversa é sem custo: parte de onde vive hoje o conhecimento da operação e do que deve ser cuidado antes de pô-lo para trabalhar. Escreva para nós pelo WhatsApp.

Consultadas em 6 de outubro de 2026; a referência 4, em 19 de outubro de 2026.