Uma solução de IA pode consultar políticas, contratos, cadastros, estoque, histórico de atendimento ou regras de negócio. Essas informações não têm o mesmo formato nem o mesmo nível de atualização. Por isso, a escolha da fonte de contexto influencia diretamente a qualidade da resposta e da ação seguinte.
RAG é uma forma de buscar trechos relevantes em documentos antes de gerar uma resposta. Dados estruturados vêm de sistemas e campos organizados, como status de pedido, preço vigente ou cadastro de cliente. Em muitos processos, os dois trabalham juntos.
A pergunta certa é: qual tipo de informação a tarefa precisa para chegar a uma decisão confiável?
Use documentos quando a resposta depende de explicação
Políticas, manuais, procedimentos e condições comerciais costumam exigir texto, contexto e interpretação. Um sistema de busca pode encontrar os trechos que tratam de uma dúvida e entregar esse material para a IA responder com base nele.
Esse uso pede cuidado com versão e propriedade. Se duas políticas conflitantes estiverem disponíveis, o agente pode encontrar a errada. Por isso, documentos precisam de responsável, validade e acesso definido. A base não deve ser uma cópia indiscriminada de tudo o que existe na empresa.
O artigo sobre o que é RAG explica essa arquitetura com mais detalhe. RAG ajuda quando a resposta está em conhecimento textual, mas não substitui uma consulta direta para dados que mudam a todo momento.
Use dados estruturados quando o valor precisa ser exato
Preço, saldo, prazo, status, código de pedido e campo de cadastro são exemplos de informação que deve vir do sistema que a mantém. Buscar esse valor em um documento pode introduzir atraso, versão antiga ou ambiguidade.
Dados estruturados também permitem aplicar regras de forma mais previsível. Um agente pode verificar se um pedido está dentro de determinada condição, mas a regra precisa ser clara e o campo precisa estar correto. Se o cadastro está incompleto, a solução deve pedir revisão ou encaminhar a exceção, não preencher o vazio com uma suposição.
Integrações bem definidas tornam essa consulta mais segura. Elas mostram qual sistema é a fonte oficial e ajudam a registrar de onde veio o dado usado na decisão.
Combine as fontes no mesmo processo
Uma mesma tarefa pode depender dos dois tipos. Para preparar uma resposta comercial, o agente pode consultar o CRM para conhecer a conta e buscar uma política para explicar uma condição. Para tratar um pedido, pode verificar o status no sistema e consultar o procedimento para saber como agir em uma exceção.
O desenho deve deixar claro qual informação tem prioridade quando há conflito. Em geral, o dado transacional atualizado vale para o estado atual. O documento explica a regra ou o procedimento. A pessoa responsável entra quando os dois não são suficientes para decidir.
Na frente de ciência de dados e decision intelligence, organizamos fontes e análises para que a informação chegue ao processo com contexto. Isso é parte de uma solução de IA que a empresa consegue revisar e manter.
Comece pela pergunta, não pela arquitetura
Não é preciso adotar todas as opções de contexto no primeiro projeto. Comece pela pergunta que o agente precisa responder e pela fonte mais confiável para respondê-la. Depois observe casos reais, exceções e mudanças de informação.
Quando a fonte é escolhida pelo tipo de decisão, a IA trabalha com menos ruído e a equipe sabe onde corrigir o problema quando algo fica incorreto.
Deixe a origem visível para quem revisa
Em tarefas que afetam cliente, receita ou cadastro, a pessoa que revisa precisa conseguir identificar a origem do que foi usado. Uma resposta baseada em política deve apontar para a versão correta do documento. Um valor operacional deve poder ser conferido no sistema de origem. Essa rastreabilidade reduz discussões vagas sobre a resposta e acelera a correção.
Também ajuda a perceber quando a fonte perdeu qualidade. Se a equipe corrige sempre o mesmo documento ou campo, o problema está no conhecimento que alimenta o processo e não apenas no comportamento do agente.
