Preciso de um banco de dados vetorial para IA na empresa?

Não por padrão. A maioria dos agentes de IA de uma empresa pode começar com busca simples sobre documentos organizados e consultas exatas nos sistemas que já guardam os fatos. Vale incluir um banco de dados vetorial quando as pessoas perguntam com palavras diferentes das usadas nos documentos. A forma de descobrir isso é testar perguntas reais antes de escolher a infraestrutura.

Principais pontos

• Muitas perguntas feitas a um agente são consultas (status de um pedido, uma cláusula de contrato, o responsável por uma conta), e um registro estruturado responde a elas com exatidão.
• A busca por palavras-chave com filtros resolve boa parte das perguntas sobre documentos quando eles têm título, data e organização.
• Um índice vetorial ajuda quando o sentido importa mais que a redação, como em textos longos, bagunçados ou em vários idiomas, mas traz algo novo para manter.
• Toda camada de recuperação exige permissões, atualização, exclusão e testes. Incluir uma é um compromisso de operação, não só uma escolha técnica.
• Decida com base em uma amostra de perguntas reais e em um teste de busca, não em um diagrama de arquitetura.

O que um banco de dados vetorial realmente faz?

Um banco de dados vetorial guarda representações numéricas de textos, normalmente chamadas de embeddings. Quando alguém faz uma pergunta, ela é convertida da mesma forma, e o sistema devolve os trechos guardados que estão mais próximos em significado. Na prática, uma busca por “cliente quer o dinheiro de volta” pode trazer um trecho intitulado “exceções de reembolso”, mesmo que os dois textos não tenham nenhuma palavra em comum.

Isso é uma capacidade real, e é a etapa de recuperação do padrão conhecido como geração aumentada por recuperação (RAG), descrito no guia de arquitetura do Google Cloud e na visão geral da AWS. Mas repare no que ele não faz. Ele não sabe qual documento está vigente, quem pode vê-lo ou se o texto está correto. Ele encontra trechos parecidos. Todo o resto depende de como você organiza e governa o material.

Também ajuda separar duas perguntas que costumam ser misturadas. Uma é se você precisa de recuperação semântica, isto é, busca por significado. A outra é se você precisa de um sistema novo e separado para isso. Muitos bancos de dados e ferramentas de busca de uso geral já armazenam embeddings, então a resposta à segunda pergunta costuma ser não, mesmo quando a resposta à primeira é sim.

Quais perguntas são consultas, e não buscas?

Antes de pensar em índices, separe o que o seu agente realmente recebe de perguntas. Um número surpreendente de perguntas de negócio não é busca. São consultas:

• Qual é o status deste pedido?
• Quem é o responsável por esta conta?
• Qual versão da tabela de preços vale para este cliente?
• Quando é a próxima entrega neste local?

A resposta de cada uma está em um campo de um sistema de registro: um CRM, um sistema de pedidos, uma ferramenta de chamados, uma planilha com responsável claro. O desenho certo é uma ferramenta enxuta, somente leitura, que recebe um identificador exato e devolve o registro. O resultado é determinístico, respeita as permissões do sistema de origem e está sempre tão atual quanto ele.

Colocar essa mesma informação em um índice vetorial transforma uma pergunta exata em um palpite por semelhança. O agente pode recuperar a versão do mês passado de um registro, ou um vizinho parecido, e nada na recuperação vai sinalizar o erro. Se você ainda não definiu onde cada fato é oficial, comece por aí, como explicado em como definir fontes oficiais para um agente de IA. Uma fonte da verdade bem definida elimina boa parte do problema de recuperação antes mesmo de ele aparecer.

Quando a busca simples basta?

A busca por palavras-chave, combinada com filtros, basta com mais frequência do que a moda atual sugere. Ela costuma funcionar bem quando a maior parte destas condições é verdadeira:

• O conjunto de documentos é modesto e tem um responsável claro.
• Os documentos têm títulos descritivos, datas e um status, como vigente ou arquivado.
• As pessoas usam o mesmo vocabulário dos documentos: nomes de produtos, códigos de peças, nomes de cláusulas, códigos de erro.
• Os termos exatos importam, e uma resposta quase certa é pior que nenhum resultado.

O último ponto merece atenção. Identificadores e códigos são onde a busca por palavras-chave é mais forte e onde os embeddings podem embaçar as coisas. Uma busca por um código de erro deve devolver documentos que contêm esse código, não documentos sobre problemas parecidos.

Veja um cenário ilustrativo. A equipe de operações de uma pequena distribuidora dá a um agente algumas dezenas de documentos de procedimento sobre recebimento, devoluções e reclamações com transportadoras. A equipe pergunta coisas como “formulário de reclamação com a transportadora” ou “procedimento de devolução do depósito norte”. A busca por palavras-chave com filtro para documentos vigentes responde isso de forma confiável. Então alguém pergunta “o que fazemos quando um pallet chega danificado?” e o documento certo se chama “Tratamento de exceções de frete”. A busca não o encontra.

A reação tentadora é incluir um banco de dados vetorial. O primeiro passo mais barato é corrigir a diferença de vocabulário: renomear o documento, adicionar no topo um resumo curto em linguagem simples e manter uma pequena lista de sinônimos (danificado, quebrado, exceção, reclamação). Se falhas assim continuarem aparecendo em muitos documentos depois disso, você tem evidência para a recuperação semântica. Se elas pararem, você evitou criar um sistema.

Quando um índice vetorial começa a compensar?

O sinal é um descompasso persistente entre como as pessoas perguntam e como o material foi escrito. Ele costuma aparecer em algumas situações:

• Grandes volumes de texto longo escritos por muitos autores, como histórico de suporte, anotações de projetos, relatórios e contratos.
• Clientes ou colaboradores que descrevem o mesmo problema de muitas maneiras diferentes.
• Perguntas em um idioma respondidas a partir de documentos em outro, por exemplo perguntas em inglês sobre material em português.
• Pedidos para encontrar casos passados parecidos, e não um documento específico.

Mesmo assim, as configurações mais fortes raramente são só vetoriais. Uma abordagem híbrida combina busca por palavras-chave e busca semântica, e depois filtra por data, status, cliente ou equipe antes de qualquer coisa chegar ao modelo. Os filtros importam porque a semelhança sozinha devolve sem hesitar uma política substituída que está muito bem escrita.

Se for incluir recuperação semântica, comece pela opção mais leve que sirva: um recurso de embeddings em um banco de dados ou ferramenta de busca que você já opera, antes de um produto separado. Passe para um sistema dedicado só quando escala, velocidade ou recursos que você mediu exigirem. E, qualquer que seja a escolha, comprove com um teste, não com uma impressão. Como testar a qualidade da busca em uma base de IA mostra como montar um conjunto de perguntas com fontes corretas conhecidas, que é a evidência de que você precisa.

Um roteiro de decisão para usar esta semana

Siga estes passos em ordem e pare no primeiro que resolver o problema.

• Reúna uma amostra de perguntas reais que o agente deve responder. Tire-as de e-mails, chats e pedidos de suporte, não da imaginação.
• Classifique cada uma como consulta (a resposta é um campo em um sistema), pergunta sobre documento (a resposta está em um texto) ou pergunta de julgamento (a resposta exige uma pessoa).
• Para consultas, crie uma ferramenta de leitura enxuta ligada ao sistema de registro. Não indexe esses dados.
• Para perguntas sobre documentos, organize os documentos primeiro: títulos claros, datas, status de vigente ou arquivado e um responsável nomeado para cada um. Veja como preparar documentos da empresa para um agente de IA se o material estiver bagunçado.
• Teste a busca por palavras-chave com filtros e uma lista de sinônimos. Rode as perguntas da amostra e anote quais falham.
• Analise as falhas. Se vierem do vocabulário, corrija títulos e sinônimos. Se vierem do sentido (o trecho certo existe, mas não tem palavras em comum com a pergunta), considere a recuperação semântica.
• Inclua a recuperação semântica na menor forma que funcione, combinada com os mesmos filtros, e rode de novo a mesma amostra.
• Mantenha a camada só se ela corrigir falhas que a configuração mais simples não resolvia, e registre por escrito quem a mantém.

A lógica da ordem é que cada passo é mais fácil de desfazer que o seguinte. Renomear um documento custa minutos. Um novo sistema de recuperação custa atenção contínua.

Quanto custa operar cada camada de recuperação?

Um índice vetorial é uma segunda cópia dos seus documentos, transformada em uma forma que as pessoas não conseguem ler. Cópias se afastam do original, e isso cria obrigações fáceis de esquecer quando a demonstração funciona.

Permissões vêm primeiro. Se a equipe só pode ver alguns documentos na origem, o índice precisa aplicar os mesmos limites no momento da recuperação, e não contar com o modelo para omitir o que lhe foi mostrado. Para empresas que atendem vários clientes, é aqui que os vazamentos acontecem, e o tema é tratado de forma prática em isolamento de dados de clientes em agentes de IA.

Atualização vem em seguida. Quando um documento muda, seus embeddings precisam ser refeitos, e quando o modelo de embeddings muda, boa parte do índice pode precisar ser reconstruída. Um índice que fica para trás em relação à origem entrega respostas antigas com toda a confiança.

Exclusão é o terceiro ponto. Se um documento é retirado ou uma pessoa pede a remoção de seus dados, ele precisa desaparecer do índice e de quaisquer trechos em cache. Como apagar a memória de um agente de IA explica a diferença entre corrigir, expirar e excluir, e o índice precisa acompanhar os três casos.

Por fim, há a avaliação. A qualidade da recuperação muda conforme documentos e perguntas mudam, então ela exige verificações recorrentes, não só um teste de lançamento. A orientação da Anthropic sobre engenharia de contexto para agentes faz um alerta parecido: o objetivo é colocar diante do modelo o menor conjunto possível de informações de alto valor, não o maior. Uma camada de recuperação que devolve coisas demais, ou as erradas, pode atrapalhar mais que uma mais simples que devolve menos.

Como uma operação gerenciada trata essa decisão?

Quando a Be Human define o escopo de uma função de agente, a escolha de recuperação segue as perguntas que essa função precisa responder. Listamos essas perguntas com a equipe, marcamos quais são consultas a um sistema de registro e quais são perguntas sobre documentos, e começamos pela recuperação mais leve que as responda, incluindo busca semântica só onde os testes mostram uma lacuna. Permissões, responsáveis pelos documentos e limites de aprovação são definidos antes de qualquer índice ser criado. Na operação gerenciada, avaliações recorrentes de recuperação e revisões da base de conhecimento mostram se a escolha continua valendo conforme documentos e perguntas mudam, de modo que a configuração possa ser simplificada ou ampliada de forma deliberada.

Perguntas frequentes

Banco de dados vetorial e geração aumentada por recuperação (RAG) são a mesma coisa? Não. A geração aumentada por recuperação é um padrão em que o agente busca o material relevante e o usa para responder. O banco de dados vetorial é uma das formas de fazer essa busca, e a busca por palavras-chave ou consultas diretas a registros podem servir ao mesmo padrão.

Quão grande precisa ser o meu conjunto de documentos para eu precisar de um banco de dados vetorial? O tamanho importa menos que a distância entre como as pessoas perguntam e como os documentos foram escritos. Um conjunto pequeno com vocabulário inconsistente pode se beneficiar antes que um grande e bem intitulado. Teste primeiro uma amostra de perguntas reais na busca simples e deixe as falhas indicarem o caminho.

Um banco de dados vetorial reduz as respostas erradas do meu agente? Não sozinho. Ele recupera trechos que parecem relevantes, mas não verifica se estão atuais, corretos ou permitidos. As respostas erradas costumam diminuir quando as fontes são claras, os responsáveis são nomeados e a recuperação é testada, e por isso esses passos vêm primeiro.

Um banco de dados vetorial pode servir de memória para o meu agente? Ele pode guardar material que o agente recupera depois, mas a memória envolve decisões sobre o que manter, quem pode ver e quando esquecer. Essas regras importam mais que a tecnologia de armazenamento. Trate o índice como um mecanismo possível, não como a política de memória em si.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.