Quando uma pessoa pergunta a um assistente de inteligência artificial “qual produto é melhor para mim?” ou “qual serviço atende melhor ao meu caso?”, a resposta não deveria ser apenas uma lista de opções.
Uma recomendação útil precisa considerar contexto, objetivo, preferências, restrições, características da oferta e critérios de escolha.
Isso exige mais do que geração de texto. Exige acesso a informações confiáveis sobre os produtos ou serviços disponíveis e um mecanismo capaz de localizar as alternativas mais compatíveis com a necessidade apresentada.
É nesse cenário que um pipeline RAG pode apoiar sistemas de recomendação baseados em linguagem natural.
A IA só pode recomendar bem aquilo que consegue compreender e comparar. Se as opções estão descritas de forma genérica, incompleta ou inconsistente, a recomendação tende a ser igualmente genérica.
Primeiro, uma distinção importante
Quando falamos em RAG para recomendação, podemos estar tratando de dois contextos diferentes.
Sistema próprio
Uma empresa cria um assistente conectado ao seu catálogo, banco de dados ou base de serviços. O sistema busca opções dentro dessa base e orienta o usuário com base em critérios definidos.
IA pública
Uma pessoa pergunta ao ChatGPT, a um buscador ou a outro assistente quais empresas, produtos ou serviços deveria considerar. Nesse caso, a empresa não controla o pipeline, as fontes consultadas nem os critérios usados.
Construir um RAG próprio pode melhorar recomendações dentro de um sistema controlado. Mas isso não faz com que assistentes públicos passem automaticamente a recomendar a empresa.
Nos ambientes públicos, o que o negócio pode fazer é organizar sua presença digital para que sua oferta seja mais clara, consistente e verificável. Ainda assim, não existe garantia de citação, posicionamento ou recomendação.
O que muda quando a pergunta pede uma recomendação?
Em uma consulta informativa, a pessoa pode perguntar:
“O que é automação de atendimento?”
Em uma consulta de recomendação, a pergunta muda:
“Qual tipo de automação faz sentido para uma clínica pequena que recebe muitos contatos pelo WhatsApp?”
A segunda pergunta exige que o sistema identifique vários elementos:
- o segmento do negócio;
- o porte ou nível de complexidade;
- o canal usado no atendimento;
- o problema que precisa ser resolvido;
- as opções disponíveis;
- os requisitos de cada opção;
- as limitações e os riscos;
- o nível de investimento ou esforço aceitável.
A recomendação não nasce apenas de uma semelhança entre palavras. Ela depende da combinação de contexto, informação recuperada e critérios de decisão.
Como funciona um pipeline RAG para recomendação?
Um pipeline RAG para recomendação pode assumir diferentes formatos, mas uma versão simplificada contém as seguintes etapas:
- o usuário descreve sua necessidade em linguagem natural;
- o sistema identifica os principais critérios presentes na solicitação;
- a busca recupera produtos ou serviços potencialmente relevantes;
- filtros removem opções incompatíveis com as restrições informadas;
- um mecanismo de ranking ou reranqueamento organiza as alternativas;
- o modelo de linguagem explica as opções e os motivos da sugestão;
- o sistema pode pedir mais informações ou encaminhar para uma pessoa.
O papel do RAG é fornecer ao modelo um conjunto de informações relevantes antes da geração da resposta.
O modelo deixa de depender apenas do conhecimento geral adquirido durante seu treinamento e passa a trabalhar com dados específicos do catálogo, da empresa ou do domínio.
O catálogo precisa ser mais do que uma lista de nomes
Para que um sistema consiga comparar alternativas, cada produto ou serviço precisa ser descrito de forma minimamente estruturada.
Uma base útil para recomendação pode incluir:
- nome do produto ou serviço;
- descrição objetiva;
- categoria;
- público indicado;
- problemas ou necessidades atendidas;
- situações em que a opção faz sentido;
- situações em que não é indicada;
- pré-requisitos;
- características técnicas;
- faixa de preço ou modelo de contratação;
- prazo, disponibilidade ou localização;
- restrições;
- diferenças em relação a outras opções;
- fontes que sustentam essas informações.
Quanto mais vaga for a descrição, menor será a capacidade do sistema de diferenciar uma opção da outra.
“Solução completa, personalizada e inovadora” pode funcionar como frase publicitária, mas oferece pouca informação para um mecanismo que precisa decidir em qual situação aquela opção é adequada.
Busca semântica ajuda, mas não resolve tudo
A busca semântica permite localizar itens relacionados ao sentido da pergunta, mesmo quando usuário e catálogo utilizam palavras diferentes.
Uma pessoa pode procurar “uma ferramenta para reduzir o tempo gasto respondendo as mesmas perguntas”, enquanto o catálogo descreve a solução como “assistente de atendimento com base de conhecimento”.
A proximidade semântica pode aproximar a pergunta dessa solução. Mas uma recomendação real costuma exigir outros mecanismos.
Filtros por metadados
Metadados permitem restringir os resultados de acordo com propriedades objetivas, como categoria, localização, faixa de preço, disponibilidade, público, modalidade ou requisito técnico.
Se uma pessoa precisa de atendimento presencial em uma determinada cidade, não adianta recuperar uma opção semanticamente semelhante que só opere em outro local.
Busca por termos exatos
Códigos, nomes de modelos, siglas, normas, especialidades e termos técnicos podem exigir busca lexical ou por palavra-chave.
Por isso, muitos sistemas combinam busca semântica e busca textual em uma arquitetura híbrida.
Reranqueamento
A primeira busca pode recuperar várias opções potencialmente relevantes. Um reranqueador avalia novamente esses resultados em relação à pergunta e reorganiza a lista antes que ela seja entregue ao modelo.
Essa etapa pode aumentar a qualidade da seleção, mas não substitui regras de negócio ou critérios de elegibilidade.
Relevância não é a mesma coisa que adequação
Um dos pontos mais importantes em sistemas de recomendação é distinguir duas ideias:
Relevância indica que um item está relacionado à consulta.
Adequação indica que aquele item é apropriado para a pessoa, para a situação e para as restrições apresentadas.
Uma consultoria individual pode ser relevante para alguém que precisa aprender a usar IA. Mas talvez não seja a opção mais adequada para quem ainda precisa apenas compreender o problema e organizar suas prioridades.
Da mesma forma, uma automação avançada pode estar relacionada à necessidade descrita, mas ser inadequada para um negócio que ainda não possui um fluxo de trabalho definido.
O sistema precisa recuperar opções relacionadas e, em seguida, aplicar critérios de adequação.
Um exemplo aplicado a serviços de IA
Imagine um assistente que precisa orientar potenciais clientes entre quatro alternativas:
- diagnóstico de oportunidades de IA;
- diagnóstico de clareza digital;
- mentoria individual;
- desenvolvimento de automação ou assistente personalizado.
A pergunta do usuário poderia ser:
“Tenho uma pequena clínica, recebo muitos contatos pelo Instagram e pelo WhatsApp, mas ainda não sei o que deveria automatizar.”
Uma busca puramente semântica poderia recuperar conteúdos relacionados a automação, atendimento, Instagram e WhatsApp.
Entretanto, o critério decisivo está em outra parte da frase: a pessoa ainda não sabe o que deve automatizar.
Nesse caso, recomendar imediatamente o desenvolvimento de uma automação poderia ser precipitado. Um diagnóstico inicial provavelmente seria mais adequado para mapear o fluxo de trabalho, identificar repetições e definir prioridades.
Para chegar a essa conclusão, o sistema precisa conhecer não apenas a descrição dos serviços, mas também:
- em que estágio cada serviço é indicado;
- quais informações o cliente já precisa ter;
- qual resultado cada opção entrega;
- quais sinais indicam falta de maturidade para uma solução avançada;
- quando uma conversa humana é necessária.
Regras de negócio continuam sendo necessárias
Nem toda decisão deve ser deixada para a similaridade semântica ou para a interpretação do modelo de linguagem.
Algumas condições precisam ser tratadas como regras explícitas.
Por exemplo:
- não recomendar um produto indisponível;
- não sugerir um serviço que não atende determinada região;
- não indicar uma opção incompatível com o orçamento informado;
- não apresentar como garantido um resultado que depende de avaliação;
- não recomendar automaticamente em situações de alto risco;
- encaminhar para atendimento humano quando faltarem informações.
O RAG recupera contexto. As regras de negócio determinam limites. O modelo de linguagem organiza a resposta.
Essas funções não devem ser confundidas.
A explicação faz parte da recomendação
Uma boa recomendação não deveria apenas dizer:
“Escolha a opção A.”
Ela deveria explicar:
- por que aquela opção foi considerada;
- quais critérios foram utilizados;
- quais limitações precisam ser observadas;
- quais outras alternativas podem ser comparadas;
- quais informações ainda estão faltando;
- qual deve ser o próximo passo.
Esse tipo de explicação permite que a pessoa avalie a sugestão em vez de simplesmente aceitá-la.
Também facilita a revisão do sistema. Se a recomendação não fizer sentido, é possível investigar quais informações foram recuperadas e quais critérios influenciaram a resposta.
O que pode dar errado?
Um pipeline RAG não torna uma recomendação automaticamente correta. Alguns problemas continuam possíveis.
- a base pode estar desatualizada;
- os itens podem ter descrições incompletas;
- os critérios importantes podem não estar registrados;
- a busca pode recuperar opções apenas parcialmente relacionadas;
- os filtros podem eliminar alternativas úteis;
- o ranking pode privilegiar popularidade em vez de adequação;
- o modelo pode apresentar a sugestão com confiança excessiva;
- a ausência de informação pode ser interpretada como inexistência;
- uma recomendação comercial pode favorecer interesses não declarados.
Por isso, o sistema precisa ser testado com casos reais, casos ambíguos e situações em que nenhuma opção deveria ser recomendada.
Como avaliar a qualidade das recomendações?
Avaliar apenas se a resposta parece bem escrita é insuficiente.
A análise pode considerar:
- se as opções recuperadas eram realmente relevantes;
- se todos os critérios obrigatórios foram respeitados;
- se alternativas importantes foram omitidas;
- se a justificativa corresponde às fontes consultadas;
- se o sistema reconheceu a falta de informações;
- se o encaminhamento humano ocorreu quando necessário;
- se a recomendação ajudou a pessoa a tomar uma decisão melhor.
Em ambientes comerciais, também é importante observar se o sistema está direcionando usuários repetidamente para a opção mais cara ou mais conveniente para a empresa, mesmo quando outras alternativas seriam mais adequadas.
E o papel do RAG na recomendação pública de negócios?
Quando uma pessoa pede a uma IA pública uma indicação de clínica, consultoria, restaurante, software ou outro serviço, o mecanismo de resposta pode consultar diferentes fontes, bases próprias, páginas da web ou índices de busca.
O negócio não controla essa arquitetura.
Ainda assim, existe uma preparação possível: tornar a oferta mais clara para pessoas e sistemas.
Isso envolve publicar informações consistentes sobre:
- o que a empresa oferece;
- para quem o serviço é indicado;
- onde atende;
- quais problemas resolve;
- como funciona a contratação;
- quais são os diferenciais verificáveis;
- quais limites e condições existem;
- como entrar em contato;
- quais fontes confirmam essas informações.
Isso não garante recomendação. Mas reduz a ambiguidade e aumenta a chance de o negócio ser corretamente interpretado quando suas informações forem encontradas.
Antes de querer ser recomendado por uma IA, o negócio precisa ser compreensível para ela. Isso começa com informação clara, organizada, consistente e disponível em fontes que possam ser consultadas.
Como preparar uma base para recomendação
Um caminho inicial pode seguir estas etapas:
- definir qual decisão o sistema deve apoiar;
- identificar quais opções podem ser recomendadas;
- descrever cada opção em linguagem clara;
- registrar público, requisitos, restrições e situações de uso;
- definir critérios obrigatórios e critérios de preferência;
- estruturar metadados para filtros objetivos;
- combinar busca semântica e textual quando necessário;
- criar regras para ausência de informação e encaminhamento humano;
- testar perguntas reais e comparar as sugestões esperadas;
- monitorar, revisar e atualizar a base continuamente.
O trabalho começa antes da escolha do banco vetorial, do modelo de embeddings ou da plataforma de IA.
Primeiro, é preciso compreender a decisão que será apoiada e transformar o conhecimento sobre produtos e serviços em informação utilizável.
Conclusão: recomendar exige contexto e critério
RAG pode ser uma peça importante em sistemas que precisam localizar, comparar e apresentar produtos ou serviços em linguagem natural.
Mas a arquitetura de recuperação não define sozinha o que é melhor para uma pessoa.
Uma recomendação útil depende da qualidade do catálogo, dos critérios registrados, dos filtros, das regras de negócio, do ranking, das fontes recuperadas e dos limites definidos para o modelo.
A IA pode ajudar a organizar alternativas e explicar diferenças. Mas precisa ter informações suficientes para saber não apenas o que cada opção é, mas também para quem ela serve, quando faz sentido e quando não deveria ser indicada.
A recomendação começa na base.
Antes do modelo, vêm os dados. Antes da sugestão, vêm os critérios. Antes da automação, vem a compreensão da decisão.
Referências
- Lewis, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Consultar publicação
- Kim, S. et al. ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation. Consultar publicação
- Pinecone. Filter by metadata. Consultar documentação
- Pinecone. Increase search relevance. Consultar documentação
- Pinecone. Hybrid search. Consultar documentação
Seu catálogo está claro o suficiente para orientar uma recomendação?
A Intellih ajuda negócios a organizar informações, critérios de escolha, bases de conhecimento e fluxos de trabalho para aplicações reais de inteligência artificial.
Fale com a Intellih