Seu gerente analisa relatórios semanais criados com IA. Ele percebe que as respostas mudam dependendo da quantidade de informações de contexto inseridas nos prompts. Um colega propõe o uso da Geração Aumentada por Recuperação (RAG). Qual é o principal benefício dessa abordagem?

O problema descrito é a variação das respostas conforme a quantidade de contexto colocada no prompt. Em vez de “encher” o prompt manualmente com todo o conhecimento relevante (o que é inconsistente e pode variar de semana para semana), a abordagem de Geração Aumentada por Recuperação (RAG) conecta o modelo a uma base de conhecimento (documentos, políticas, wikis, relatórios, etc.) e, a cada pergunta, recupera automaticamente trechos relevantes para compor o contexto da resposta.

Benefício principal:

• Consistência e atualização: a IA passa a responder baseada em fontes empresariais recuperadas de forma sistemática, mantendo o conteúdo mais alinhado ao conhecimento corporativo vigente, sem depender de prompts enormes e variáveis.

Analisando as alternativas:

• (A) Incorreta: RAG normalmente depende de armazenar/ indexar documentos (não “evita armazenar conhecimento”).
• (B) Correta: descreve exatamente a vantagem central — consultar conhecimento empresarial atualizado de forma consistente, reduzindo a necessidade de instruções longas.
• (C) Incorreta: RAG não substitui LLMs; ele os complementa com recuperação de informação.
• (D) Incorreta: RAG não elimina governança de dados (na prática, governança continua importante).