Avaliação de Metodologias de Recuperação Aumentada por Geração (Rag) na Construção de Agentes Generativos

Leopoldino, Matheus Pinheiro; Martins, Anna Carolina

doi:10.22167/2675-6528-202602280

Artigo

16 de setembro de 2026

Avaliação de Metodologias de Recuperação Aumentada por Geração (Rag) na Construção de Agentes Generativos

Matheus Pinheiro Leopoldino; Anna Carolina Martins

DOI: 10.22167/2675-6528-202602280

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O avanço recente dos modelos de linguagem de grande porte impulsionou o uso de agentes generativos em contextos corporativos, mas limitações de fidelidade factual e dependência de conhecimento genérico persistiram. Arquiteturas de Recuperação Aumentada por Geração (RAG) emergiram como solução para integrar bases de conhecimento externas. O estudo avaliou comparativamente diferentes metodologias de RAG aplicadas à construção de agentes generativos voltados ao atendimento automatizado de perguntas frequentes. Para isso, cinco arquiteturas distintas de RAG – clássico, com re-ranker, multi-hop, hierárquico e baseado em agentes – foram implementadas sobre uma base de conhecimento comum e avaliadas sob condições controladas. A avaliação considerou métricas de fidelidade ao contexto, relevância da resposta, latência e uso de tokens, utilizando julgamentos automatizados por meio da abordagem LLM-as-a-judge. Os resultados evidenciaram trade-offs estruturais entre qualidade das respostas, custo computacional e tempo de resposta, indicando a ausência de uma abordagem universalmente superior. Notavelmente, o método hierárquico ofereceu o melhor compromisso entre desempenho e custo computacional. Como contribuição, a pesquisa ofereceu uma análise comparativa sistemática que apoia decisões técnicas e arquiteturais no desenho de agentes generativos baseados em RAG para aplicações empresariais.

Palavras-chave: Arquitetura; LLM; LLM-as-a-Judge; Recuperação.

1. Introdução

A evolução dos Large Language Models (LLMs) tem transformado a interação humana com sistemas computacionais, impulsionando o desenvolvimento de agentes generativos em diversos contextos, notadamente no ambiente corporativo. Esses agentes são projetados para simular a interação textual humana e executar comportamentos direcionados a objetivos específicos, utilizando ferramentas complementares que lhes conferem autonomia (Park et al., 2023). Essa capacidade tem gerado valor significativo para empresas e indivíduos (Godbole et al., 2024; Yu et al., 2025; Manda, 2025; Borishetty et al., 2025).

No setor de atendimento ao cliente, a implementação de agentes generativos baseados em LLMs tem sido adotada como uma alternativa eficaz para otimizar operações. Um estudo de caso em uma empresa com cinco mil funcionários demonstrou uma redução de 37,5% no número de solicitações de suporte após a introdução de uma solução de atendimento baseada em inteligência artificial generativa (Al-Osaimi et al., 2025). Essa aplicação visa diminuir os transbordos para equipes humanas de nível um, ao mesmo tempo em que eleva a qualidade e a consistência das respostas fornecidas aos usuários.

Contudo, apesar do potencial, os LLMs enfrentam desafios significativos, especialmente em domínios específicos. Um dos principais problemas reside na fidelidade factual das respostas e na dependência de conhecimento genérico obtido durante o pré-treinamento, o que pode resultar em informações desatualizadas ou imprecisas para contextos de negócio que exigem conhecimento interno específico (Genesis, 2025). Essa limitação impede que os modelos forneçam respostas precisas para perguntas que demandam dados corporativos ou especializados.

Para superar essas deficiências, as arquiteturas de Recuperação Aumentada por Geração (RAG) emergem como uma solução promissora. A RAG combina mecanismos de busca com modelos generativos, permitindo a integração de bases de conhecimento externas ao processo de geração de respostas. Essa abordagem melhora a ancoragem factual das respostas e facilita a adaptação a bases de conhecimento específicas, o que é crucial em ambientes de suporte com alto volume de perguntas que dependem de uma base de conhecimento interna pré-estabelecida (Gupta et al., 2024; Genesis, 2025).

Apesar da eficácia da RAG, a construção desses sistemas envolve a escolha entre diversas estratégias, cada uma com seus próprios trade-offs em termos de precisão, latência e custo computacional (Genesis e Keane, 2025; Brontes et al., 2025). A proliferação de novas técnicas e a escassez de avaliações comparativas sistemáticas dificultam a tomada de decisões arquiteturais fundamentadas para a construção de agentes generativos. Essa lacuna no arcabouço científico impede a seleção da metodologia mais adequada para diferentes cenários de aplicação.

Diante desse cenário, a presente pesquisa justifica-se pela necessidade de uma análise comparativa sistemática que possa subsidiar decisões técnicas e arquiteturais no desenho de agentes generativos baseados em RAG para aplicações empresariais. Com isso, o objetivo do trabalho é avaliar a performance de diferentes metodologias de RAG aplicadas à construção de agentes generativos voltados para atendimento automatizado de perguntas frequentes, comparando-as a partir das métricas faithfulness, latência na geração das respostas, uso de tokens, answer relevancy e context relevancy, buscando encontrar metodologias que ofereçam um melhor custo-benefício quanto à robustez técnica, custo operacional e qualidade das respostas finais.

2. Material e Métodos

A pesquisa adotada é de natureza aplicada e exploratória, visando compreender o funcionamento de diferentes metodologias de Recuperação Aumentada por Geração (RAG) através da construção de um algoritmo. O estudo foi dividido em quatro fases principais, conforme ilustrado na Figura 1, com etapas realizadas múltiplas vezes para comparar as metodologias de RAG.

Figura 1. Etapas do processo metodológico para avaliação de múltiplas metodologias de RAG.

Fonte: Resultados originais da pesquisa

A execução da pesquisa utilizou um ambiente computacional configurado em Python, empregando bibliotecas como CrewAI para a construção de agentes generativos e reprodutibilidade dos experimentos. As bibliotecas utilizadas e seus papéis estão detalhados na Tabela 1.

Tabela 1. Bibliotecas utilizadas no estudo

Biblioteca	Versão	Papel no estudo
openai	1.0.0	Interface com modelos (LLM e “embeddings”) providos pela OpenAI via API.
anthropic	0.34.0	Interface com modelos de LLM providos pela Anthropic via API.
crewai	0.28.0	“Framework” agêntico utilizado.
faiss-cpu	1.7.4	Indexação e busca vetorial dos “embeddings” da base de conhecimento.
numpy	1.24	Manipulação e armazenamento dos vetores numéricos gerados pelo modelo de “embeddings”.
pandas	2.0	Leitura, organização e armazenamento dos dados experimentais.

Fonte: Resultados originais da pesquisa

O estudo, que lida com dados não estruturados (textos), realizou análises qualitativas escaladas por meio de modelos de linguagem, utilizados tanto na geração quanto na avaliação automatizada das respostas.

A base de conhecimento foi construída a partir do Manual de Instruções e Normas para Trabalhos de Conclusão de Curso da ESALQ/USP, em formato PDF. Deste documento, 200 trechos textuais foram extraídos e segmentados utilizando o modelo multimodal openai-gpt-5.2, via plataforma “web”, com instruções padronizadas para identificar unidades textuais semanticamente coerentes e mitigar vieses. O “prompt” incluía um padrão de retorno combinado de pergunta e resposta.

Após a extração, os trechos foram reclassificados por um LLM em categorias induzidas de forma não supervisionada, como Conceito, Processo, Avaliação, Orientação, Projeto de pesquisa, Metodologia, Ética, Formatação, Referências, Figuras/tabelas, Análise, Conclusão, Resultados preliminares, TCC final, Defesa, Submissão, Elementos pré-textuais, Elementos pós-textuais, Apêndices, Citações, Pós-defesa, Provas, Reconhecimento e Recursos.

O conteúdo da base de conhecimento foi transformado em vetores numéricos (“snippets”) usando o modelo text-embedding-3-small da OpenAI. Esses vetores foram convertidos para “float32” e organizados em um “array” NumPy.

Um índice vetorial foi construído com FAISS, utilizando a estrutura IndexFlatL2 para similaridade por distância euclidiana (L2). O índice foi populado com os “embeddings” gerados e persistido em disco, mantendo o mapeamento entre posição no índice e registro textual.

A recuperação vetorial base, comum a todas as metodologias avaliadas, foi implementada de forma determinística. As consultas eram convertidas para vetores numéricos pelo mesmo modelo e buscadas no índice FAISS, retornando os 5 melhores resultados (“snippets”) por “Busca de Vizinhos Mais Próximos” (“Nearest Neighbor Search”).

Para avaliar as metodologias RAG, 200 perguntas foram geradas pelo modelo gemini-3-flash (via plataforma “web”), diferente do modelo de criação da base de conhecimento para evitar vieses. As perguntas foram divididas igualmente em quatro grupos, conforme a Tabela 2, para avaliar diferentes níveis de dependência do mecanismo de recuperação.

Tabela 2. Classificações de perguntas criadas para avaliação

Classificação	Definição	Exemplo
Totalmente relacionadas – “single-snippet”	Perguntas cuja resposta pode ser obtida integralmente a partir de um único trecho recuperado da base de conhecimento.	O TCC pode ser realizado em grupo?
Totalmente relacionadas – “multi-snippet”	Perguntas cuja resposta exige a combinação de dois ou mais trechos recuperados da base de conhecimento.	Qual o peso do TCC na média final e como a reprovação nele afeta a obtenção do título?
Parcialmente relacionadas	Perguntas relacionadas ao conteúdo da base, mas que demandam conhecimento adicional não presente nos trechos recuperados.	Existe um limite de vezes que posso trocar de orientador?
Não relacionadas	Perguntas sem relação com o conteúdo da base de conhecimento, não passíveis de resposta a partir do sistema RAG.	Como aprender a tocar violão sozinho pela internet?

Fonte: Resultados originais da pesquisa

Múltiplos agentes foram construídos usando o “framework” CrewAI para implementar e comparar cinco estratégias de RAG: Clássico, Re-ranqueamento, Multihop, Hierárquico e Agêntico, conforme detalhado na Tabela 3. Para comparabilidade, parâmetros como temperatura (0), número máximo de trechos recuperados (5) e modelo de linguagem (openai-gpt-40-mini) foram mantidos constantes, assim como “prompts” equivalentes.

Tabela 3. Estratégias de RAG para geração de respostas utilizadas

Estratégia	Definição
Clássico	Trechos relevantes são recuperados por busca vetorial e fornecidos diretamente como contexto para um modelo de linguagem gerar a resposta.
Re-ranqueamento	Trechos inicialmente recuperados por busca vetorial passam por uma etapa adicional de reavaliação semântica para selecionar os contextos mais relevantes antes da geração da resposta.
Multihop	Sistema realiza múltiplas etapas de recuperação, formulando perguntas intermediárias sucessivas para reunir informações complementares antes de produzir a resposta final.
Hierárquico	Organiza a base de conhecimento em níveis temáticos e restringe a busca vetorial aos grupos de tópicos mais relevantes para a pergunta, refinando o escopo da recuperação.
Agêntico	Múltiplos agentes especializados cooperam entre si, distribuindo tarefas como refinamento da pergunta, recuperação de contexto e síntese da resposta em um fluxo colaborativo de raciocínio.

Fonte: Resultados originais da pesquisa

A abordagem RAG Clássico integrou diretamente a recuperação vetorial com o modelo de geração. Trechos semanticamente próximos foram selecionados, organizados em blocos de contexto e concatenados para o modelo de linguagem gerar a resposta. Um agente único orquestrou a busca vetorial e a geração da resposta.

No RAG com Re-ranqueamento, uma etapa intermediária foi adicionada. Após a busca vetorial inicial, os trechos foram submetidos a uma reavaliação semântica por um modelo de linguagem (“cross-encoder”) para selecionar os três mais pertinentes, que compuseram o contexto final. Um agente único gerenciava a busca e o re-ranqueamento.

O RAG “multi-hop” utilizou um mecanismo iterativo de recuperação. O modelo de linguagem analisava os trechos recuperados e, se necessário, formulava perguntas intermediárias para obter informações complementares. Este processo podia ser repetido por até 3 interações, construindo um contexto progressivo a partir de informações dispersas.

A abordagem Hierárquica estruturou a base de conhecimento em grupos temáticos. Para cada pergunta, um modelo de linguagem classificava o tópico mais provável, restringindo a busca vetorial aos trechos desse grupo temático. Os trechos resultantes eram então organizados e fornecidos ao modelo gerador.

O RAG baseado em Agentes expandiu a arquitetura para um sistema multiagente no “framework” CrewAI. Agentes especializados assumiram papéis como reformular a pergunta original, buscar e selecionar trechos relevantes, e sintetizar a resposta final. A interação sequencial e coordenada entre agentes simulou um fluxo colaborativo de raciocínio.

Durante a execução, dados como contexto enviado, estimativa de “tokens” e latência foram armazenados. As etapas de decisão, recuperação e re-ranqueamento foram rastreadas por “logs” de “debug” para garantir transparência e reprodutibilidade. Os fluxos agênticos foram executados isoladamente, com mecanismos de liberação de memória para evitar “state leakage”.

A avaliação das metodologias considerou cinco métricas principais: “faithfulness” (fidelidade da resposta ao contexto), “answer relevancy” (adequação da resposta à pergunta), “context relevancy” (qualidade dos trechos recuperados), latência (tempo de processamento) e uso de “tokens” (consumo computacional). As três primeiras métricas avaliam a qualidade semântica e informacional, enquanto as duas últimas refletem desempenho e custo.

As métricas de qualidade (“faithfulness”, “answer relevancy”, “context relevancy”) foram calculadas pela abordagem “LLM-as-a-judge”, utilizando o modelo claude-haiku-4-5-20251001, configurado com temperatura zero para julgamentos determinísticos e reprodutíveis, a fim de reduzir vieses. Os “prompts” de avaliação definiram critérios explícitos para escores normalizados entre 0 e 1, acompanhados de justificativas textuais.

As métricas operacionais de latência e uso de “tokens” foram medidas diretamente pelo “runner” de execução, utilizando “timestamps” do relógio do sistema para latência e o consumo de “tokens” como “proxy” de custo computacional. Um mecanismo de “retry” foi implementado para chamadas ao avaliador, com até três tentativas adicionais e “backoff” exponencial (1, 2 e 4 segundos) em caso de erros transitórios.

3. Resultados e Discussão

Os resultados para a métrica de faithfulness indicaram uma degradação progressiva na fidelidade das respostas à medida que a complexidade das perguntas aumentava. Perguntas totalmente relacionadas e suportadas por um único snippet apresentaram os maiores níveis de aderência factual, seguidas por aquelas que exigiam múltiplos snippets, perguntas parcialmente relacionadas e, por fim, perguntas não relacionadas. Este padrão, detalhado na Tabela 4, sugere que, conforme as tarefas demandam maior capacidade de integração semântica ou inferência além do conhecimento explicitamente disponível, a probabilidade de desvios factuais nas respostas geradas pelos sistemas avaliados aumenta. Embora muitos cenários tenham mostrado valores consistentes entre o primeiro (Q1) e o terceiro quartil (Q3), cenários com alta variação e onde as respostas eram passíveis de serem geradas a partir da base de conhecimento disponível podem representar riscos para implementação corporativa e devem ser analisados caso a caso.

Tabela 4. Resultados para a métrica LLM-as-a-judge “faithfulness”

Métod. RAG	Grupo	Média	Q1	Mediana	Q3
Agêntico	Não relacionadas	0.7	0.3	1.0	1.0
Clássico	Não relacionadas	1.0	1.0	1.0	1.0
Hierárquico	Não relacionadas	1.0	1.0	1.0	1.0
Multihop	Não relacionadas	0.5	0.0	0.5	1.0
Re-ranqueamento	Não relacionadas	1.0	1.0	1.0	1.0
Agêntico	Parcialmente relacionadas	0.8	0.5	1.0	1.0
Clássico	Parcialmente relacionadas	0.9	0.6	1.0	1.0
Hierárquico	Parcialmente relacionadas	0.9	1.0	1.0	1.0
Multihop	Parcialmente relacionadas	0.8	0.5	1.0	1.0
Re-ranqueamento	Parcialmente relacionadas	0.8	0.5	1.0	1.0
Agêntico	“multi-snippet”	0.7	0.5	0.5	1.0
Clássico	“multi-snippet”	0.7	0.5	0.5	1.0
Hierárquico	“multi-snippet”	0.8	0.5	0.8	1.0
Multihop	“multi-snippet”	0.6	0.5	0.5	0.5
Re-ranqueamento	“multi-snippet”	0.7	0.5	0.5	1.0
Agêntico	“single-snippet”	1.0	1.0	1.0	1.0
Clássico	“single-snippet”	1.0	1.0	1.0	1.0
Hierárquico	“single-snippet”	0.9	1.0	1.0	1.0
Multihop	“single-snippet”	1.0	1.0	1.0	1.0
Re-ranqueamento	“single-snippet”	1.0	1.0	1.0	1.0

Fonte: Resultados originais da pesquisa.

Este padrão de degradação da fidelidade foi consistente entre as diferentes metodologias de RAG, mas com intensidades variadas. Abordagens mais complexas, como as metodologias agêntica e multihop, mostraram maior propensão à alucinação. Na abordagem multihop, isso pode ser atribuído ao encadeamento sucessivo de consultas e respostas intermediárias, que tende a introduzir ruído adicional e aumentar a chance de geração de conteúdo não estritamente fundamentado. A metodologia agêntica, por sua vez, exibiu maior variabilidade nos escores de faithfulness, possivelmente devido à autonomia dos agentes e à divisão de responsabilidades cognitivas, o que pode levar a respostas mais elaboradas mesmo com embasamento parcial ou inexistente. É crucial avaliar os casos de alucinação considerando o risco associado ao caso de uso, distinguindo entre respostas sem relação lógica de conteúdo e aquelas que, embora não embasadas na base interna, podem ser corretas pelo conhecimento de mundo. O estudo observou o segundo tipo de alucinação. Em contraste, a abordagem hierárquica demonstrou maior robustez na métrica de faithfulness, o que se associa ao forte mecanismo de restrição contextual imposto pela organização hierárquica dos documentos, limitando a exposição a contextos marginais.

A análise conjunta das métricas de faithfulness e answer relevancy, apresentada na Tabela 5, revelou um trade-off significativo entre fidelidade factual e utilidade percebida das respostas. Metodologias com maior propensão à alucinação frequentemente exibiram escores mais altos de relevância da resposta. Isso sugere que a liberdade de extrapolar além do conhecimento explicitamente recuperado, embora aumente o risco de imprecisão, pode gerar respostas mais úteis, especialmente quando a base de conhecimento não contém informações diretamente aplicáveis à questão proposta. Este achado ressalta a importância da manutenção das bases de conhecimento em sistemas de RAG e indica uma relação inversamente proporcional entre a cobertura da base e a necessidade de conhecimento externo por parte dos agentes de recuperação.

Tabela 5. Resultados para a métrica LLM-as-a-judge “answer relevancy”

Métod. RAG	Grupo	Média	Q1	Mediana	Q3
Agêntico	Não relacionadas	0,5	0,0	0,3	1,0
Clássico	Não relacionadas	0,0	0,0	0,0	0,0
Hierárquico	Não relacionadas	0,0	0,0	0,0	0,0
Multihop	Não relacionadas	0,7	0,1	1,0	1,0
Re-ranqueamento	Não relacionadas	0,0	0,0	0,0	0,0
Agêntico	Parcialmente relacionadas	0,5	0,5	0,5	0,5
Clássico	Parcialmente relacionadas	0,6	0,5	0,5	0,9
Hierárquico	Parcialmente relacionadas	0,5	0,5	0,5	0,5
Multihop	Parcialmente relacionadas	0,4	0,1	0,5	0,5
Re-ranqueamento	Parcialmente relacionadas	0,6	0,5	0,5	0,9
Agêntico	“multi-snippet”	0,9	0,6	1,0	1,0
Clássico	“multi-snippet”	0,8	0,6	0,8	0,9
Hierárquico	“multi-snippet”	0,8	0,8	0,9	1,0
Multihop	“multi-snippet”	0,9	1,0	1,0	1,0
Re-ranqueamento	“multi-snippet”	0,8	0,8	0,9	1,0
Agêntico	“single-snippet”	1,0	1,0	1,0	1,0
Clássico	“single-snippet”	1,0	1,0	1,0	1,0
Hierárquico	“single-snippet”	0,9	1,0	1,0	1,0
Multihop	“single-snippet”	1,0	1,0	1,0	1,0
Re-ranqueamento	“single-snippet”	1,0	1,0	1,0	1,0

Fonte: Resultados originais da pesquisa.

O efeito de maior relevância com menor fidelidade foi notável no conjunto de perguntas não relacionadas, onde a abordagem multihop apresentou uma proporção significativa de respostas úteis, mesmo sem suporte factual direto da base de conhecimento. Nesses casos, a alta answer relevancy resultou do uso de conhecimentos gerais ou inferências implícitas do modelo. Isso demonstra que utilidade percebida e fidelidade factual são dimensões complementares, não necessariamente alinhadas. A métrica de context relevancy, apresentada na Tabela 6, revelou um comportamento distinto das métricas anteriores. Embora tenha havido uma degradação progressiva da relevância dos trechos recuperados com o aumento da complexidade das perguntas, não se observaram diferenças significativas entre as metodologias avaliadas. Isso sugere que os mecanismos de recuperação, nas implementações estudadas, convergiram para conjuntos de contexto semanticamente semelhantes, independentemente da arquitetura de RAG utilizada.

Tabela 6. Resultados para a métrica LLM-as-a-judge “context relevancy”

Métod. RAG	Grupo	Média	Q1	Mediana	Q3
Agêntico	Não relacionadas	0,0	0,0	0,0	0,0
Clássico	Não relacionadas	0,0	0,0	0,0	0,0
Hierárquico	Não relacionadas	0,0	0,0	0,0	0,0
Multihop	Não relacionadas	0,0	0,0	0,0	0,0
Re-ranqueamento	Não relacionadas	0,0	0,0	0,0	0,0
Agêntico	Parcialmente relacionadas	0,3	0,0	0,3	0,5
Clássico	Parcialmente relacionadas	0,3	0,0	0,3	0,5
Hierárquico	Parcialmente relacionadas	0,3	0,0	0,3	0,5
Multihop	Parcialmente relacionadas	0,3	0,0	0,3	0,5
Re-ranqueamento	Parcialmente relacionadas	0,3	0,0	0,3	0,5
Agêntico	“multi-snippet”	0,6	0,5	0,5	0,8
Clássico	“multi-snippet”	0,6	0,5	0,5	0,8
Hierárquico	“multi-snippet”	0,6	0,5	0,5	0,8
Multihop	“multi-snippet”	0,6	0,5	0,6	0,8
Re-ranqueamento	“multi-snippet”	0,6	0,5	0,5	0,8
Agêntico	“single-snippet”	0,9	0,9	1,0	1,0
Clássico	“single-snippet”	0,9	0,9	1,0	1,0
Hierárquico	“single-snippet”	0,9	0,9	1,0	1,0
Multihop	“single-snippet”	0,9	0,9	1,0	1,0
Re-ranqueamento	“single-snippet”	0,9	0,9	1,0	1,0

Fonte: Resultados originais da pesquisa.

A ausência de diferenciação relevante na métrica de context relevancy não implica que todas as metodologias sejam igualmente eficazes em termos de recuperação de contexto, mas sugere que as estratégias aplicadas podem não ter sido suficientemente distintas ou necessárias para produzir separações mensuráveis. Três fatores podem ter contribuído para este cenário: a estrutura da base de conhecimento, que era um manual de normas altamente delimitado, favorecendo recuperações precisas; a natureza das perguntas geradas, que, mesmo sendo de outro modelo de linguagem, mantinham alta relação semântica com a base para perguntas totalmente relacionadas; e o gargalo no top-K de cinco snippets recuperados, que pode ter limitado a capacidade de aprofundamento de técnicas como multihop e re-ranqueamento, focadas em bases de conhecimento extensas. Este resultado sugere a necessidade de futuras investigações com técnicas mais sofisticadas de geração de perguntas e recuperação.

Em relação à latência, os resultados, detalhados na Tabela 7, refletiram a complexidade computacional inerente a cada metodologia. O método clássico demonstrou os menores tempos de resposta devido à sua simplicidade arquitetural e ao menor número de etapas, sendo ideal para perguntas simples onde a latência é um fator crítico. Por outro lado, metodologias mais elaboradas, como o re-ranqueamento, apresentaram latências substancialmente superiores, mesmo para perguntas de baixa complexidade. Isso indica que o custo computacional adicional introduzido por etapas intermediárias pode não ser compensado em todos os cenários, sugerindo a adequação de diferentes metodologias de RAG para tipos específicos de perguntas e a possibilidade de pipelines híbridos em ambientes produtivos.

Tabela 7. Resultados para a métrica de latência na geração da resposta

Métod. RAG	Grupo	Média	Q1	Mediana	Q3
Agêntico	Não relacionadas	10,3	7,7	8,4	12,4
Clássico	Não relacionadas	3,2	2,5	2,6	3,7
Hierárquico	Não relacionadas	4,2	3,5	3,9	5,0
Multihop	Não relacionadas	9,3	6,3	8,5	12,5
Re-ranqueamento	Não relacionadas	17,0	8,8	14,2	15,3
Agêntico	Parcialmente relacionadas	7,0	5,7	6,6	7,3
Clássico	Parcialmente relacionadas	3,1	2,5	2,7	3,2
Hierárquico	Parcialmente relacionadas	4,3	3,3	4,0	4,9
Multihop	Parcialmente relacionadas	6,4	5,8	6,1	6,4
Re-ranqueamento	Parcialmente relacionadas	10,3	8,0	8,6	9,0
Agêntico	“multi-snippet”	8,4	7,8	8,3	8,9
Clássico	“multi-snippet”	5,5	3,2	3,8	4,2
Hierárquico	“multi-snippet”	4,2	3,9	4,1	4,7
Multihop	“multi-snippet”	8,3	7,8	8,2	8,8
Re-ranqueamento	“multi-snippet”	9,5	8,7	9,6	10,0
Agêntico	“single-snippet”	5,9	5,3	5,4	6,0
Clássico	“single-snippet”	2,8	2,6	2,8	3,0
Hierárquico	“single-snippet”	3,7	3,2	3,4	4,2
Multihop	“single-snippet”	5,5	5,3	5,4	5,5
Re-ranqueamento	“single-snippet”	8,1	7,6	8,0	8,5

Fonte: Resultados originais da pesquisa.

A análise do consumo de tokens no prompt, apresentada na Tabela 8, revelou que as abordagens multihop e agêntica consumiram aproximadamente o dobro de tokens em comparação com as demais metodologias. Esse consumo elevado reflete a necessidade de manter históricos de interação mais extensos, múltiplos contextos intermediários ou instruções adicionais ao longo do processo de geração. Embora associado à maior flexibilidade cognitiva dessas abordagens, esse aumento no custo operacional impõe limitações de escalabilidade e viabilidade econômica, especialmente em aplicações de larga escala onde latência e custo por requisição são fatores críticos de decisão arquitetural.

Tabela 8. Resultados para a métrica de consumo de tokens no prompt

Métod. RAG	Grupo	Média	Q1	Mediana	Q3
Agêntico	Não relacionadas	2065	1089	2010	2510
Clássico	Não relacionadas	783	585	590	1039
Hierárquico	Não relacionadas	785	688	702	716
Multihop	Não relacionadas	2290	1216	1257	3013
Re-ranqueamento	Não relacionadas	3596	718	1517	1580
Agêntico	Parcialmente relacionadas	1002	912	931	1007
Clássico	Parcialmente relacionadas	667	593	603	609
Hierárquico	Parcialmente relacionadas	778	694	712	725
Multihop	Parcialmente relacionadas	1247	1234	1249	1258
Re-ranqueamento	Parcialmente relacionadas	903	719	730	750
Agêntico	“multi-snippet”	1028	995	1028	1057
Clássico	“multi-snippet”	1851	620	629	647
Hierárquico	“multi-snippet”	728	705	739	765
Multihop	“multi-snippet”	1287	1255	1301	1310
Re-ranqueamento	“multi-snippet”	765	756	761	768
Agêntico	“single-snippet”	936	891	914	961
Clássico	“single-snippet”	597	589	592	597
Hierárquico	“single-snippet”	729	602	666	726
Multihop	“single-snippet”	1273	1234	1261	1295
Re-ranqueamento	“single-snippet”	724	715	718	728

Fonte: Resultados originais da pesquisa.

A Figura 1 apresenta uma análise consolidada das métricas, revelando as diferenças no equilíbrio entre qualidade das respostas e eficiência computacional entre os métodos avaliados. O método Hierárquico demonstrou o desempenho mais equilibrado, combinando altos níveis de faithfulness com valores relativamente elevados de answer relevancy e boa eficiência nas métricas de consumo de tokens. O método Clássico destacou-se pela baixa latência, mantendo níveis competitivos de fidelidade e consumo de tokens, o que o torna uma alternativa eficiente quando o tempo de resposta é um fator crítico. O método Agêntico obteve bom desempenho em qualidade de resposta, particularmente em answer relevancy, porém apresentou penalidades nas métricas de custo computacional, como latência e consumo de tokens. O método multihop mostrou desempenho semelhante ao Agêntico em relevância da resposta, mas com menor eficiência computacional geral. Por fim, o método de Re-ranqueamento apresentou resultados mais modestos no conjunto das métricas analisadas, sobretudo em latência e relevância da resposta. Considerando simultaneamente qualidade e eficiência, os resultados consolidados do estudo sugerem que o método Hierárquico oferece o melhor compromisso entre desempenho e custo computacional no contexto avaliado.

Figura 1. Análise comparativa das métricas entre os diferentes métodos

Fonte: Resultados originais da pesquisa.

Os resultados deste estudo indicaram que não há uma metodologia de RAG universalmente superior em todas as dimensões analisadas. As diferentes arquiteturas avaliadas apresentaram comportamentos distintos nas métricas de faithfulness, answer relevancy, context relevancy, latência e consumo de tokens, revelando a existência de trade-offs estruturais entre fidelidade factual, utilidade percebida, custo computacional e desempenho operacional, especialmente quando avaliadas pela perspectiva de diferentes estilos de perguntas. Abordagens mais flexíveis, como multihop e agêntica, tenderam a produzir respostas mais relevantes, especialmente para perguntas nas quais a base de conhecimento não oferecia suporte direto, o que pode ser útil quando a cobertura de conhecimento ainda não está consolidada. Contudo, esse ganho em answer relevancy ocorreu à custa de maior propensão à extrapolação não ancorada no contexto recuperado, manifestando-se em aumento do risco de alucinação factual, maior latência e consumo significativamente superior de tokens. Em contraste, metodologias mais restritivas, como a abordagem hierárquica e o método clássico, demonstraram maior controle sobre a fidelidade factual e melhor desempenho operacional, ainda que com menor capacidade de extrapolação em perguntas complexas ou pouco relacionadas. Esses achados reforçam que as métricas de qualidade em sistemas de RAG não devem ser analisadas isoladamente, mas sim como dimensões complementares que refletem objetivos distintos de projeto. A adoção de sistemas de RAG em ambientes produtivos deve ponderar acurácia, utilidade, custo, latência e robustez contra a alucinação, com a tolerância à extrapolação sendo avaliada conforme o contexto de negócio. Arquiteturas híbridas, capazes de selecionar dinamicamente a metodologia mais adequada ao tipo de pergunta, podem ser um caminho promissor para equilibrar esses trade-offs.

4. Conclusão

O presente estudo avaliou comparativamente a performance de diferentes metodologias de Recuperação Aumentada por Geração (RAG) na construção de agentes generativos para atendimento automatizado de perguntas frequentes. Verificou-se que não existe uma abordagem universalmente superior, mas sim trade-offs estruturais entre a qualidade das respostas, o custo computacional e o desempenho operacional. Observou-se que a fidelidade factual das respostas degradou-se com o aumento da complexidade das perguntas, sendo mais acentuada em metodologias como a agêntica e a multi-hop, que também apresentaram maior propensão à alucinação. Em contrapartida, notou-se que a relevância da resposta, especialmente para perguntas sem suporte direto na base de conhecimento, frequentemente se elevou à custa da fidelidade. A metodologia hierárquica demonstrou o melhor compromisso entre desempenho e custo computacional, enquanto o método clássico destacou-se pela baixa latência, sendo eficiente para perguntas mais simples. A principal contribuição da pesquisa reside na oferta de uma análise comparativa sistemática que subsidia decisões técnicas e arquiteturais no desenho de agentes generativos baseados em RAG para aplicações empresariais.

Apesar dos achados, a análise da relevância do contexto não revelou diferenças significativas entre as metodologias, um resultado que pode ter sido influenciado pela natureza altamente delimitada da base de conhecimento, pela alta relação semântica das perguntas geradas e pelo gargalo imposto pelo limite de cinco snippets recuperados. Tais fatores sugerem que as estratégias de recuperação podem não ter sido suficientemente testadas em sua capacidade de diferenciação. Para futuras investigações, recomenda-se a exploração de técnicas mais sofisticadas de geração de perguntas e recuperação, como o re-ranqueamento semântico profundo e a expansão adaptativa de consultas. Sugere-se também a avaliação de estratégias adaptativas que considerem o nível de confiança do sistema e a cobertura da base de conhecimento, visando ampliar a capacidade de generalização e a confiabilidade dos agentes generativos baseados em RAG. A implementação de arquiteturas híbridas, capazes de selecionar dinamicamente a metodologia mais adequada ao tipo de pergunta, emerge como um caminho promissor para equilibrar os trade-offs identificados entre acurácia, utilidade, custo, latência e robustez contra a alucinação em ambientes produtivos.

Referências Bibliográficas

Al-Osaimi, M; Altuwayrah, A.; Khan, H.; Rahman, Abdul. 2025. Transforming Support Efficiency in Exploration: A Combined GenAI Models Solution for improved Application Support. Disponível em: https://doi.org/10.2118/227054-MS. Acesso em: 25 out. 2025.

Genesis, J. 2025. Retrieval-Augmented Text Generation: Methods, Challenges, and Applications. Disponível em:

Park, J. S.; O’Brien, J. C.; Cai, C. J.; Morris, M. R.; Liang, P.; Bernstein, M. S. 2023. Generative Agents: Interactive Simulacra of Human Behavior. Disponível em: . Acesso em: 30 abr. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Você também pode gostar

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

Este estudo analisou a relação entre colaborações de marcas, conhecidas como “collabs”, no setor de cosméticos e a produção de conteúdo gerado pelo usuário (UGC) em plataformas digitais. A pesquisa abordou a relevância do tema diante do crescimento do mercado de beleza e da intensificação das estratégias de “co-branding” como ferramenta de diferenciação e inovação. O objetivo principal foi compreender de que forma essas colaborações influenciaram o comportamento do consumidor digital, com foco na criação de UGC e na intenção de compra. Para isso, a metodologia adotada foi exploratória e descritiva, com a aplicação de um questionário online a 493 respondentes da região Sudeste do Brasil. Os dados coletados foram analisados por meio de estatística descritiva. Os resultados indicaram que, embora as “collabs” gerassem engajamento entre os consumidores, a produção de UGC ativo foi baixa, predominando interações passivas como curtidas, salvamentos e reações rápidas. Adicionalmente, as colaborações demonstraram influência limitada na intenção de compra e na disposição a pagar mais pelos produtos. Concluiu-se que, apesar do potencial estratégico das “collabs” para o mercado de cosméticos, sua efetividade dependeu de fatores como a relevância percebida, a identificação com a marca e a presença de estímulos adicionais para a criação de conteúdo pelo usuário.

Palavras-chave: Comportamento online; Co-branding; Engajamento do consumidor; Intenção de compra; Interação digital.

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

O planejamento de vendas e estoques mostrou-se relevante para a tomada de decisão empresarial. O trabalho teve como objetivo desenvolver um modelo de previsão de vendas por produto, cliente e loja para os 12 meses subsequentes, utilizando dados históricos mensais. A metodologia baseou-se na aplicação de modelos da família ARIMA a 5.669 registros de vendas, abrangendo 745 combinações únicas de produto, cliente e loja, de janeiro de 2021 a dezembro de 2024. Realizou-se análise exploratória da série agregada, decomposição sazonal, testes de estacionariedade, análise de autocorrelação e identificação de modelos candidatos. A seleção dos modelos foi apoiada por procedimento stepwise e comparação walk-forward com estimador uniforme (SARIMAX). Os resultados indicaram que o modelo SARIMA(1,1,0)(1,0,0,12) apresentou desempenho superior ao ARIMA(1,1,1), com um MAPE de 13,51% e melhor aderência ao comportamento sazonal. Na aplicação granular, 122 séries receberam SARIMA, 247 receberam ARIMA e 376 utilizaram média histórica. Concluiu-se que a incorporação da componente sazonal fortaleceu a consistência metodológica e a utilidade prática do modelo para a previsão de vendas.

Palavras-chave: planejamento de estoques; SARIMA; sazonalidade; séries temporais.

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

A disponibilidade de dados ambientais consistentes é fundamental para o avanço das pesquisas em climatologia e gestão de recursos hídricos. Desenvolveu-se e implementou-se um algoritmo computacional em linguagem R para a aquisição automatizada, padronização e organização de séries históricas diárias de precipitação, nível e vazão, provenientes do WebService da Agência Nacional de Águas e Saneamento Básico (ANA). O método baseou-se em um pipeline de dados estruturado, operando conforme as janelas temporais de 1961–1990, 1991–2020 e 2021–2024. A implementação utilizou processamento paralelizado, o que garantiu ganho de desempenho em relação a métodos sequenciais. Como resultado, o algoritmo qualificou o inventário de estações e gerou dados estruturados em formato Parquet com compressão gzip, assegurando alta performance e economia volumétrica. Concluiu-se que a solução automatizada superou as limitações operacionais de ferramentas manuais e preexistentes, provendo datasets curados e de alta granularidade, aptos para aplicações avançadas de modelagem hidrológica e algoritmos de Machine Learning.

Palavras-chave: Automação; Ciência de dados; Hidrologia; Linguagem R; Séries temporais.

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

A gestão do tempo configura-se como um elemento essencial para a melhoria da produtividade e da qualidade das entregas, ao permitir a organização, priorização e execução eficiente das atividades, contribuindo diretamente para o alcance de metas e a otimização dos resultados no contexto profissional e pessoal. Objetivou-se compreender como práticas, ferramentas e técnicas de gestão do tempo, adotadas por instrutores de formação profissional rural e de promoção social, se associaram a dois desfechos centrais: a realização das atividades diárias planejadas e a percepção do impacto dessas práticas no bem-estar e produtividade. Os dados foram coletados por meio de questionário on-line estruturado, composto por 18 questões, e as análises foram realizadas no ambiente Python com bibliotecas estatísticas. Os resultados revelaram que a elevada formação acadêmica e maturidade profissional não se traduziu em maior eficácia na gestão do tempo. Observou-se amplo conhecimento sobre ferramentas e técnicas, mas sua utilização prática foi limitada e desigual. Ferramentas mais simples e intuitivas, como listas de tarefas, apresentaram maior adesão, enquanto técnicas que exigem transformações comportamentais, como a Técnica Pomodoro, tiveram baixa aplicação. Houve predominância do uso de soluções digitais, com destaque para o Google Agenda. Evidenciou-se uma percepção quase unânime de que a gestão do tempo influencia diretamente a produtividade e o bem-estar. Concluiu-se que a melhoria da gestão do tempo não dependeu exclusivamente da adoção de ferramentas e técnicas, mas, sobretudo, do desenvolvimento de habilidades práticas e comportamentais, aliado a ajustes nas condições de trabalho.

Palavras-chave: 5W2H; Matriz de Eisenhower; Matriz GUT; Multitarefa; Procrastinação.

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

A necessidade de otimizar recursos e compreender a complexa dinâmica criminal motivou a exploração de dados periciais, frequentemente subutilizados em laudos textuais. Aplicou-se a Análise de Correspondência Múltipla (ACM) em atendimentos periciais na Macrorregião de Bauru, SP. O objetivo foi investigar e identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, visando subsidiar decisões operacionais. Utilizaram-se dados da Superintendência da Polícia Técnico-Científica (SPTC), coletados entre maio de 2023 e janeiro de 2026. A metodologia englobou a limpeza, transformação e categorização das variáveis, além da construção de matrizes de contingência processadas em Python. A análise descritiva inicial revelou que furtos e colisões predominaram no volume total de ocorrências, enquanto crimes violentos, como homicídios, estupros e feminicídios, representaram uma parcela menor, mas demandaram tempos de resposta significativamente maiores. A ACM mapeou visualmente as correlações estruturais, demonstrando associações claras entre crimes noturnos e de finais de semana com regiões específicas. Identificaram-se dois agrupamentos principais: um perfil noturno e de fim de semana, associado a choques, atropelamentos e suicídios, com destaque para Bauru; e um perfil diurno em dias úteis, dominado por furtos e danos à propriedade. Demonstrou-se que o uso de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Palavras-chave: Crimes violentos; Matriz de contingência; Priorização de serviços; Python; Tempos de resposta.

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

O prêmio de Most Valuable Player (MVP) da NBA possui grande relevância no basquete profissional, refletindo o reconhecimento de atletas e os padrões de votação. Um estudo desenvolveu e avaliou modelos de aprendizado de máquina supervisionado para prever o prêmio MVP da NBA, tratando o problema como uma tarefa de ordenação baseada na estimação do valor de “Share” da votação. Foram treinados e avaliados cinco algoritmos – Random Forest, LightGBM, XGBoost, CatBoost e NGBoost – utilizando dados históricos da NBA de 1996 a 2025, coletados do portal “Basketball Reference”. Os modelos foram testados nas temporadas de 2019 a 2025. O CatBoost alcançou o melhor desempenho na acurácia Top-5 (77,14%), identificando consistentemente os cinco principais candidatos. Random Forest, LightGBM e NGBoost empataram na acurácia Top-1 (42,86%), prevendo corretamente o vencedor em três das sete temporadas avaliadas. A análise de importância das variáveis indicou que o desempenho ofensivo individual, especialmente pontos por partida, e o desempenho coletivo da equipe, representado pelo percentual de vitórias, foram os principais determinantes das previsões. Os resultados demonstraram a viabilidade da abordagem proposta e seu elevado potencial para estudos futuros.

Palavras-chave: Aprendizado de máquina; Boosting; NBA; Predição esportiva; Random Forest.

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Analisou-se o comportamento da Geração X na compra de materiais para construção, considerando a articulação entre canais digitais e físicos e as percepções de varejistas e indústrias sobre esse processo. O objetivo foi investigar como esse público utiliza os canais digitais e físicos no processo decisório e relacionar os achados às respostas de varejistas e indústrias. Realizou-se uma pesquisa descritiva e exploratória, com abordagem quantitativa e interpretação qualitativa, por meio de três questionários aplicados a 37 consumidores, 25 varejistas e 25 representantes da indústria. Os dados de cada grupo foram analisados separadamente e, em seguida, relacionados por eixos temáticos. Os resultados indicaram que os consumidores da Geração X utilizam meios digitais para pesquisa e comparação, mas valorizam a loja física para contato com o produto, confiança e atendimento consultivo. Os varejistas reconheceram a transformação, mas apresentaram diferentes níveis de adaptação, enquanto as indústrias relataram uso heterogêneo de tecnologias e reconheceram seu papel de apoio ao varejo. Concluiu-se que o comportamento da Geração X se caracteriza por uma jornada híbrida, que exige maior integração entre os canais e os agentes da cadeia de materiais para construção.

Palavras-chave: Comportamento do consumidor; Geração X; Jornada de compra híbrida; Transformação digital; Varejo de materiais para construção.

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Um estudo analisou como as dimensões da experiência do cliente digital (controle percebido, conveniência do serviço, atendimento ao cliente e cumprimento dos serviços) influenciam a satisfação do consumidor em plataformas online para aquisição de produtos e serviços. Adotou-se uma abordagem quantitativa e descritiva, com dados primários coletados entre 02 e 13 de fevereiro de 2026, por meio de escalas validadas aplicadas a consumidores de e-commerce. A amostra, definida por conveniência, contemplou diversos perfis de usuários. Realizou-se análise descritiva para caracterização dos respondentes, seguida de análises de correlação e regressão linear múltipla para verificar as relações entre as variáveis. Os resultados evidenciaram que as dimensões Conveniência do Serviço, Cumprimento dos Serviços e Atendimento ao Cliente apresentaram associação positiva e estatisticamente significativa com a satisfação do consumidor. O Controle Percebido, contudo, não demonstrou influência significativa no modelo estimado. Esses achados contribuíram para a compreensão das relações entre a experiência digital e a satisfação do consumidor em plataformas de e-commerce.

Palavras-chave: Análise multivariada; Comércio eletrônico; Comportamento do consumidor; Experiência do usuário; Qualidade do serviço.

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Nas últimas décadas, observou-se uma transição educacional de modelos focados em conteúdo para o desenvolvimento de competências, impulsionada pela ubiquidade da informação. Nesse contexto, as habilidades de raciocínio tornaram-se pedagogicamente cruciais por embasarem a compreensão, relação e adaptação de conteúdos em cenários complexos. Com base nessa perspectiva, buscou-se consolidar um modelo detalhado das habilidades que compõem o raciocínio cognitivo, visando servir de base para a elaboração de currículos e programas pedagógicos. Para tanto, realizou-se uma pesquisa qualitativa e exploratória, que envolveu uma síntese multidisciplinar de conhecimentos da filosofia da mente, epistemologia, semiótica, psicologia cognitiva e neurociência. Essa abordagem proporcionou uma visão abrangente da natureza e das funções do raciocínio humano. O modelo resultante classificou as habilidades em quatro funções cognitivas principais, subdivididas em níveis crescentes de complexidade, que acompanharam o desenvolvimento cognitivo humano. A estrutura final mostrou-se bem fundamentada e aplicável à elaboração de currículos e programas pedagógicos, oferecendo uma taxonomia de habilidades do raciocínio diretamente utilizável no sequenciamento instrucional e na avaliação de competências cognitivas.

Palavras-chave: Currículo baseado em competências; Desenvolvimento cognitivo; Habilidades cognitivas; Pensamento crítico; Raciocínio cognitivo.

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou […]

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Chamada De Artigos

11 de setembro de 2026

Chamada de artigos – Edição Temática Gestão de Pessoas

Submissões abertas de 11/09/2026 a 30/09/2026 Estão abertas as submissões para a Chamada Temática Gestão de Pessoas 2026, da Revista Estratégias & Soluções (E&S). A chamada será organizada em dois fluxos editoriais: Fluxo 1 – Trabalhos finais de destaque do MBA USP/EsalqDestinado aos TCCs do curso de Gestão de Pessoas do MBA USP/Esalq que obtiveram […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]