19 de noviembre de 2026
Desenvolvimento de Chatbot RAG Low-Code para Eficiência na Gestão de Processos Organizacionais
Cíntia de Almeida Conceição; Renato Cividini Matthiesen
DOI: 10.22167/2675-6528-202603888
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
No cenário corporativo contemporâneo, a agilidade no acesso a fluxos e normas internas tornou-se vital, mas modelos de linguagem de grande escala (LLMs) apresentaram riscos de alucinações factuais. A técnica de Geração Aumentada por Recuperação (RAG) fundamentou as respostas em bases de dados verificadas, mitigando tais imprecisões. Este estudo objetivou desenvolver e avaliar um protótipo de chatbot com arquitetura RAG, implementado na plataforma low-code n8n, para otimizar a gestão de processos de negócio. A pesquisa caracterizou-se como experimental de natureza aplicada, fundamentada em um corpus simulado de políticas organizacionais. A metodologia envolveu a estruturação de um workflow automatizado que integrou a extração de documentos do Google Drive, o armazenamento de embeddings no banco de dados vetorial Supabase e a geração de respostas via modelo GPT-40-mini. A eficácia do sistema foi mensurada por um protocolo de 30 questões, divididas entre recuperação simples, síntese multi-documento e testes de alucinação, e avaliada qualitativamente pelo Índice de Conformidade com a Base de Dados e pelo Expert Validation Framework (EVF). Os resultados alcançados com a arquitetura otimizada (fragmentação de 800 caracteres, sobreposição de 200 caracteres e reclassificação por Reranker) indicaram um elevado índice de conformidade com a base de dados oficial (29,5 pontos). O sistema demonstrou eficácia total na prevenção de alucinações de escopo e alta precisão tanto em consultas de recuperação simples quanto na síntese de múltiplos documentos, mitigando de forma expressiva os desvios e os erros de contexto observados nos testes preliminares. Concluiu-se que o refinamento dos parâmetros de fragmentação e a introdução da camada de reclassificação são indispensáveis para assegurar a aderência estrita às regras de negócio, tornando a solução tecnológica viável e altamente confiável para o suporte operacional e governança corporativa.
Palavras-chave: Gestão de Processos de Negócios; Inteligência Artificial Generativa; Low-Code; Retrieval-Augmented Generation.
1. Introdução
O uso da Inteligência Artificial (IA) generativa tem se tornado cada vez mais frequente nos ambientes de trabalho, funcionando como ferramenta de apoio para dúvidas rápidas ou como assistente em tarefas mais complexas. A IA, como um campo de estudo amplo, é definida como o estudo de agentes que recebem percepções do ambiente e executam ações racionais (Russell e Norvig, 2003). Embora as definições clássicas abranjam um vasto escopo, a IA generativa é uma manifestação moderna e poderosa que se concentra em modelos capazes de criar novos conteúdos, alinhando-se à capacidade de executar tarefas intelectuais complexas. Os Large Language Models (LLMs) são a principal arquitetura por trás dessa revolução recente, treinados com grandes quantidades de dados para entender e desenvolver textos equivalentes à criação humana.
Contudo, os LLMs possuem limitações significativas, como as alucinações e o conhecimento desatualizado (Kaddour et al., 2023). No contexto de LLMs, alucinações ocorrem quando a IA é capaz de gerar texto de forma natural e fluente, mas a resposta não é fiel ao conteúdo de origem ou é indefinida. Este comportamento gera problemas de imprecisão factual, conteúdo infiel e contradição lógica, especialmente em aplicações de resposta a perguntas (Question Answering – QA) utilizadas no dia a dia de muitas organizações (Kaddour et al., 2023). Entre as principais abordagens para mitigação das alucinações em LLMs, destaca-se a Geração Aumentada por Recuperação (Retrieval-Augmented Generation – RAG).
A utilização de RAG em aplicações de perguntas e respostas é essencial para reduzir as alucinações em grandes modelos de linguagem, pois o RAG sustenta a entrada do modelo em conhecimento externo, como uma base de dados verificada (Kaddour et al., 2023). Tecnicamente, o RAG funciona através de um processo de indexação e recuperação. A base de conhecimento, composta por documentos e políticas, é primeiramente segmentada em pedaços de informação. Em seguida, um modelo de embedding transforma cada pedaço em uma representação numérica (um vetor) que captura seu significado semântico. Esses vetores são armazenados em um banco de dados vetorial. Quando um usuário faz uma pergunta, ela também é convertida em um vetor, e o sistema busca na base os vetores mais semanticamente similares à pergunta, entregando-os como contexto para o LLM gerar a resposta (Gao et al., 2023). Além disso, o uso de RAG em ambientes empresariais permite fácil atualização de conhecimento, sem a necessidade de retreinamento do LLM, o que é crucial para aplicações de QA em ambientes dinâmicos (Lewis et al., 2021).
Neste contexto, ferramentas Low-Code/No-Code (LCNC) estão revolucionando o desenvolvimento de software, transformando a força de trabalho e a inovação ao democratizar o desenvolvimento de aplicações e acelerar o tempo de lançamento (Upadhyaya, 2023). Decerto que a IA revolucionou todas as esferas da atividade intelectual humana, permitindo às organizações automatizar processos e otimizar a tomada de decisão. No entanto, há desafios ao adotar sistemas de IA, pois estes possuem alta complexidade de desenvolvimento e implantação, além da necessidade de alto poder computacional para treinamento e refinamento dos modelos. Essas questões abrem espaço para a emergência de plataformas LCNC (Viswanadhapalli, 2025), que estimulam indivíduos a criarem suas próprias aplicações de forma rápida, eficiente e robusta, ainda que estes tenham baixo conhecimento em programação (Parimi, 2025).
A agilidade no acesso a fluxos e normas internas tornou-se vital no cenário corporativo contemporâneo. Contudo, a problemática reside na dificuldade de garantir a precisão e a fidelidade factual das respostas geradas por LLMs em um contexto de informações corporativas específicas, devido ao risco de alucinações e à complexidade de desenvolvimento de soluções de IA tradicionais. A lacuna prática e teórica aponta para a necessidade de abordagens que combinem a capacidade generativa da IA com a confiabilidade de dados internos, de forma acessível e eficiente. O uso de chatbots RAG se mostra promissor em ambientes empresariais, dado que a combinação de LLMs e RAG em domínios fechados aumenta a precisão de respostas, pois esta aplicação combina o uso de fontes de dados internas e externas, superando as limitações dos LLMs que dependem de dados previamente treinados (Jeong, 2024). A presente pesquisa justifica-se pela necessidade de otimizar o acesso à informação e garantir a conformidade processual em organizações, mitigando os riscos de imprecisão e alucinações.
Portanto, a presente pesquisa busca desenvolver e avaliar um protótipo de chatbot com técnicas de RAG, implementado em plataforma low-code (n8n), para um sistema de QA. O estudo será focado em um caso de uso de Gestão de Processos de Negócio (Business Process Management – BPM), utilizando um corpus de dados simulados (políticas, normas e procedimentos operacionais). O objetivo é propor e validar uma metodologia de implementação que otimize o acesso à informação e suporte a conformidade (compliance) processual, avaliando o índice de conformidade das respostas com a base de dados, bem como, os desafios práticos desta abordagem tecnológica em um contexto operacional simulado.
2. Material e Métodos
A presente pesquisa classificou-se como experimental de natureza aplicada, envolvendo a manipulação controlada de variáveis de entrada, como parâmetros do modelo de linguagem de grande escala (LLM), documentação e engenharia de prompt. O objetivo foi observar e mensurar o desempenho de uma aplicação de Geração Aumentada por Recuperação (RAG) na recuperação de informações (Gil, 2002). A abordagem adotada foi qualitativa, focada na avaliação do índice de conformidade das respostas geradas pelo agente em um ambiente controlado, simulando um cenário operacional real. O estudo limitou-se à validação técnica da arquitetura proposta, sem envolver interação com usuários finais.
Para a realização do experimento, desenvolveu-se um cenário simulado que preservou a confidencialidade de dados corporativos reais. Este cenário focou em uma empresa hipotética, com ênfase em processos e políticas das áreas de Compras, Financeiro e Recursos Humanos. A base de conhecimento, ou corpus de dados, foi composta por dados sintéticos, elaborados para replicar a complexidade linguística e estrutural de documentos corporativos autênticos. O corpus incluiu arquivos em formato .txt, políticas internas, manuais, procedimentos operacionais padrão (POPs) e instruções de trabalho (ITs), contendo terminologias técnicas específicas e tópicos com sobreposição semântica para desafiar a capacidade de discriminação do chatbot.
A infraestrutura do projeto foi desenvolvida utilizando ferramentas Low-Code/No-Code (LCNC), priorizando agilidade na implementação e facilidade de manutenção. O orquestrador de fluxos (backend) foi a plataforma n8n, responsável pela lógica de ingestão de dados, conexão com APIs e gerenciamento do fluxo de conversação. O banco de dados vetorial Supabase, com a extensão pgvector em PostgreSQL, atuou como memória de longo prazo do agente (Lewis et al., 2020), armazenando os vetores (embeddings) gerados a partir dos documentos. Para a geração de respostas, utilizou-se o modelo OpenAI GPT-40-mini (OpenAI, 2024), e para a conversão de textos em representações vetoriais, empregou-se o modelo OpenAI text-embedding-3-small (OpenAI, 2026). Um reranker, Cohere V3.5, foi incorporado para reavaliar a relevância dos documentos recuperados (Cohere, 2026).
O desenvolvimento da pesquisa seguiu um pipeline estruturado em três etapas sequenciais. A primeira etapa, de pré-processamento e ingestão (ETL), consistiu na configuração de um fluxo de trabalho no n8n para a extração de texto de arquivos .txt. Um gatilho conectado ao Google Drive permitiu que quaisquer atualizações nos arquivos de políticas de RH, Financeiro e Compras fossem automaticamente processadas. O conteúdo dos documentos foi inicialmente extraído de forma integral e, para otimizar a busca semântica, aplicou-se a técnica de fragmentação (chunking), segmentando os textos em blocos de oitocentos caracteres com uma sobreposição de duzentos caracteres.
A segunda etapa foi a vetorização e armazenamento. Cada fragmento de texto processado foi passado pelo modelo de embedding OpenAI text-embedding-3-small, gerando um vetor. Esses vetores, juntamente com metadados como a fonte do documento e o número da página, foram armazenados na tabela de vetores do Supabase, utilizando a extensão pgvector. Esta configuração permitiu a realização de buscas por similaridade semântica em milissegundos, garantindo a eficiência na recuperação de informações.
A terceira etapa envolveu a recuperação e engenharia de prompt. Configurou-se o fluxo de resposta RAG para recuperar os fragmentos de texto mais semanticamente similares à pergunta do usuário. Esses fragmentos foram injetados no prompt do sistema como “contexto”. A persona e as restrições do agente foram estabelecidas por meio de uma instrução de sistema (System Prompt), fixada após uma fase de refinamento inicial para a realização dos testes. O prompt foi configurado para impor restrições, instruindo o modelo a limitar-se estritamente aos documentos fornecidos, citar obrigatoriamente a fonte da informação e admitir desconhecimento em casos de ausência de dados, mitigando o risco de alucinações, conforme detalhado no Apêndice A.
A avaliação do sistema não se baseou em inferência estatística tradicional, mas sim no método de inspeção qualitativa guiada pelo Expert Validation Framework (EVF), proposto por Gren e Dobslaw (2026). Este framework estabelece que a determinação da adequação das respostas geradas a um contexto específico é um julgamento de especialistas de domínio. A metodologia foi estruturada em duas frentes de avaliação: a estruturação da base de conhecimento (Knowledge Foundation) e a inspeção de cenários (Socratic Validation).
Na fase de estruturação da base de conhecimento, para identificar a arquitetura ideal de recuperação da informação, estabeleceu-se uma linha de base (RAG simples, sem fragmentação) e realizaram-se testes variando os hiperparâmetros de ingestão e recuperação. Foram testadas três variações técnicas: fragmentação de mil caracteres com sobreposição de duzentos caracteres, aliada ao Reranker Cohere v3.5; fragmentação de quinhentos caracteres com sobreposição de duzentos e cinquenta caracteres, também com Reranker; e fragmentação de oitocentos caracteres com sobreposição de duzentos caracteres, igualmente com Reranker. Na fase de inspeção de cenários, elaborou-se um protocolo com um conjunto de trinta perguntas de teste, formuladas com sinônimos e estruturas frasais distintas para simular a variabilidade da linguagem de usuários reais.
O desempenho do agente em cada uma das três variações técnicas foi mensurado qualitativamente por meio do Índice de Conformidade com a Base de Dados, desenvolvido pelo autor. A avaliação ocorreu sob três cenários de complexidade incremental que refletiram as fases do diálogo socrático: recuperação simples, onde a resposta estava explícita em um único fragmento de documento; síntese de múltiplos documentos, que exigiu a combinação de informações de dois ou mais documentos distintos; e testes de alucinação, com perguntas formuladas propositalmente sobre temas não constantes na base de dados, onde o agente deveria declarar desconhecimento.
3. Resultados e Discussão
Os resultados obtidos a partir dos testes do sistema RAG, desenvolvidos ao longo desta pesquisa, revelaram insights cruciais sobre a eficácia e a confiabilidade da arquitetura proposta para a gestão de processos de negócio. A avaliação foi conduzida por meio de uma inspeção qualitativa detalhada, utilizando um protocolo de trinta perguntas simuladas, cuidadosamente categorizadas por níveis de complexidade cognitiva. Este processo seguiu as premissas da Validação Socrática do Expert Validation Framework (EVF), conforme proposto por Gren e Dobslaw (2026), garantindo um rigor acadêmico e a reprodutibilidade dos achados. As respostas foram pontuadas com base em uma rubrica de Índice de Conformidade com a Base de Dados, que classificou a aderência factual e a completude da informação.
A pontuação atribuída às respostas variou entre 1,0 ponto para “Totalmente Conforme”, indicando uma resposta factualmente correta que abordava a dúvida central, citava a fonte e não introduzia informações externas. Respostas “Parcialmente Conforme” receberam 0,5 ponto, assinalando que o sistema acertou a regra de negócio principal, mitigando riscos críticos, mas cometeu erros secundários, como omissões ou inferências externas que, embora logicamente plausíveis, não estavam explicitamente documentadas. Por fim, 0,0 ponto foi atribuído a respostas “Não Conforme”, caracterizadas por alucinações na regra principal, contradições com o documento original ou invenção de dados críticos. Esta metodologia permitiu uma análise granular do desempenho do chatbot em diferentes cenários operacionais.
Análise Comparativa das Configurações de RAG
O experimento comparou quatro configurações distintas da arquitetura RAG para mensurar o impacto do processamento de dados, especificamente a fragmentação (chunking), a sobreposição (overlap) e a reclassificação de documentos (Reranker), na precisão do agente. A configuração de teste base, que não incluía fragmentação, sobreposição ou Reranker, obteve 9,0 pontos em recuperação simples, 8,0 pontos em síntese multi-documentos e 10,0 pontos em testes de alucinação. A Variação 1, com fragmentação de 1000 caracteres, sobreposição de 200 caracteres e a inclusão do Reranker, alcançou 9,0 pontos em recuperação simples, 9,0 pontos em síntese multi-documentos e 10,0 pontos em testes de alucinação.
A Variação 2, que utilizou fragmentação de 500 caracteres com sobreposição de 250 caracteres e Reranker, apresentou desempenho idêntico à Variação 1 nos cenários de recuperação simples e síntese multi-documentos, com 9,0 pontos em ambos, e manteve 10,0 pontos nos testes de alucinação. A Variação 3, por sua vez, empregou fragmentação de 800 caracteres com sobreposição de 200 caracteres e Reranker, destacando-se com 10,0 pontos em recuperação simples, 9,5 pontos em síntese multi-documentos e 10,0 pontos em testes de alucinação. Os dados revelaram um ganho progressivo na confiabilidade do sistema à medida que os parâmetros de engenharia de busca foram otimizados no workflow, culminando na Variação 3 como a arquitetura de melhor desempenho geral, com um total de 29,5 pontos.
Um aspecto notável em todas as configurações testadas foi o comportamento estável e exemplar nos testes de alucinação, onde o sistema obteve a pontuação máxima de 10,0 em todos os cenários. Este resultado demonstra a eficácia das restrições impostas no System Prompt, que foram rigorosamente respeitadas pelo agente, tornando o modelo altamente eficaz contra perguntas que estavam fora do escopo da base de conhecimento. A capacidade de o sistema admitir desconhecimento em vez de inventar informações é crucial para a confiabilidade em ambientes corporativos, mitigando um dos principais desafios dos Large Language Models (LLMs), conforme destacado por Kaddour et al. (2023).
No entanto, as nuances de desempenho entre os cenários de recuperação simples e síntese multi-documentos demandaram uma análise qualitativa mais aprofundada para compreender os fatores que influenciaram as variações de pontuação. A escolha do tamanho ideal dos fragmentos de texto e a estratégia de sobreposição são cruciais para o desempenho dos sistemas RAG, pois afetam diretamente a capacidade do modelo de linguagem de acessar o contexto relevante sem ser sobrecarregado por ruído informacional. Blocos maiores podem capturar mais contexto, mas também introduzir redundância, enquanto blocos menores reduzem o ruído, mas podem não fornecer o contexto necessário para uma resposta completa (Gao et al., 2023).
Análise Qualitativa dos Logs por Nível de Complexidade
No cenário de Recuperação Simples, que visava avaliar a capacidade do modelo em localizar informações explícitas e literais, a configuração de teste base revelou uma falha crítica de interpretação. A ausência de fragmentação do texto resultou na diluição do contexto, onde um parágrafo longo e complexo da política foi injetado integralmente no LLM. Por exemplo, ao ser questionado sobre o início de férias em uma sexta-feira, o agente ignorou uma proibição textual clara na base de conhecimento e gerou uma afirmação oposta à diretriz real da empresa. Este comportamento sublinha a importância da técnica de chunking para isolar informações críticas e evitar a perda de contexto em documentos extensos.
Adicionalmente, na Variação 2, com fragmentação de 500 caracteres e sobreposição de 250 caracteres, observou-se o fenômeno de dispersão semântica. O excesso de contexto em chunks relativamente curtos degradou a acurácia do sistema. Um exemplo notável foi a confusão do agente entre uma pergunta sobre punição por atraso de férias e informações sobre recesso coletivo. A similaridade vetorial, atraída por termos correlatos como “férias” e “período”, levou o LLM a sintetizar uma resposta inadequada ao escopo da pergunta. Este tipo de erro foi mitigado na Variação 3, onde a fragmentação de 800 caracteres com sobreposição de 200 caracteres permitiu que a regra proibitiva fosse destacada de forma isolada e nítida para a janela de contexto da inteligência artificial, resultando em uma recuperação simples perfeita.
O cenário de Síntese Multi-Documentos representou o maior desafio técnico, exigindo que o agente coletasse e combinasse fragmentos de políticas distintas para formular uma resposta unificada. Na configuração de teste base, o modelo falhou ao responder sobre a situação de colaboradores em período de experiência durante o recesso de fim de ano, gerando datas fictícias baseadas em convenções de mercado, ignorando a regra específica (20 de dezembro a 05 de janeiro) presente na base de conhecimento. Esta falha demonstra a dificuldade dos LLMs em interconectar informações dispersas sem um mecanismo de priorização eficaz.
Em contrapartida, a introdução do Reranker Cohere V3.5, aliada à estruturação adequada dos chunks, demonstrou uma evolução significativa na capacidade do sistema de cruzar dados. Um caso de sucesso ilustrativo foi a resposta detalhada sobre o fluxo de aprovação para a compra de software. O agente não apenas recuperou as etapas burocráticas de compras do documento POP-COM-003, mas também correlacionou uma “trava” de processo da política de Recursos Humanos (POL-RH-001) referente ao fluxo de aprovação por delegação na ausência de gestores. Essa capacidade de interconectar regras de negócio de áreas distintas valida a importância do Reranker para priorizar trechos semanticamente ricos antes da fase de geração da resposta pelo LLM, conforme apontado por Ghosh e Mittal (2025).
Ainda no cenário de síntese multi-documentos, o uso do Expert Validation Framework (EVF) revelou um desafio adicional: o efeito de ancoragem ou viés de utilidade. Em um teste, diante da recusa de uma nota fiscal, o modelo deduziu logicamente que o setor de Compras deveria ser acionado, mesmo que essa etapa não estivesse explicitamente na base de conhecimento. Embora essa ação possa ser considerada inofensiva e até logicamente correta no cotidiano corporativo, conceitualmente representa uma quebra de fidelidade à base de conhecimento. Este comportamento ocorre porque os LLMs são treinados para fornecer respostas úteis e resolutivas (Kashyap e Dras, 2026), e tendem a se ajustar à informação inicial (âncora) de seu treinamento prévio quando incertos (Huang et al., 2026).
Essa observação ressalta a necessidade crítica de auditoria por especialistas de domínio para calibrar os limites de autonomia do LLM, alinhando-o às diretrizes de governança corporativa. A descoberta valida a premissa central do EVF de que o controle de autoridade sobre sistemas de IA generativa deve permanecer centrado no julgamento humano especializado, transformando o ciclo de validação de engenharia de software em um processo contínuo de auditoria qualitativa (Gren e Dobslaw, 2026). A intervenção humana é indispensável para detectar e corrigir inferências sutis que, embora gramaticalmente perfeitas, introduzem procedimentos inexistentes na base de conhecimento, garantindo a segurança operacional.
No Cenário de Alucinações, o sistema demonstrou desempenho máximo, alcançando 10,0 pontos em todas as quatro configurações experimentais avaliadas. As perguntas formuladas propositalmente sobre temas que não constavam na base de dados, como dúvidas sobre benefícios não cobertos, foram consistentemente respondidas com a negativa padronizada prevista no escopo da engenharia de instruções (prompt engineering). O agente recusou-se a inventar procedimentos, o que é um indicativo da robustez das restrições explícitas implementadas no System Prompt. Ridder e Schilling (2025) corroboram que a aplicação de instruções específicas nos templates de prompt é um método eficaz para influenciar a taxa de alucinação em sistemas de RAG em domínios fechados.
As análises gerais dos resultados confirmaram que a Variação 3, com fragmentação de 800 caracteres, sobreposição de 200 caracteres e a incorporação do algoritmo de reclassificação semântica Reranker, consolidou-se como a arquitetura mais adequada para o cenário corporativo avaliado, atingindo o maior índice de conformidade com a base de dados, totalizando 29,5 pontos. A escolha de fragmentos restritos a 800 caracteres demonstrou-se superior à utilização de blocos de textos mais extensos, evidenciando a importância de um equilíbrio entre contexto e ruído na granularidade da recuperação. A introdução do Reranker ao workflow melhorou a precisão do sistema, especialmente em regras de negócio que demandam o cruzamento de dados, onde a priorização de trechos semanticamente próximos é essencial antes da geração da resposta pelo LLM.
Em síntese, a pesquisa demonstrou que a implementação de agentes baseados em sistemas RAG utilizando plataformas Low-Code/No-Code (LCNC) é uma abordagem viável e eficaz para a Gestão de Processos de Negócios. O protótipo desenvolvido mostrou-se seguro contra alucinações de escopo, garantindo a confiabilidade necessária em ambientes corporativos. O sucesso desses sistemas em domínios fechados não depende apenas do modelo de linguagem escolhido, mas da combinação ideal entre a engenharia de recuperação e algoritmos de reclassificação, que simulam a atuação de um especialista de domínio. O refinamento dos parâmetros de fragmentação e a introdução da camada de reclassificação são, portanto, indispensáveis para assegurar a aderência estrita às regras de negócio, tornando a solução tecnológica altamente confiável para o suporte operacional e a governança corporativa.
4. Conclusão
O presente estudo objetivou desenvolver e avaliar um protótipo de chatbot com arquitetura RAG, implementado em plataforma low-code n8n, para otimizar a gestão de processos de negócio, propondo e validando uma metodologia de implementação. Verificou-se que a arquitetura RAG otimizada, empregando fragmentação de 800 caracteres, sobreposição de 200 caracteres e a introdução de um algoritmo de reclassificação (Reranker), alcançou um elevado índice de conformidade com a base de dados oficial, totalizando 29,5 pontos. O sistema demonstrou eficácia total na prevenção de alucinações de escopo, obtendo pontuação máxima em todos os cenários de teste, e alta precisão tanto em consultas de recuperação simples quanto na síntese de múltiplos documentos. A introdução do Reranker foi crucial para a capacidade do sistema de interconectar regras de negócio de áreas distintas, validando sua importância na priorização de trechos semanticamente ricos. A pesquisa, portanto, oferece uma solução tecnológica viável e altamente confiável para o suporte operacional e a governança corporativa, assegurando a aderência estrita às regras de negócio em ambientes corporativos.
Contudo, identificou-se uma limitação relacionada ao efeito de ancoragem ou viés de utilidade, onde o modelo inferiu procedimentos logicamente plausíveis, mas não explicitamente documentados na base de conhecimento. Essa observação ressalta a necessidade crítica de auditoria por especialistas de domínio para calibrar os limites de autonomia do LLM, alinhando-o às diretrizes de governança corporativa e validando a premissa do Expert Validation Framework (EVF) sobre o julgamento humano especializado. Para estudos futuros, sugere-se a implementação de Contextual Retrieval, explorando técnicas de enriquecimento prévio dos fragmentos de texto para mitigar o viés de utilidade residual. Adicionalmente, propõe-se a integração de um Mecanismo de Validação em Tempo Real por Especialistas, através de uma arquitetura Human-in-the-Loop, permitindo que gestores de processos avaliem e corrijam as respostas do agente, garantindo um ciclo contínuo de auditoria de compliance e a correção ágil de inferências indevidas.
Referências Bibliográficas
Gao, Y. et al. 2024. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint arXiv:2312.10997. Disponível em: <https://arxiv.org/abs/2312.10997>. Acesso em: 19 out. 2025.
Kaddour, J. et al. 2023. Challenges and applications of large language models. arXiv preprint arXiv:2307.10169. Disponível em: <https://arxiv.org/abs/2307.10169>. Acesso em: 10 nov. 2025.
Lewis, P. et al. 2021. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv preprint arXiv:2005.11401. Disponível em: <https://arxiv.org/abs/2005.11401v4>. Acesso em: 11 nov. 2025.
Russell, S.; Norving, P. 2003. Artificial Intelligence A Modern Approach. 2ed. Pearson Education, Upper Saddle River, NJ, USA.
Upadhyaya, N. 2025. Low-Code/No-Code Platforms and Their Impact on Traditional Software Development: A Literature Review. Disponível em: <https://papers.ssrn.com/sol3
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