Todo mundo fala de Fine-tuning. Ninguém diz que, para a quase totalidade dos casos de uso em empresa, essa é a pergunta errada.
88% das empresas usam IA. Só 33% conseguem implantá-la em escala. A fratura já não se joga na escolha do modelo. Ela se joga na arquitetura que o cerca. E, em 9 casos em cada 10, essa arquitetura tem um nome: RAG.
O reflexo é quase sempre o mesmo. Um comitê de direção valida um projeto de IA, as equipes técnicas ouvem « personalizar », « proprietário », « o nosso know-how », e partem para Fine-tuning porque isso soa como a versão séria, premium, ambiciosa da GenAI. Quatro meses depois, o orçamento foi consumido e nada está em produção. Essa história se repete todo trimestre, e nasce de uma confusão fundamental entre duas abordagens que não têm os mesmos custos, nem as mesmas restrições, nem os mesmos casos de uso.
Formar um colaborador novo ou entregar o dossiê certo?
Fine-tuning é formar Imagine que você contrata um consultor brilhante, mas generalista. Fine-tuning é mandá-lo três anos para uma escola interna, para que decore o seu negócio, o seu jargão, os seus processos. Na saída, ele sabe tudo. Mas, se houver uma reforma amanhã de manhã, ele não fica sabendo. E, se você quiser mudar qualquer coisa, volta para a escola por três anos.
RAG é briefar RAG é o mesmo consultor brilhante, só que você entrega o dossiê certo do cliente cinco minutos antes da reunião. Ele não sabe o seu negócio de cor. Ele sabe ler rápido, entender, sintetizar. E o dossiê, você pode atualizar de manhã para a reunião da tarde.
Essa metáfora se sustenta em todos os planos: custo, atualização, rastreabilidade, segurança. O único caso em que formar o consultor internamente passa a compensar mais é quando você tem exatamente a mesma reunião para conduzir mil vezes por dia, sobre assuntos que nunca mudam. Esse caso existe, mas representa menos de 10% dos projetos de IA em empresa.
Seis semanas para um piloto em produção, contra quatro meses para um modelo retreinado
Um piloto de RAG industrializado entra em produção em 4 a 8 semanas. Um projeto sério de Fine-tuning pede 8 a 16 semanas, metade delas para a curadoria e a anotação manual dos dados de treinamento por especialistas de negócio.
A diferença não vem da complexidade técnica. Vem do fato de que um RAG se apoia nos seus documentos tais como eles existem. O Fine-tuning exige construir um conjunto de dados do zero: milhares de pares pergunta/resposta perfeitamente formatados e validados. É esse trabalho que leva meses.
Para uma diretoria que precisa provar valor em menos de 30 dias, a conta é imediata.
Atualizar as informações em alguns minutos, não em algumas semanas
Essa é provavelmente a diferença mais estruturante, e a menos compreendida em comitê de projeto.
Atualizar um RAG é adicionar um documento e disparar uma indexação. Alguns minutos, alguns centavos. Atualizar um modelo com Fine-tuning é recomeçar um ciclo de treinamento, validar que nenhuma deriva comportamental apareceu e rodar de novo a bateria de testes. Conte entre 400 euros e 4,5 mil euros por ciclo, e vários dias de mobilização da equipe.
Em dois anos de operação, com uma atualização mensal, a diferença acumulada só nessa rubrica passa de 40 mil euros. Para um caso de uso em que as informações mudam (catálogo de produto, regulamentação, base de conhecimento de suporte, documentação interna), é a rubrica que mata em silêncio os projetos de Fine-tuning.
Quando um modelo novo sai, você adota no mesmo dia
Esse ponto merece um desenvolvimento à parte, porque muda a trajetória de investimento de uma organização em cinco anos.
2025 viu sair modelos fundamentalmente mais potentes a cada três ou quatro meses. Claude, GPT, Gemini, Mistral: cada geração traz ganhos de raciocínio, de precisão, de custo de inferência. Nenhum sinal de que esse ritmo vá desacelerar. A sua arquitetura determina se esses avanços chegam até você automaticamente ou se deixam você na beira da estrada.
Cenário concreto: um modelo novo sai na segunda de manhã
A Anthropic anuncia uma nova versão do Claude, 30% mais precisa em tarefas de raciocínio de negócio, pelo mesmo custo. Eis o que você tem pela frente, conforme a arquitetura.
Com um RAG: você muda uma linha de configuração no orquestrador. O modelo novo é chamado no lugar do antigo. Os seus documentos, o seu índice, a sua lógica de negócio: tudo fica no lugar. Esforço: meio dia de engenharia. Na terça à noite, os seus usuários têm uma IA mais pertinente.
Com Fine-tuning: os seus pesos personalizados estão presos ao modelo antigo. Para aproveitar o novo, é preciso recomeçar um ciclo completo de treinamento sobre o novo modelo de base. Refazer a curadoria dos dados, retreinar, revalidar, testar a não regressão. Esforço: 4 a 8 semanas de projeto. Custo: entre 5 mil euros e 50 mil euros. Enquanto isso, os seus concorrentes em RAG já estão colhendo o ganho de desempenho.
Essa diferença é exponencial. Em três gerações de modelos, a empresa em Fine-tuning gastou o orçamento inicial três vezes para continuar no mesmo nível. A que está em RAG captou cada avanço no caminho, sem esforço adicional.
Os seus dados ficam no seu sistema de informação, não nos pesos de um modelo
Com um modelo que passou por Fine-tuning, as suas informações de negócio acabam dissolvidas nos pesos neurais. Se um usuário exerce o direito ao apagamento do RGPD, você não tem uma saída limpa. A única opção legal: recomeçar um ciclo completo de treinamento sobre um conjunto de dados depurado. Para os setores regulados (seguros, saúde, banco), isso é inaceitável.
O RAG isola fisicamente o dado do motor de cálculo. Apagar uma linha na base de origem ou no índice basta para garantir o apagamento, na hora. O controle de acesso é nativo: um usuário sem habilitação sobre um documento nunca vai vê-lo aparecer numa resposta.
A cereja do bolo: o RAG responde com as fontes. O sistema cita o documento consultado, a página, o parágrafo. Nenhum diretor jurídico assina a entrada em produção de um assistente incapaz de justificar as próprias afirmações.
Como funciona, sem o jargão
O LLM consulta os seus documentos a cada pergunta. Ele não os memoriza.
Três blocos, é só isso. Um motor de indexação que transforma os seus documentos em representações numéricas. Um motor de busca que recupera os trechos certos para uma pergunta. Um LLM que escreve a resposta a partir desses trechos. O modelo não sabe nada do seu negócio por si só: ele sabe ler o que você entrega para ele ler.
Quando o Fine-tuning ainda tem lugar
O Fine-tuning não morreu. Ele foi superdimensionado por padrão durante dois anos. Três condições, cumulativas, o justificam:
O domínio de conhecimento é estático (classificação, tradução proprietária, extração em formato padronizado). O volume passa de um milhão de consultas por mês. E a latência ou o formato de saída são tão restritos que não dá para se permitir uma etapa de busca.
Em todos os outros casos, o Fine-tuning é uma otimização prematura. E, quando essas três condições se reúnem, a abordagem que ganha raramente é o Fine-tuning sozinho: é a arquitetura híbrida. Um modelo pequeno ajustado para o tom e o formato, acoplado a um RAG para os fatos que mudam. Chega-se nisso depois de industrializar o RAG, não antes.
Para ir mais longe Os verdadeiros inimigos de um projeto de RAG não são a tecnologia. São a governança dos documentos de origem, a estratégia de chunking (o método Contextual Retrieval da Anthropic reduz em 67% a taxa de erro) e o enriquecimento por metadados (9 pontos de precisão ganhos, segundo estudos recentes). Três assuntos que se tratam antes.
Se uma única linha pender para o RAG, o RAG ganha
A nossa posição na Bomzai
Nos casos de uso que operamos em produção, a regra é estável. O RAG é o ponto de entrada padrão, industrializado em 6 a 8 semanas, monitorado o tempo todo, governado. O Fine-tuning entra como complemento, nunca como substituição, e só quando as três condições cumulativas estão reunidas.
O verdadeiro tema não é RAG ou Fine-tuning. É: quem na sua organização responde pela governança dos documentos que alimentam o sistema, quem valida a qualidade das respostas em produção, quem opera o pipeline de indexação no dia a dia. Essas três perguntas matam mais projetos do que todos os debates de arquitetura juntos.
Fontes: Anthropic, Introducing Contextual Retrieval, setembro de 2024. Mishra et al., A Systematic Framework for Enterprise Knowledge Retrieval, arXiv:2512.05411, 2026. Menlo Ventures, The State of Generative AI in the Enterprise, 2026.
