Durante anos, a promessa do RAG, ou geração aumentada por recuperação, pareceu simples: quando uma inteligência artificial não souber algo, basta procurar os trechos relevantes em uma base de documentos e entregá-los ao modelo. A fórmula funciona bem quando a resposta está escrita de maneira explícita em algum lugar. Mas muitos problemas reais não funcionam assim. A informação necessária pode estar espalhada por relatórios diferentes, escondida atrás de filtros, dependente de uma soma ou só aparecer depois que várias fontes são comparadas.
Um novo trabalho apresentado no arXiv propõe uma mudança importante nessa lógica. O RECAST, sigla em inglês para Roteamento de Evidências por Computação, Acesso e Ferramentas Sintetizadas, trata a construção de evidências como um processo ativo. Em vez de apenas recuperar documentos parecidos com a pergunta, o sistema decide quais operações realizar para montar a base necessária à resposta.
O limite da busca por similaridade
O RAG convencional costuma transformar uma pergunta em um vetor matemático e procurar documentos próximos nesse espaço. É uma solução elegante para perguntas como “qual foi a receita da empresa no último trimestre?” quando existe um relatório com esse número. Também é útil para localizar uma política interna, resumir um contrato ou consultar uma especificação técnica.
O problema surge quando a resposta não está contida em um único trecho. Imagine uma diretoria perguntando quais clientes reduziram seus pedidos por três meses consecutivos e ainda representam mais de vinte por cento da receita de uma região. Nenhum documento isolado necessariamente contém essa conclusão. Será preciso consultar vendas, agrupar clientes, comparar períodos, calcular participação e aplicar condições.
Um mecanismo baseado apenas em similaridade pode recuperar documentos que mencionam clientes, receita e queda nas vendas, mas não sabe necessariamente como combinar essas informações. Ele pode até entregar muitos trechos corretos e, ainda assim, não produzir a evidência que a pergunta exige. O desafio deixa de ser encontrar texto e passa a ser construir uma resposta verificável.
RECAST transforma evidência em uma sequência de decisões
O RECAST propõe uma arquitetura em que a inteligência artificial escolhe, passo a passo, como investigar uma coleção de fontes heterogêneas. Para isso, o sistema pode alternar entre operações de recuperação, filtragem, acesso a ferramentas e computação. A evidência final não é tratada como um trecho pronto, mas como o resultado de uma pequena cadeia de transformações.
Na prática, o sistema poderia começar procurando relatórios relevantes, selecionar apenas os documentos de determinado período, extrair tabelas, somar valores, cruzar registros e só então formular uma conclusão. Cada decisão altera o que estará disponível no passo seguinte. É mais parecido com uma análise conduzida por um pesquisador ou analista do que com uma busca automática em uma biblioteca.
O trabalho descreve um RouterLM, um modelo responsável por escolher e formular essas operações. A ideia central é ensinar o roteador a decidir quando deve recuperar informação, quando precisa consultar uma ferramenta e quando é melhor sintetizar uma nova evidência a partir do que já encontrou. Essa distinção é fundamental porque nem toda pergunta é respondida pelo mesmo tipo de ação.
Uma pergunta factual simples pede recuperação. Uma pergunta comparativa pode exigir filtragem. Uma previsão pode depender de uma função estatística. Uma auditoria pode exigir que o sistema reúna registros, detecte exceções e preserve a trilha de cálculo. Ao reconhecer essas diferenças, a IA deixa de tratar todo conhecimento como texto semelhante.
Da resposta pronta para a evidência construída
A diferença parece técnica, mas muda a maneira como devemos avaliar sistemas de IA. Em um RAG tradicional, frequentemente perguntamos se o trecho recuperado contém a resposta. No RECAST, a pergunta passa a ser se o sistema escolheu uma sequência válida de operações para chegar à resposta.
Essa mudança aproxima a inteligência artificial de um ambiente de trabalho real. Analistas não respondem a todas as perguntas abrindo o documento mais parecido com a consulta. Eles escolhem fontes, verificam datas, eliminam registros irrelevantes, fazem cálculos e questionam resultados inconsistentes. A qualidade do trabalho está tanto no caminho quanto na frase final.
Isso também pode reduzir um dos problemas mais persistentes dos modelos de linguagem: a aparência de segurança quando a evidência é insuficiente. Se o sistema precisa mostrar quais operações executou, torna-se mais fácil descobrir se uma conclusão veio de um documento, de uma inferência ou de um cálculo. A resposta deixa de ser uma caixa-preta linguística e passa a ter uma estrutura auditável.
Há uma consequência adicional. Sistemas desse tipo podem trabalhar melhor com fontes que não foram escritas para serem lidas como prosa, como planilhas, bancos de dados, registros operacionais, gráficos e documentos jurídicos. Em vez de tentar converter tudo em parágrafos antes da análise, a arquitetura pode usar a forma adequada para cada tipo de informação.
O que isso muda para empresas brasileiras
O impacto potencial no Brasil é especialmente relevante porque muitas empresas operam com informação fragmentada. Dados comerciais podem estar em um sistema, notas fiscais em outro, contratos em arquivos digitais e indicadores de atendimento em uma ferramenta separada. A dificuldade não é apenas perguntar à IA onde está um dado, mas fazê-la conectar fontes que foram construídas para objetivos diferentes.
Uma indústria poderia perguntar quais fornecedores tiveram aumento de prazo, piora de qualidade e impacto financeiro acima de determinado limite. Uma rede de varejo poderia identificar lojas que perderam margem apesar do crescimento de vendas. Um escritório poderia cruzar cláusulas contratuais com eventos de pagamento e apontar riscos. Em todos esses casos, a resposta exige operações sobre várias evidências, não apenas a recuperação de um parágrafo.
Para o ecossistema de tecnologia, a proposta sugere que a vantagem competitiva não estará somente no modelo de linguagem. Também importará a qualidade do catálogo de fontes, das ferramentas disponíveis, das permissões, dos registros de execução e das regras usadas para validar cada resultado. A empresa que organizar seus dados para permitir investigação terá uma base mais forte do que aquela que apenas conecta um chatbot a uma pasta de documentos.
Há, porém, um cuidado importante. Dar à IA acesso a ferramentas de cálculo, bancos de dados e sistemas internos amplia sua utilidade, mas também amplia o risco. Uma operação mal escolhida pode produzir uma conclusão errada com aparência matemática. Por isso, o desenho precisa incluir limites de acesso, validação de consultas, revisão humana em decisões sensíveis e registro dos passos executados.
O novo gargalo será escolher o caminho certo
O RECAST não elimina o problema da confiabilidade. Ele o reposiciona. Antes, a preocupação principal era saber se o sistema encontrou o documento correto. Agora, também precisamos saber se ele formulou a pergunta intermediária correta, aplicou o filtro adequado e escolheu a operação compatível com o tipo de evidência disponível.
Uma arquitetura que pode explorar muitos caminhos também pode gastar mais tempo e recursos. Se o roteador consultar fontes demais, calcular alternativas demais ou insistir em operações improdutivas, o custo cresce. Se explorar pouco, pode parar antes de encontrar a evidência decisiva. O equilíbrio entre profundidade, velocidade e orçamento será uma parte essencial do produto.
Outro desafio está na avaliação. Em perguntas abertas, nem sempre existe uma única sequência correta de investigação. Dois caminhos diferentes podem chegar à mesma conclusão, e um caminho aparentemente plausível pode falhar apenas em casos raros. Benchmarks precisarão avaliar não só a resposta final, mas a qualidade das evidências, a rastreabilidade e a capacidade de reconhecer quando não há dados suficientes.
Esse ponto é decisivo para aplicações empresariais. Uma IA que responde “não é possível concluir com os dados disponíveis” pode ser mais útil do que uma IA que sempre oferece um número. O futuro dos sistemas de evidência construída dependerá da capacidade de combinar iniciativa com contenção.
Uma inteligência artificial mais próxima do trabalho analítico
A maior contribuição do RECAST talvez seja conceitual. Ele mostra que recuperar informação e produzir conhecimento não são a mesma coisa. A recuperação encontra peças. A análise decide como selecionar, combinar e transformar essas peças em uma conclusão.
Isso indica uma direção promissora para agentes de IA: menos foco em respostas instantâneas e mais capacidade de conduzir investigações curtas, verificáveis e adaptativas. Para o usuário, a experiência ideal não será apenas receber uma conclusão, mas entender de onde ela veio, quais fontes foram usadas e quais etapas poderiam mudar o resultado.
A inteligência artificial aplicada ao trabalho não precisa imitar um mecanismo de busca mais eloquente. Ela precisa aprender a construir evidências quando a resposta não está pronta em lugar algum. Esse é um salto menos chamativo do que lançar um modelo maior, mas talvez seja mais importante para transformar dados espalhados em decisões responsáveis.