Porque ter o modelo de IA mais potente não garante resultados — e o que sim garante

Há quatro meses publicámos neste blog um artigo intitulado RAG Empresarial: A revolução da IA que está a transformar como as empresas acedem ao seu conhecimento. Defendíamos então que o Retrieval Augmented Generation era a arquitetura que iria permitir às empresas extrair valor real da IA generativa. Era. Continua a ser. Mas o debate do setor amadureceu nestes meses e a conclusão é incómoda para quem vende tecnologia e reconfortante para quem, como nós, leva décadas a integrar sistemas: o sucesso de um projeto de IA depende menos do modelo do que da mão que o dirige.

Todas as semanas falamos com responsáveis de tecnologia, diretores de operações e conselhos de administração que se fazem a mesma pergunta: «que modelo de IA devemos usar?». É a pergunta errada. A pergunta certa é outra: «que contexto temos para lhe dar?».

Este artigo é a resposta a essa pergunta, e a porque é que tantas empresas que investiram bem — em licenças, em consultoria, em infraestrutura — continuam sem obter o retorno esperado.

O espelhismo do modelo mais potente

O modelo é a peça mais visível de um projeto de IA. Quase nunca é a peça que decide o resultado.

Nos últimos doze meses, os grandes fornecedores de IA têm lançado modelos cada vez mais potentes: Claude Opus 4.7 com um milhão de tokens de contexto, GPT-5, Gemini Ultra. Qualquer empresa pode aceder a eles pagando uma subscrição. E é exatamente esse o problema.

Quando todos os concorrentes do seu setor podem aceder ao mesmo modelo, esse modelo deixa de ser uma vantagem. Torna-se uma commodity. O que a sua empresa tem e mais ninguém tem é a sua informação, a sua história, os seus processos, os seus clientes e a forma específica como decide. Isso é o contexto. E o contexto não se compra: constrói-se.

A equipa de engenharia da Anthropic, criadores do Claude, dizia-o recentemente: «o melhor modelo ganha as demonstrações; o melhor contexto ganha a produção à escala». É uma frase que merece estar na parede de qualquer comité executivo a avaliar um investimento em IA.

Comprar um Ferrari não o torna piloto de Fórmula 1. Comprar a subscrição Enterprise do ChatGPT não torna a sua empresa numa organização produtiva com IA.

A diferença entre as empresas que estão a extrair valor real da IA e as que não estão não se explica pelo modelo que escolheram. Explica-se pelo que construíram à volta do modelo.

Porque é que tantos projetos de IA não alcançam os objetivos esperados

Os projetos de IA não «falham». Não alcançam os objetivos esperados porque ao sistema falta o que só a própria empresa lhe pode dar.

Vai ler em muitos sítios que 80 % dos projetos de IA empresarial falham. É uma maneira dramática de contar o problema, mas é injusta com a própria tecnologia. Os modelos fazem aquilo que se lhes pede. O problema não é a IA: é como está a ser implementada.

Quando uma empresa coloca em produção um assistente conversacional que responde com generalidades, ou um agente que sugere o óbvio, ou um chatbot que repete o que já está numa FAQ, o que está a faltar quase nunca é potência de modelo. O que falta é:

• Que o sistema conheça como cada coisa se chama internamente nessa empresa.
• Que saiba qual foi a última decisão tomada sobre um determinado cliente e porquê.
• Que entenda os matizes do setor — «alta» em logística não significa o mesmo que em banca.
• Que esteja ligado aos dados vivos, não a um PDF carregado há três anos.
• Que tenha regras claras sobre o que pode dizer e o que não pode.

Sem nada disto, o modelo mais potente do mundo dará respostas plausíveis mas inúteis. E a empresa concluirá, erradamente, que «a IA não funciona». A IA funciona. O que não foi feito foi dar-lhe o contexto que precisava para resolver o problema concreto dessa empresa.

Esta é a conversa que estamos a ter todas as semanas com clientes que chegam frustrados de um primeiro piloto. A boa notícia é que, uma vez identificada a causa real, a solução é alcançável. A menos boa: requer algo que não se compra numa loja.

O que é realmente «contexto» numa empresa

O contexto empresarial não é uma única coisa: são cinco dimensões diferentes que raramente se trabalham em conjunto.

Quando falamos de «dar contexto à IA», muitas empresas pensam em carregar documentos num sistema. É uma simplificação perigosa, porque deixa de fora as quatro dimensões mais valiosas. O contexto empresarial real tem cinco camadas:

1. Histórico de decisões

Cada empresa passou anos a tomar decisões que quase nunca se documentam: porque foi rejeitada uma proposta comercial, porque se mudou de fornecedor, porque se aprovou um desconto excecional. Essa memória de decisões — o «porquê» por trás do «o quê» — é o que distingue uma empresa madura. E é o que uma IA sem acesso a isso nunca poderá replicar.

2. Taxonomia própria

Cada organização chama as coisas à sua maneira. «Cliente ativo» não significa o mesmo numa consultora e numa operadora de telecomunicações. «Encomenda fechada» também não. Se a IA não dominar a taxonomia interna, as suas respostas serão corretas em termos gerais e erradas em termos práticos.

3. Políticas internas

Quem aprova o quê, com que limites, em que circunstâncias, com que exceções. Toda a empresa tem um livro não escrito de políticas que vivem nos emails, nas cabeças dos responsáveis e em acordos tácitos. Sem as passar para o contexto do sistema, a IA acabará a propor ações que violam regras internas que ninguém lhe contou.

4. Conhecimento tácito

É a dimensão mais difícil de capturar e a mais valiosa. O que sabe aquele colaborador que está há quinze anos na empresa e vai reformar-se. O que aprendeu aquele responsável de contas após dois anos a trabalhar com um cliente difícil. O que se decidiu numa reunião sem ata porque «toda a gente percebeu». Converter conhecimento tácito em contexto explícito é uma das coisas mais rentáveis que uma empresa pode fazer hoje.

5. Dados vivos

Por último, o contexto precisa de estar ligado às fontes reais: o ERP, o CRM, o sistema de tickets, os repositórios documentais. Não uma exportação de há três meses, não um PDF guardado numa pasta partilhada. A IA tem de saber o que a empresa sabe hoje, não o que sabia quando se fez o piloto.

Construir as cinco dimensões — bem — é o que separa um piloto de IA que morre em seis meses de uma plataforma que escala durante anos.

O papel do especialista humano: a peça que quase ninguém coloca no centro

Sem a combinação das três experiências, qualquer projeto de IA fica incompleto.

Tudo o que ficou para trás — identificar que contexto tem a empresa, estruturá-lo, ligá-lo, governá-lo — precisa de uma peça que nenhum modelo de IA pode substituir: pessoas com experiência que entendam o negócio e a tecnologia ao mesmo tempo.

Há três tipos de experiência que têm de estar à mesa, e é muito raro encontrar os três numa só pessoa:

Experiência de negócio. Conhecer como a empresa funciona realmente: porque é que cada coisa se faz, que processos estão presos com fita-cola, que decisões se delegam e quais escalam, que métricas movem o negócio. Sem esta visão, a IA acaba a otimizar o que não importa.

Experiência tecnológica. Saber escolher entre RAG, agentes, ajuste fino ou um sistema clássico. Saber quando um grafo de conhecimento traz mais valor do que uma base vetorial. Saber onde armazenar os dados para cumprirem o RGPD e o AI Act. Sem esta visão, a IA acaba a ser uma promessa que não se sustenta em produção.

Experiência de transformação. As organizações têm anticorpos. Introduzir uma ferramenta nova sem que a organização a rejeite exige ter passado por isto muitas vezes. Exige saber onde haverá resistência, que responsável tem de ser convencido primeiro, que piloto demonstrará valor em seis semanas. Sem esta visão, a IA acaba arquivada na pasta de «aquele projeto que não correu».

Sem estas três experiências a trabalhar em conjunto, a IA mais potente do mercado é um brinquedo caro.

Isto explica porque é que tantos projetos liderados apenas por departamentos de TI não escalam, e porque é que tantos projetos liderados apenas pelo negócio não chegam a produção. A transformação com IA é um trabalho de dobradiça entre disciplinas.

As duas peças bem entendidas: RAG privado e Context Engineering

A arquitetura que sim funciona: uma base segura e soberana (RAG privado) sobre a qual opera uma camada de curadoria, estrutura e priorização (Context Engineering).

Com tudo o que vimos acima claro — que o contexto importa mais do que o modelo, e que precisamos de pessoas com experiência para o construir — podemos falar das duas peças tecnológicas que realmente fazem a diferença.

RAG privado: a base

O RAG privado é a primeira camada. Significa que toda a informação da empresa — documentos, bases de dados, conhecimento estruturado — vive dentro da infraestrutura da própria organização, sem sair para sistemas externos para ser processada por terceiros. É a condição mínima de soberania do dado.

Não é uma preferência estética. Há três razões de peso para que o RAG seja privado:

• Propriedade intelectual. A informação estratégica, os contratos, os procedimentos internos não podem ficar expostos em sistemas que podem usá-los para treinar modelos alheios.
• Cumprimento normativo. O RGPD impõe obrigações claras sobre os dados pessoais que circulam por sistemas de IA. O AI Act europeu acrescenta novas. Ter o RAG dentro da sua infraestrutura simplifica enormemente a rastreabilidade.
• Soberania operativa. Se o seu fornecedor de IA mudar a sua política de preços, sofrer uma quebra de serviço ou decidir deixar de operar na Europa, a sua informação continua a ser sua.

Um RAG privado bem construído é uma base sólida. Mas por si só, não resolve o problema.

Context Engineering: a camada que multiplica

Sobre essa base atua a Context Engineering: o conjunto de técnicas e disciplinas que curam, estruturam, priorizam e entregam o contexto adequado à IA no momento adequado.

Enquanto o RAG se limita a recuperar fragmentos relevantes de informação para cada pergunta, a Context Engineering faz algo mais profundo:

• Decide que informação entra e qual não, em função do papel do utilizador e do propósito da consulta.
• Estrutura o contexto de forma a que o modelo o possa usar bem (porque entregar muita informação mal organizada é pior do que entregar pouca informação bem organizada).
• Prioriza o que a IA deve ler primeiro — um contrato em vigor pesa mais do que um caducado, um email da semana passada mais do que um de há dois anos.
• Mantém memória entre sessões, para que o sistema não comece do zero cada vez que um utilizador abre uma conversa.
• Governa o fluxo: que decisões a IA pode tomar sozinha, quais precisam de supervisão humana, quais é necessário registar.

É a diferença entre ter uma biblioteca com um milhão de livros desorganizados e ter um bibliotecário experiente que sabe exatamente que livro entregar ao leitor para aquilo que está a tentar resolver.

Juntos, mais o especialista humano, igual a transformação real

A fórmula que funciona em produção não é nenhuma das duas peças isolada. É a combinação: RAG privado (a base segura e soberana) + Context Engineering (a camada que cura e multiplica) + experiência humana (a mão que decide como construir).

Esse trio é o que está a fazer a diferença entre as empresas que estão a converter a IA numa vantagem competitiva real e as que continuam presas em pilotos eternos.

A pergunta certa

Se chegou até aqui, provavelmente tem em mente um projeto, um piloto ou uma iniciativa de IA que não está a dar os resultados que esperava. A pergunta tentadora é: deveríamos mudar de modelo?. Quase sempre, é a pergunta errada.

A pergunta certa é outra: que contexto estamos a dar a este sistema, e faz sentido para o que queremos resolver?. E a pergunta logo a seguir: quem, dentro ou fora da empresa, tem a combinação de experiência em negócio, tecnologia e transformação que precisamos para construir bem esse contexto?.

Se está a fazer essas perguntas, está a fazer o correto. E se precisar de as falar com alguém que leva décadas a integrar sistemas e anos a trabalhar com tecnologias de IA empresarial, na Tecnea podemos ajudá-lo. Não vendemos modelos. Ajudamos as empresas a construir o contexto e os processos que fazem com que a IA, qualquer IA, produza resultados reais.

Se quiser uma conversa honesta sobre onde está a sua empresa hoje e o que lhe falta para chegar onde quer, peça um diagnóstico gratuito de contexto IA. Trinta minutos em que lhe dizemos que peças tem e quais lhe faltam — sem compromisso e sem venda de tecnologia.

Perguntas frequentes

Se o modelo importa menos do que parece, porque é que os fornecedores falam tanto dele? Porque é o mais visível e o mais fácil de vender. Anunciar um modelo mais potente gera manchetes e diferencia comercialmente o fornecedor da concorrência. O contexto, pelo contrário, constrói-se internamente em cada empresa e não pode ser empacotado como produto. Por isso recebe muito menos atenção mediática, apesar de ser o que realmente determina os resultados.

Significa isto que tanto faz que modelo escolher? Não. Há diferenças reais entre modelos em latência, custo, qualidade de raciocínio, capacidade de seguir instruções, suporte de idiomas ou janela de contexto. O que dizemos é que essa escolha, com os modelos atuais, costuma representar entre 10 e 20 % do resultado final. Os outros 80 % vêm do contexto e de como se construiu o sistema à volta do modelo.

Que diferença há entre RAG privado e RAG na nuvem? A diferença chave é onde reside e se processa a informação. Num RAG privado, os dados e o processamento mantêm-se dentro da infraestrutura da empresa (on-premise ou numa nuvem privada controlada). Num RAG em nuvem pública, a informação pode passar por sistemas de terceiros, o que tem implicações de propriedade intelectual, cumprimento normativo e dependência operativa.

A minha empresa precisa de um projeto de Context Engineering ou basta um bom RAG? Depende do caso de uso. Para assistentes informativos simples, um RAG bem construído pode ser suficiente. Para processos críticos, atendimento ao cliente complexo, decisões operacionais ou qualquer caso onde a qualidade da resposta seja importante, convém planear desde o início uma camada de Context Engineering. A boa notícia é que se pode construir de forma incremental sobre um RAG existente.

Quanto tempo demora a implementar uma solução como a descrita? Um primeiro piloto bem delimitado pode dar resultados visíveis em duas a quatro semanas. A construção de uma plataforma de IA empresarial completa, com RAG privado, Context Engineering e governo do contexto, costuma faseiar-se em dois a cinco meses, priorizando os casos de uso de maior valor. O investimento depende do âmbito, mas o ROI costuma ser visível desde o primeiro caso de uso se este foi bem escolhido.

Fontes

1. Effective context engineering for AI agents — Anthropic
2. Context architecture is replacing RAG — VentureBeat
3. Context Engineering vs. RAG: Key Differences in 2026 — Atlan
4. AI Memory System vs RAG — Atlan
5. Introducing the Model Context Protocol — Anthropic
6. Tendências em IA 2026: era agêntica e regulação UE — Opplus