Nos últimos dois anos, os projetos de armazém baseados em grandes modelos de linguagem seguiram um padrão claro: quase todos começam com perguntas e respostas sobre conhecimento. Um operador pergunta como separar um determinado SKU, e o sistema encontra a resposta em manuais, instruções de trabalho e ordens de trabalho anteriores. A questão não é se vale a pena construir, mas como. Há dois caminhos técnicos sobre a mesa — o ajuste fino e o RAG — e ambos podem parecer bons em uma demonstração. O custo de escolher errado só aparece seis meses depois da entrada em operação.

Acompanhei três projetos reais de bases de conhecimento de armazém. Um era um serviço de perguntas e respostas de atendimento ao cliente de um 3PL no leste da China, lançado no início de 2024 com ajuste fino. Outro era um assistente interno de operações em um armazém de comércio eletrônico no sul da China, lançado em meados de 2024 com RAG. O terceiro era um sistema de consulta de peças de reposição em um fabricante do norte da China que testou as duas abordagens no início de 2025. Os três funcionaram bem na demonstração. Seis meses depois, seus destinos já tinham divergido drasticamente.

O projeto de ajuste fino foi o primeiro a ter problemas. Sua base de conhecimento cobria mais de 40 documentos operacionais, e a precisão inicial parecia boa. O problema eram as atualizações. Toda vez que o armazém mudava um processo ou trocava parâmetros de equipamentos, a equipe precisava preparar novos dados de treinamento e executar outra rodada de ajuste fino — duas semanas no melhor caso, um mês no pior. Pior ainda, o domínio do modelo sobre o novo conhecimento era instável. Depois de uma atualização, ele começou a misturar procedimentos antigos e novos na mesma resposta: um operador perguntou sobre uma regra de picking e recebeu metade da versão nova e metade da antiga. O líder do projeto me contou depois que metade do esforço deles ia para "impedir que o modelo esquecesse coisas", em vez de melhorar o sistema.

O projeto RAG avançou com mais constância. O conhecimento vivia como documentos em um repositório vetorial, então uma mudança de processo significava trocar um documento, com efeito em questão de minutos. Quando instalaram um novo sistema de classificação no final de 2024, as instruções de trabalho atualizadas já podiam ser consultadas no mesmo dia. Mas o RAG tinha sua própria fraqueza: quando a recuperação falhava, a resposta podia estar errada com total segurança. Uma vez, um operador perguntou pelo limite de alarme de temperatura do armazenamento refrigerado, e o sistema extraiu um número desatualizado de um documento vencido, respondendo com total confiança. O turno quase seguiu o padrão errado. A análise posterior foi clara: a culpa não era do modelo, e sim da governança do conhecimento. Ninguém tinha limpado os documentos vencidos, então a recuperação devolvia lixo.

Ajuste fino vs. RAG: onde fica o verdadeiro limite

O limite entre os dois caminhos não é sobre qual é mais "inteligente". É sobre a forma do conhecimento e a velocidade com que ele muda. O ajuste fino incorpora o conhecimento nos pesos do modelo, o que convém a capacidades estáveis, gerais e duradouras: o tom, o formato da resposta, o senso comum do domínio. O RAG mantém o conhecimento fora do modelo, o que convém ao conteúdo que muda com frequência e precisa de citações precisas: procedimentos operacionais, parâmetros de equipamentos, termos contratuais com clientes.

A maior parte de uma base de conhecimento de armazém cai na segunda categoria. Os processos mudam, os equipamentos são substituídos, os clientes acrescentam requisitos, as regulamentações são atualizadas. Se cada atualização exige retreinamento, os custos de manutenção logo superam o valor do sistema. Por isso minha posição padrão é esta: o RAG deve ser a arquitetura padrão de uma base de conhecimento de armazém, e o ajuste fino deve ser usado somente onde ele se justifica.

A comparação abaixo oferece um modelo prático de seleção:

Dimensão Ajuste fino RAG
Custo de atualizar o conhecimento Alto — exige retreinamento Baixo — trocar o documento
Rastreabilidade das respostas Ruim — não há fonte a citar Boa — aponta para o documento-fonte
Risco de alucinação Médio — respostas de memória Depende da qualidade da recuperação, controlável
Melhor uso Capacidade geral estável, estilo Conhecimento específico que muda com frequência
Dados necessários Centenas a milhares de amostras de qualidade Algumas dezenas de documentos para começar
Falha típica O conhecimento antigo interfere, esquecimento catastrófico Documentos vencidos poluem a recuperação

O "esquecimento catastrófico" merece um olhar mais atento. O ajuste fino reescreve os pesos do modelo com novos dados e, levado longe demais, danifica capacidades que o modelo já tinha. O 3PL com ajuste fino viu exatamente isso: depois de três rodadas ajustadas aos novos procedimentos, o modelo começou a falhar em perguntas básicas de aritmética. Eles precisaram reduzir as rodadas de ajuste ao mínimo, e os ganhos diminuíram junto.

Escolher o RAG é só o começo

Escolher o RAG não significa escolher certo: significa escolher um ponto de partida mais fácil de corrigir. Em um sistema RAG, aproximadamente 70 por cento do sucesso é governança do conhecimento e 30 por cento é tecnologia. Governança significa três coisas: controle de versão dos documentos, limpeza regular do conteúdo vencido e avaliação contínua da qualidade da recuperação.

O armazém de comércio eletrônico do sul da China oferece uma referência útil. Cada documento que entra na base carrega uma data de vigência e uma data de validade; os documentos vencidos saem do conjunto de recuperação automaticamente. Cada semana, a equipe coleta 50 perguntas reais, confere à mão se a resposta citou o documento certo e abre uma revisão se a precisão da recuperação cair abaixo de um limite. Depois de seis meses dessa rotina, a precisão das respostas subiu de cerca de 70 por cento no lançamento para um estável 90 por cento ou mais. A arquitetura define o teto. A governança define o piso.

Eis um ponto contraintuitivo: quando os dados são poucos, não corra para o ajuste fino. Muitas equipes começam por aí, acreditando que um modelo "treinado com nossos dados" entenderá o negócio delas. Na prática, ajustar com algumas centenas de amostras sobreajusta com facilidade: o modelo acerta as perguntas do seu conjunto de treinamento e desmorona diante de formulações que nunca viu. Em vez de passar dois meses reunindo dados de ajuste fino, coloque primeiro o RAG para rodar, deixe as perguntas reais chegarem e decida sobre o ajuste fino quando tiver evidências suficientes.

Minha recomendação é um caminho em três passos. Primeiro passo: lançar o RAG com os documentos existentes, rodá-lo por três meses e coletar perguntas reais e casos de falha. Segundo passo: deixar que as falhas decidam se vale a pena acrescentar ajuste fino — se as falhas se concentram no tom e no formato, o ajuste fino vale a pena; se se concentram em conhecimento errado, corrija primeiro a base de conhecimento. Terceiro passo: combinar os dois — ajuste fino para como o sistema fala, RAG para o que ele diz.

Não há uma resposta universal para essa escolha, mas há um teste universal: daqui a seis meses, sua equipe está usando o sistema ou servindo a ele? Se cada mudança do negócio obriga a equipe técnica a fazer horas extras lutando com o modelo, a escolha provavelmente foi errada. Uma base de conhecimento de armazém ganha seu lugar mudando junto com o negócio, e não pedindo ao negócio que se adapte a ela.

Por Dr. Chen, Pesquisador de cadeia de suprimentos

Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.