Como dar o contexto da empresa para a IA (sem um projeto de seis meses)

Resposta curta primeiro: você não treina um modelo com a sua empresa. Você conecta o material que já existe a um sistema que busca dentro dele, mantém as permissões de cada pessoa, e exige que toda resposta diga de qual documento ela saiu. É isso. Fazer fine-tuning de um modelo com documentos internos é o jeito caro de chegar a um resultado pior.

As pessoas esperam algo mais difícil porque a primeira tentativa costuma ser. Alguém cola uma política no ChatGPT, recebe uma resposta boa, e concluí que a empresa precisa de "um projeto de IA". Seis meses depois existe uma proposta de data lake e ninguém consegue fazer uma pergunta ainda.

O que "contexto" quer dizer aqui

A sua empresa já sabe a resposta de quase toda pergunta que recebe. O conhecimento existe — num drive, numa conversa fechada, na cabeça de quem negociou aquele contrato. O que falta é uma forma de perguntar.

Então o objetivo não é ensinar o seu negócio para um modelo. É tornar o seu próprio material respondível, dentro das ferramentas que as pessoas já usam, com as permissões que já existem.

Quatro passos

1. Escolha uma pergunta que dói. Não uma categoria — uma pergunta. "Qual prazo de entrega a gente promete?" "Quais clientes estão na tabela antiga?" Aquela em que alguém interrompe um colega toda semana.
2. Conecte as fontes que respondem ela. Google Drive, Notion, GitHub, Linear, Slack. Não tudo o que você tem; os dois ou três lugares que respondem *aquela* pergunta.
3. Pergunte e confira a citação. Resposta sem fonte é chute com confiança. Se o sistema não mostra o documento, você não pode liberar isso para ninguém além de você mesmo.
4. Só depois amplie. A próxima pergunta, a próxima fonte, o próximo time. Valor no primeiro dia e efeito composto depois; um rollout big-bang não entrega nenhum dos dois.

Três erros que custam mais caro

Fazer fine-tuning com documentos internos. É lento, é caro a cada atualização, o modelo não consegue citar nada, e ele vai afirmar uma política revogada com a mesma segurança com que afirma a atual. Busca (retrieval) não é a alternativa barata ao fine-tuning aqui — é a correta.

Deixar permissão para depois. No instante em que um assistente responde a partir do material da empresa, ele pode vazar. Tabela de salários, contrato não assinado, dado de um cliente numa conversa de suporte. Permissão não é algo que se adiciona depois, porque "depois" é o dia em que alguém faz a pergunta errada e recebe resposta. A regra que vale insistir: um agente que pergunta em nome de alguém herda o acesso daquela pessoa, nunca mais que isso.

Confiar no histórico de chat como memória. Histórico de conversa não é memória organizacional. Ele é por pessoa, por ferramenta, e desaparece. O que você quer guardado é a decisão e a fonte dela, não a transcrição que produziu a decisão.

O que o ValorBrain faz sobre isso

Construímos o produto em cima exatamente das duas restrições acima: a resposta cita o documento de onde saiu, e a permissão é aplicada por pessoa — inclusive quando é um agente de IA perguntando em nome dela. Ele conecta as fontes listadas acima e responde dentro do Claude, do Cursor e de qualquer cliente MCP, além da própria interface.

Em benchmark público, quando a resposta existe no material, encontramos ela entre os 10 primeiros resultados em 96,58% dos casos (LoCoMo, 1986 perguntas). Também publicamos onde falhamos.

Os dados ficam no Brasil, sob a LGPD, e no plano Enterprise rodam inteiramente na sua infraestrutura. Começar é grátis: plano grátis, sem cartão. Cinco minutos para conectar a primeira fonte é uma estimativa honesta; um projeto de seis meses não é.