GraphRAG ou RAG Vetorial? Quando a Busca por Similaridade Não Basta para as Perguntas Mais Valiosas da Sua Empresa
Por Enio Moraes
Fundador da movimento.ai
A maioria dos projetos de IA corporativa que usam RAG (Retrieval-Augmented Generation) começa bem: o assistente responde a perguntas sobre políticas internas, manuais e contratos com boa precisão. Depois chega a pergunta que o comitê realmente queria fazer: "Quais dos nossos fornecedores críticos são afetados por esta nova regulação, e quais contratos têm cláusula de rescisão ligada a isso?" E o assistente devolve uma resposta confiante e incompleta.
O problema raramente está no modelo de linguagem. Está na etapa que vem antes: a recuperação da informação. E é aí que a decisão entre RAG vetorial e GraphRAG se torna uma decisão de arquitetura que um executivo precisa entender.
Onde o RAG vetorial chega ao limite
No RAG vetorial, os documentos são quebrados em trechos, e cada trecho vira um vetor numérico que representa seu significado. Quando alguém pergunta algo, o sistema busca os trechos mais parecidos com a pergunta e os entrega ao modelo. É uma técnica excelente para perguntas cuja resposta está em um ou poucos trechos próximos.
O limite aparece quando a resposta está espalhada. Similaridade mede o quanto dois textos se parecem, não como as coisas se relacionam. Perguntas que envolvem três ou mais entidades (um fornecedor, um contrato, uma regulação), cadeias de dependência ou agregações sobre muitos documentos exigem seguir relações, algo que a busca por similaridade não faz por construção. Códigos exatos, como um número de peça ou um artigo de lei, também podem ser confundidos com códigos vizinhos, porque, para o vetor, "221" e "222" são quase a mesma coisa.
O que o GraphRAG muda
O GraphRAG acrescenta uma etapa de construção: um modelo lê os documentos e extrai entidades (pessoas, empresas, produtos, cláusulas) e as relações entre elas, formando um grafo de conhecimento. Na hora da pergunta, o sistema pode percorrer esse grafo, partindo de uma entidade e seguindo as ligações até encontrar o que importa, e só então entrega ao modelo os trechos e relações relevantes. Versões como a da Microsoft também agrupam o grafo em comunidades temáticas e geram resumos de cada uma, o que ajuda em perguntas globais do tipo "quais são os principais riscos recorrentes neste conjunto de contratos?".
O preço da precisão: custo e complexidade
Nada disso é de graça. Construir o grafo exige que um modelo leia todo o acervo e extraia entidades e relações, o que, nas implementações originais, pode custar de dezenas a milhares de dólares por conjunto de documentos, dependendo do tamanho. Há ainda o trabalho de manter o grafo limpo: sem deduplicação, a mesma empresa vira três nós desconectados; sem filtro, ligações falsas se multiplicam quando o sistema percorre o grafo. Variantes mais recentes, como o LazyGraphRAG da Microsoft, reduzem o custo adiando parte do processamento para o momento da consulta, ao preço de alguma latência adicional.
Vale uma ressalva sobre os números que circulam no mercado. Benchmarks publicados mostram ganhos grandes do GraphRAG em perguntas de múltiplos saltos, mas costumam ser desenhados para expor justamente o ponto fraco do RAG vetorial. Em perguntas simples, os dois se equivalem, e o grafo pode até piorar o resultado. Trate esses números como indicação de direção, não como promessa para o seu acervo.
Como decidir sem se render ao modismo
A recomendação mais segura é começar pelo que é mais barato e medir. Um pipeline com busca vetorial combinada com busca por palavras-chave e um reranqueador resolve a maioria dos casos e já melhora a recuperação de forma consistente. A partir daí, três perguntas ajudam a liderança a decidir:
- Que tipo de pergunta o negócio mais valoriza? Se envolve relações (cadeia de suprimentos, hierarquias societárias, cláusulas e obrigações), o grafo tende a compensar.
- Onde o sistema atual falha? Monte um conjunto de perguntas reais, meça a taxa de acerto da recuperação por tipo de pergunta e só introduza o grafo na fatia que falha por falta de relações, não por falta de qualidade dos dados.
- Quem mantém o grafo? Atualizar entidades e relações é trabalho contínuo, com dono, rotina e governança, como qualquer outro ativo de dados.
O GraphRAG não substitui o RAG vetorial: complementa. As empresas que acertam tratam a recuperação como um produto com métricas próprias, escolhem a técnica pelo tipo de pergunta e adicionam complexidade somente onde ela se paga.