Um dos maiores medos ao adotar IA generativa é a alucinação: o modelo responder algo convincente, mas errado. A boa notícia é que dá para reduzir isso drasticamente ancorando o modelo nos seus documentos. Vou mostrar o caminho do PDF ao índice pesquisável — a base de um assistente confiável.

Por que o modelo alucina?

Sozinho, o modelo responde a partir do que “decorou” no treinamento — que pode estar desatualizado ou não cobrir o seu negócio. Sem uma fonte para se apoiar, ele “preenche as lacunas” e inventa. A solução é dar a ele a resposta certa antes de responder.

A estratégia: RAG + grounding

RAG recupera trechos relevantes dos seus documentos e os injeta no prompt. Grounding é a prática de ancorar a resposta em fontes reais e medir o quanto ela de fato se apoia nelas (groundedness). Juntos, transformam “achismo” em “resposta com fonte”.

Passo a passo: do PDF ao índice

1. Extrair o texto: use o Document Intelligence (OCR + layout) para ler os PDFs, inclusive tabelas e digitalizações.
2. Quebrar em chunks: divida o texto em pedaços de ~300–500 tokens, preservando o contexto de cada seção.
3. Gerar embeddings: converta cada chunk em um vetor com um modelo de embeddings.
4. Indexar: guarde os vetores no Azure AI Search (índice vetorial). É o que permite buscar por significado.
5. Recuperar + responder: a cada pergunta, busque os chunks mais próximos e peça ao modelo para responder somente com base neles.
6. Citar a fonte: mostre de qual documento e página veio a resposta.

Como evitar a alucinação de verdade

• Instrução firme: “responda apenas com base nos trechos fornecidos; se não houver base, diga que não sabe”.
• Meça groundedness: use os evaluators para pontuar o quanto a resposta se apoia nas fontes.
• Mostre as citações: transparência inibe respostas inventadas e gera confiança.
• Avaliação contínua: monitore em produção, não só no teste.

O modelo que responde faz diferença na taxa de alucinação: troque o antigo GPT-4/GPT-4o por um mais recente do Azure AI Foundry — GPT-4.1, GPT-5 ou o4-mini —, que seguem melhor a instrução de “responder só com base nos trechos” e citam a fonte com mais consistência.

Perguntas frequentes (FAQ)

Qual o melhor tamanho de chunk?

Não há número mágico. Comece com 300–500 tokens preservando o contexto de cada seção e ajuste medindo a qualidade das respostas.

Posso usar RAG com documentos escaneados?

Sim. O Document Intelligence faz OCR + layout, extraindo texto até de PDFs escaneados e tabelas antes da indexação.

Como sei se o assistente está confiável?

Meça groundedness (o quanto a resposta se apoia nas fontes) com os evaluators, mostre citações e faça avaliação contínua em produção.

Conclusão

“Assistente que não alucina” não é mágica — é engenharia: extrair bem, indexar por significado, recuperar o contexto certo e ancorar a resposta. Com RAG e grounding no Azure, você entrega IA em que a empresa pode confiar.

👉 Quer saber mais sobre este e outro assuntos visite meu canal.