- Sem preparo de PDF (OCR, versões, títulos), a IA erra com confiança — e você nem percebe.
- Upload simples serve para tarefas pontuais; indexação/RAG é melhor para consulta recorrente e consistência.
- Padronize perguntas e force a IA a citar trechos (página/seção) para reduzir alucinação.
- Defina o que é dado sensível e o que pode entrar na base (LGPD).
- Comece pequeno: 20–50 documentos “mais pedidos” antes de tentar indexar tudo.
1) Delimite o escopo (o que a IA vai responder)
Liste 10–20 perguntas reais que chegam no dia a dia (RH, suporte, jurídico, operações). Corte o que exige julgamento humano ou decisão (ex.: aprovar exceções, interpretar caso concreto). Esse escopo vira seu “contrato” de qualidade: se a base não responder bem isso, ainda não está pronta.
2) Faça inventário dos PDFs e marque o “dono” de cada documento
Crie uma planilha simples com: nome do arquivo, área responsável, versão/data, se é público ou restrito, e quais perguntas ele responde. Sem dono, o conteúdo envelhece e a IA passa a responder com informação antiga — que é o tipo de erro mais caro.
3) Padronize nomes, versões e elimine duplicatas
Renomeie com padrão previsível (ex.: AREA_TEMA_VERSAO_DATA.pdf). Se houver várias versões, mantenha uma “oficial” e arquive o resto. IA + documentos duplicados costuma gerar respostas que misturam versões como se fosse uma só.
4) Garanta texto pesquisável (OCR) e qualidade do conteúdo
PDF escaneado sem OCR vira “imagem”: a IA até pode ler, mas com mais erro. Rode OCR quando necessário e revise páginas críticas (tabelas, cláusulas, anexos). Se o PDF tiver colunas, cabeçalhos confusos e rodapés repetidos, considere exportar para um formato mais limpo antes de indexar.
5) Quebre documentos grandes em unidades úteis
Manuais de 200 páginas funcionam melhor quando separados por assunto (capítulos/rotinas) ou quando têm sumário bem estruturado. A ideia é facilitar a recuperação do trecho certo, não “enfiar tudo” e torcer.
6) Escolha o modo: upload simples vs indexação (RAG)
Upload simples (anexar PDF na conversa) é rápido para demandas pontuais e times pequenos. Indexação/RAG (uma base consultável) faz mais sentido quando a consulta é recorrente, com múltiplas pessoas e necessidade de consistência. Se você quer que a IA responda sempre com trechos e referências, RAG costuma ser o caminho mais controlável.
7) Defina o “prompt de governança” para respostas com evidência
Crie instruções fixas para o assistente: (a) responder apenas com base nos documentos; (b) citar seção/página/trecho; (c) quando não houver evidência, dizer “não encontrei no material” e pedir o documento correto; (d) separar fato do que é sugestão. Isso reduz muito a sensação de acerto falso.
8) Monte um conjunto de testes e rode validação humana
Use as perguntas do passo 1 como bateria de testes. Compare respostas com o documento oficial. Marque erros por categoria: documento errado, versão errada, trecho fora de contexto, resposta sem citação. Só depois amplie a base.
9) Crie rotina de atualização (e regra de expiração)
Defina frequência (semanal/mensal) e quem atualiza. Documentos com validade (políticas, preços, SLAs) precisam de “data de expiração” clara. Base de conhecimento boa é menos sobre tecnologia e mais sobre manutenção.
Upload de PDF vs Base indexada (RAG): quando cada um ganha
No Arena da IA, a gente vê muita empresa frustrada porque tenta resolver “conhecimento interno” com upload avulso em conversas. Funciona… até o dia em que duas pessoas fazem a mesma pergunta e recebem respostas diferentes.
A escolha prática é: você quer resolver uma tarefa agora (upload) ou construir uma fonte de verdade consultável (indexação/RAG)?
| Cenário | Upload simples (por conversa) | Base indexada / RAG |
|---|---|---|
| Pergunta pontual sobre 1 documento | Ganha em velocidade | Pode ser excesso de setup |
| Mesmo assunto consultado toda semana | Inconsistente entre conversas | Ganha em repetição e padronização |
| Vários documentos e versões | Risco alto de misturar versões | Melhor para controlar o que é “oficial” |
| Necessidade de citação/trecho | Dá para pedir, mas varia mais | Mais fácil de forçar evidência e rastreio |
| Equipe grande consultando | Escala mal (cada um faz do seu jeito) | Escala melhor (fonte única) |
Checklist rápido de preparo de PDFs (o que mais derruba qualidade)
Os maiores erros não são “o modelo alucinou”. Geralmente é o arquivo ruim, a versão errada ou o conteúdo mal rotulado. Aqui vai o checklist que costuma resolver 80% dos problemas antes de mexer em configuração.
- O PDF tem texto selecionável? Se não, precisa de OCR.
- O arquivo tem versão/data visível no próprio documento (não só no nome do arquivo)?
- Há duplicatas ou versões concorrentes na pasta?
- Tabelas importantes estão legíveis (sem colunas quebradas)?
- Cada documento tem um “dono” (área responsável) e um canal para dúvidas?
- O que é regra (política/procedimento) está separado do que é modelo/exemplo?
- Documentos com dados pessoais/sensíveis foram removidos ou anonimizados?
Modelo de prompt para consultar a base sem “chutar”
Você não precisa de um prompt longo e místico. Precisa de um prompt que imponha disciplina: evidência, citação e recusa quando faltar base.
Use este modelo e adapte as palavras ao seu contexto (RH, suporte, jurídico, operações).
- Tarefa: Responda usando somente os documentos fornecidos/da base.
- Formato: (1) resposta objetiva; (2) passos; (3) citações com seção/página/trecho; (4) dúvidas ou lacunas.
- Regra de segurança: Se não houver evidência nos documentos, diga que não encontrou e peça o arquivo correto.
- Regra de conflito: Se houver versões diferentes, priorize a mais recente e explique o critério.
- Regra de linguagem: Português do Brasil, direto, sem inventar números ou prazos.
LGPD na prática: o que geralmente pode (e não pode) entrar
Não existe uma resposta universal aqui sem conhecer sua operação, mas dá para trabalhar com bom senso e governança.
Em geral, base de conhecimento funciona melhor com conteúdos “estruturais”: políticas, procedimentos, manuais, FAQs internas, templates sem dados reais e documentação de produto. O que costuma dar problema é colocar dados pessoais identificáveis ou casos reais sem necessidade.
| Tipo de conteúdo | Risco típico | Boa prática |
|---|---|---|
| Políticas e procedimentos (sem dados pessoais) | Baixo | Versionamento + dono + revisão periódica |
| Modelos de documentos (contratos, termos) sem preenchimento | Médio | Manter padrão oficial e registrar mudanças |
| Tickets reais, chats, e-mails com clientes | Alto | Anonimizar/mascarar antes; limitar acesso |
| Planilhas com CPF, telefone, endereço | Muito alto | Evitar; se inevitável, usar anonimização e controle rígido |
| Casos jurídicos internos com detalhes identificáveis | Alto | Resumo anonimizado + acesso por necessidade |
Perguntas frequentes
Preciso mesmo de RAG para usar PDFs com IA?
Como diminuir alucinação quando a IA responde com base em documentos?
PDF escaneado funciona bem ou atrapalha?
Qual é o erro mais comum ao criar base de conhecimento com PDFs?
Leia também
RAG (Retrieval-Augmented Generation)
RAG é a técnica que faz a IA buscar informação em fontes externas antes de responder. Entenda o que é, como funciona e por que reduz alucinações.
Ler →
Como anonimizar dados antes de usar ChatGPT, Claude ou Gemini (2026): checklist sem vazar informação
Guia prático para anonimizar e minimizar dados antes de colar textos em ChatGPT, Claude ou Gemini. Checklist, exemplos do que remover, tabela de riscos e perguntas frequentes para evitar vazamentos e exposição de clientes, contratos e dados pessoais.
Ler →
Como escolher IA para pesquisar na internet sem alucinar (2026): checklist prático
Guia direto para escolher uma IA de pesquisa com menos alucinação: sinais de confiança, testes rápidos, critérios (fontes, datas, citações, transparência) e um checklist de 10 itens para usar no dia a dia.
Ler →
NotebookLM vs Perplexity vs ChatGPT para estudar com fontes em 2026: qual escolher?
Comparativo direto para estudar com fontes: quando usar NotebookLM, Perplexity ou ChatGPT em 2026. Tabela por tarefas, pontos fortes, riscos de alucinação e checklist de verificação.
Ler →