Como sei se a empresa entende de IA ou só integra API de modelo?

Pergunte como ela mede a qualidade das respostas. Quem entende descreve conjunto de avaliação, casos de teste, métrica e o que acontece quando o modelo erra. Quem só integra API responde com "o modelo é muito bom" e mostra demonstração.

Qual a diferença entre RAG, agente e fine-tuning na prática?

RAG busca informação nos seus documentos antes de responder, e é o certo para conhecimento que muda. Agente executa ações em sistemas, e é o certo para tarefa com passos. Fine-tuning ajusta o comportamento do modelo, e raramente é o primeiro passo. A maioria dos problemas de empresa se resolve com RAG bem feito.

Quanto custa manter um sistema de IA rodando?

Além do desenvolvimento, há custo variável por uso de modelo, que precisa ser dimensionado antes com base em volume estimado de chamadas. Some infraestrutura e o custo de manter a base de conhecimento atualizada. Fornecedor que não fala de custo recorrente na proposta não pensou na operação.

Empresa de IA em Belo Horizonte e Minas: como avaliar

Belo Horizonte tem um ecossistema de tecnologia consolidado, e junto com ele veio uma quantidade grande de empresas que passaram a se apresentar como "empresa de IA" nos últimos anos. Muitas fazem trabalho sério. Outras integram uma API de modelo de linguagem e chamam isso de inteligência artificial aplicada. A diferença entre as duas só aparece depois de três meses, a menos que você saiba o que perguntar antes.

A pergunta que mais separa as duas é simples: como vocês medem se a resposta está certa?

Por que essa pergunta funciona

Sistemas de IA generativa falham de um jeito diferente do software tradicional. Software tradicional quebra: dá erro, para, aparece na tela. Sistema de IA erra: responde com confiança total uma informação inventada, e ninguém percebe até um cliente reclamar.

Isso significa que a competência técnica em IA aplicada não está em fazer funcionar na demonstração, isso qualquer um faz em uma tarde. Está em:

Ter um conjunto de casos de teste com resposta esperada.
Medir a taxa de acerto antes e depois de cada mudança.
Saber o que o sistema faz quando não sabe a resposta.
Ter caminho para o humano revisar o que é crítico.

Fornecedor que responde "o modelo é muito bom" está descrevendo o modelo, não o sistema dele.

As perguntas técnicas que valem a reunião

Pergunta	O que uma boa resposta contém
Como vocês avaliam a qualidade das respostas?	Dataset de teste, métrica, comparação entre versões
O que o sistema faz quando não sabe?	Diz que não sabe e/ou encaminha para humano, não inventa
Como as fontes são citadas?	Resposta aponta o documento e o trecho de origem
Como a base de conhecimento é atualizada?	Processo definido, com responsável e frequência
Onde os dados da empresa trafegam e ficam?	Provedor nomeado, política de retenção, conformidade com LGPD
Qual o custo por mil interações?	Número estimado com premissa de volume
O que acontece se o provedor de modelo mudar preço ou API?	Camada de abstração, plano de troca

Se três dessas perguntas forem respondidas com generalidade, você está falando com alguém que ainda não colocou IA em produção com carga real.

RAG, agente e fine-tuning: escolher errado custa caro

A escolha de abordagem é onde mais se desperdiça dinheiro em projeto de IA.

RAG (busca em documentos antes de responder) é o certo quando o problema é conhecimento: manuais, contratos, políticas internas, histórico de atendimento. O conteúdo muda e o sistema precisa acompanhar sem retreinar nada. A maioria dos casos reais de empresa é este.

Agente é o certo quando o problema é executar tarefa em vários passos, consultando e alterando sistemas. Mais poderoso e muito mais arriscado: agente que age precisa de limite claro de permissão e de registro de tudo que fez.

Fine-tuning ajusta o comportamento do modelo, tom, formato, padrão de resposta. Não é o caminho para ensinar fatos novos, e raramente é o primeiro passo. Fornecedor que propõe fine-tuning como solução para "o modelo não conhece nossos dados" está resolvendo o problema errado.

Um sinal de maturidade: o fornecedor explicar por que não vai usar a abordagem mais sofisticada no seu caso.

Sinais de alerta na proposta

Nenhuma menção a avaliação ou métrica. O item mais grave. Sem medição não há como saber se o sistema melhorou ou piorou depois de um ajuste.

Nenhuma menção a custo recorrente. IA tem custo variável por uso. Proposta que só tem valor de desenvolvimento esconde a conta que vai chegar depois.

Promessa de precisão em porcentagem sem contexto. "95% de acurácia" não significa nada sem saber em que conjunto de casos, medido como e comparado com o quê.

Demonstração com dados fictícios. Peça uma prova de conceito com seus documentos. É onde a maioria dos sistemas cai: PDF escaneado torto, planilha com cabeçalho no meio, termo interno que só sua empresa usa.

Ausência de plano para o erro. Todo sistema de IA erra. O que diferencia é ter caminho previsto: revisão humana no que é crítico, log de tudo, capacidade de reprocessar. Prometer autonomia total onde há risco jurídico ou financeiro é passivo, não produtividade.

Como estruturar a contratação

Escolha um caso de uso estreito. Um tipo de pergunta, um conjunto de documentos, um público. Amplitude é inimiga de projeto inicial de IA.
Monte o conjunto de avaliação antes. Trinta a cinquenta perguntas reais com a resposta correta escrita por alguém da sua equipe. Isso é trabalho seu, não do fornecedor, e é o ativo mais valioso do projeto.
Faça uma prova de conceito paga e curta, duas a quatro semanas, com seus dados reais e a métrica acordada.
Decida a continuidade pelo número, não pela impressão da demonstração.
Coloque em produção com revisão humana no que for crítico, e vá relaxando a revisão conforme a métrica sustentar.

Sobre escolher em BH ou em Minas

Empresas de IA em Belo Horizonte não têm vantagem nem desvantagem técnica pelo endereço. O ecossistema local é bom e há gente competente lá, mas a competência em IA aplicada é escassa em todo lugar, e restringir a busca a uma cidade reduz muito a chance de encontrar quem já resolveu um problema parecido com o seu.

O critério que prevê resultado é o que está acima: como o fornecedor mede acerto, o que faz quando o modelo erra e se ele topa provar com seus dados antes de você assinar o projeto inteiro.

A Retti Tech atende em todo o Brasil trabalha com RAG, agentes e automação, e atende clientes em Minas, em outros estados e em Portugal remotamente. Em projeto de IA o trabalho é ainda mais independente de localização do que em software comum: o que precisa estar perto são os seus dados e alguém da sua equipe capaz de dizer se a resposta está certa.