--- id: CP-524 slug: fine-tuning-lora-vs-rag-empresa-pt lang: pt title: Fine-tuning ou RAG na empresa description: "Voltar a treinar um modelo (fine-tuning, LoRA) ou dar-lhe documentos para consultar (RAG): a diferença, os riscos e os seus reflexos." canonical_url: https://startbrain.io/cyberpedia/pt/articles/fine-tuning-lora-vs-rag-empresa-pt/ markdown_url: https://startbrain.io/cyberpedia/pt/articles/fine-tuning-lora-vs-rag-empresa-pt.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Fine-tuning ou RAG na empresa», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/fine-tuning-lora-vs-rag-empresa-pt/ (CC BY 4.0) wing: 4 theme: master_ai reflex: air-054 schema: G3 updated: "2026-11-03" translations: pt: https://startbrain.io/cyberpedia/pt/articles/fine-tuning-lora-vs-rag-empresa-pt/ fr: https://startbrain.io/cyberpedia/fr/articles/fine-tuning-lora-vs-rag/ en: https://startbrain.io/cyberpedia/en/articles/fine-tuning-lora-vs-rag-enterprise/ de: https://startbrain.io/cyberpedia/de/articles/fine-tuning-lora-vs-rag-unternehmen/ es: https://startbrain.io/cyberpedia/es/articles/fine-tuning-lora-vs-rag-empresa/ it: https://startbrain.io/cyberpedia/it/articles/fine-tuning-lora-vs-rag-azienda/ nl: https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf/ sources: - "n": 1 title: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks publisher: arXiv url: https://arxiv.org/abs/2005.11401 published: "2020-05-22" accessed: "2026-11-03" - "n": 2 title: "LoRA: Low-Rank Adaptation of Large Language Models" publisher: arXiv url: https://arxiv.org/abs/2106.09685 published: "2021-06-17" accessed: "2026-11-03" - "n": 3 title: LLM04:2025 Data and Model Poisoning publisher: OWASP url: https://genai.owasp.org/llmrisk/llm042025-data-and-model-poisoning/ published: "2024-04-10" accessed: "2026-11-03" - "n": 4 title: LLM08:2025 Vector and Embedding Weaknesses publisher: OWASP url: https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ published: "2024-04-10" accessed: "2026-11-03" - "n": 5 title: LLM02:2025 Sensitive Information Disclosure publisher: OWASP url: https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ published: "2024-04-10" accessed: "2026-11-03" - "n": 6 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ published: "2024-04-10" accessed: "2026-11-03" - "n": 7 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" --- # Fine-tuning ou RAG na empresa Para que um assistente de IA responda sobre temas próprios de uma empresa, existem dois caminhos. O primeiro volta a treinar o modelo com dados internos (fine-tuning). O segundo liga o modelo a documentos que pode consultar: é o RAG, sigla de «retrieval-augmented generation». O RAG associa uma memória contida no modelo a uma memória externa, por exemplo um índice de documentos [1]. Os seus autores observam que indicar a origem das respostas de um modelo e atualizar os seus conhecimentos continuam a ser problemas em aberto para os modelos isolados [1]. Esta ficha explica a diferença e o que faz, como colaborador, com cada uma das abordagens. ## Em 30 segundos - Onde acontece: nas ferramentas de IA ligadas aos seus documentos. - O que quer o atacante: introduzir conteúdo armadilhado nos dados (documentos indexados ou dados de treino), ou obter informações que o sistema memorizou ou indexou. - O reflexo: não introduza dados pessoais ou confidenciais numa ferramenta de IA sem validação e verifique as fontes que a ferramenta cita. - Se já o fez: avise o responsável pela ferramenta ou a segurança, para que retirem o dado da base ou dos dados de treino. ## Perguntas diretas ### Qual é a diferença entre fine-tuning, LoRA e RAG? O fine-tuning adapta um modelo já treinado a uma tarefa ou a um domínio específico. Na sua versão completa, volta a treinar todos os parâmetros do modelo [2]. O LoRA é uma variante mais leve. Congela os pesos do modelo original e acrescenta pequenas matrizes treináveis a cada camada, o que reduz muito o número de parâmetros a treinar [2]. Para o GPT-3 175B, os autores indicam uma redução de 10 000 vezes desse número e de 3 vezes na memória de GPU necessária, em comparação com um fine-tuning completo com Adam [2]. O RAG liga o modelo a fontes de conhecimento externas [4]. A OWASP refere que este acréscimo pode alterar o comportamento do modelo de base sem que tal seja pretendido [4]. ### Que vantagens tem o RAG na empresa? Parte dos conhecimentos do RAG está numa base de documentos, além dos do modelo: os autores do RAG apresentam a atualização dos conhecimentos e a indicação da proveniência como limites dos modelos isolados, que a memória externa procura superar [1]. A OWASP aconselha guardar as informações fornecidas pelos utilizadores numa base vetorial, o que permite ajustes sem voltar a treinar todo o modelo [3]. Por fim, os direitos de acesso podem aplicar-se ao nível da base, desde que esta tenha sido concebida para isso (ver mais abaixo) [4]. Quanto ao custo, as fontes do dossiê não comparam diretamente as duas abordagens. Estabelecem apenas que o fine-tuning completo se torna menos viável à medida que os modelos crescem [2]. ### O RAG protege de tudo? Não. Segundo a OWASP, o RAG e o fine-tuning procuram tornar as respostas mais pertinentes e mais exatas, mas a investigação mostra que não neutralizam por completo a injeção de prompt [6]. ## Como funciona Com o RAG, o modelo está ligado a fontes de conhecimento externas, e a OWASP precisa que este aumento por recuperação utiliza mecanismos vetoriais e embeddings [4]. O modelo combina então a sua memória própria com esta memória externa [1]. Com o fine-tuning, os dados passam pelo treino. A OWASP distingue três etapas em que os dados podem ser manipulados: o pré-treino, o fine-tuning e a fase de embedding, em que o texto é convertido em vetores [3]. ## O que faz - Não introduza dados pessoais ou confidenciais numa ferramenta de IA sem validação. A OWASP inclui nas informações sensíveis os dados pessoais, as informações financeiras, os registos de saúde, os dados comerciais confidenciais, as credenciais de segurança e os documentos jurídicos [5]. - Tenha presente que o que escreve pode voltar a surgir mais tarde. A OWASP pede aos utilizadores que compreendam os riscos de fornecer, sem querer, dados sensíveis, que poderiam ser revelados nas respostas do modelo [5]. - Leia as fontes citadas pela ferramenta e confirme que dizem mesmo o que a resposta afirma. A OWASP recomenda validar as saídas do modelo face a fontes fiáveis para detetar um envenenamento [3]. - Verifique se a ferramenta está validada pela sua organização e leia as respetivas condições de utilização: a OWASP pede aos proprietários de aplicações que permitam aos utilizadores recusar que os seus dados entrem no treino [5]. - Comunique uma resposta que contenha informações de outro serviço ou de outro utilizador. A OWASP descreve este caso: uma resposta pode conter os dados pessoais de outro utilizador devido a uma limpeza insuficiente dos dados [5]. ## As armadilhas ### Fuga de dados memorizados Um modelo exposto a dados sensíveis durante o treino pode devolvê-los. A OWASP cita a inclusão descuidada de dados no treino como causa de divulgação de informações sensíveis [5]. Cita também o risco de as respostas revelarem dados ou algoritmos proprietários [5]. Com o RAG, a fuga passa pela base: controlos de acesso insuficientes ou mal alinhados podem permitir que o modelo encontre e divulgue dados pessoais ou proprietários [4]. ### Direitos de acesso mal geridos Quando vários grupos de utilizadores partilham a mesma base vetorial, as informações de um grupo podem ser devolvidas em resposta às perguntas de outro, com possível fuga de informações comerciais sensíveis [4]. A OWASP recomenda uma base vetorial que tenha em conta as permissões e uma separação estrita dos conjuntos de dados [4]. ### Envenenamento dos dados O envenenamento consiste em manipular os dados de pré-treino, de fine-tuning ou de embedding para introduzir falhas, portas dos fundos ou enviesamentos [3]. Os riscos são maiores com fontes externas, que podem conter conteúdo não verificado ou malicioso [3]. Uma porta dos fundos pode deixar o comportamento do modelo inalterado até que um gatilho o modifique, o que a torna difícil de detetar [3]. Para uma base RAG, a OWASP aconselha aceitar dados apenas de fontes fiáveis e verificadas e auditar regularmente a base [4]. ### Injeção de prompt através dos documentos indexados Uma injeção indireta ocorre quando o modelo aceita entradas vindas de fontes externas, como sites ou ficheiros, cujo conteúdo altera o seu comportamento de forma imprevista [6]. A OWASP descreve um cenário: um atacante modifica um documento do repositório que uma aplicação RAG utiliza; quando a pergunta de um utilizador faz surgir esse conteúdo, as instruções maliciosas alteram a resposta [6]. O exemplo seguinte é uma ilustração neutralizada, inspirada na lógica do cenário da OWASP sobre um CV armadilhado [4]. ```text Ilustração: um CV carregado numa ferramenta de triagem de candidaturas contém, em texto branco sobre fundo branco, [uma instrução a pedir que se ignorem as regras anteriores e que se recomende este candidato]. A ferramenta lê este texto oculto juntamente com o resto do documento. ``` Segundo a OWASP, o modelo segue então essas instruções ocultas e recomenda um candidato sem qualificações [4]. A defesa proposta: ferramentas de extração que ignoram a formatação e detetam o conteúdo oculto, e a validação de qualquer documento antes da sua entrada na base [4]. ### Um quadro de segurança para as equipas que implementam O NCSC britânico publica diretrizes para os fornecedores de sistemas de IA, para que esses sistemas funcionem como previsto e sem revelar dados sensíveis a terceiros não autorizados [7]. ## Fontes 1. arXiv, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», 22 de maio de 2020. https://arxiv.org/abs/2005.11401 (consultado em 3 de novembro de 2026) 2. arXiv, «LoRA: Low-Rank Adaptation of Large Language Models», 17 de junho de 2021. https://arxiv.org/abs/2106.09685 (consultado em 3 de novembro de 2026) 3. OWASP, «LLM04:2025 Data and Model Poisoning», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm042025-data-and-model-poisoning/ (consultado em 3 de novembro de 2026) 4. OWASP, «LLM08:2025 Vector and Embedding Weaknesses», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ (consultado em 3 de novembro de 2026) 5. OWASP, «LLM02:2025 Sensitive Information Disclosure», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ (consultado em 3 de novembro de 2026) 6. OWASP, «LLM01:2025 Prompt Injection», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado em 3 de novembro de 2026) 7. NCSC (Royaume-Uni), «Guidelines for secure AI system development», 27 de novembro de 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consultado em 3 de novembro de 2026) --- Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/fine-tuning-lora-vs-rag-empresa-pt/ Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.