Há mais de 10 anos criamos projetos financeiros baseados em blockchain: exchanges de criptomoedas centralizadas e descentralizadas, bots cripto, gateways de pagamento, tokenização imobiliária, projetos DeFi e NFT.
Não sabe qual serviço escolher?Descreva sua tarefa e sugeriremos a abordagem.Solicitar orçamento
AI & ML
Desde 2023 desenvolvemos IA para empresas: desenvolvimento de IA e LLM sob medida, agentes de IA, chatbots e IA corporativa integrada aos seus dados, produtos e processos.
A Merehead cria sistemas de retrieval-augmented generation para seus funcionários e clientes: busca interna de conhecimento, assistentes de suporte ao cliente e recursos de IA dentro de um produto existente.
A maioria dos projetos começa com um piloto de escopo definido ou com a revisão de um sistema que você já tem. A qualidade das respostas é testada com suas perguntas reais antes de qualquer coisa ir para produção.
“Agora o assistente RAG resolve a maioria dessas perguntas. Depois do piloto, a própria equipe pediu para adicionar materiais dos nossos outros produtos.”
JC
James CarterHead de Suporte ao Cliente, EUA
Consultoria em RAG e avaliação da prontidão dos dados
Nossos documentos vão gerar respostas confiáveis?
Desenvolvimento do pipeline de RAG
Precisamos de busca sobre nossas fontes, sempre sincronizada.
Aplicação e integração de LLM
As respostas precisam aparecer no Slack, no nosso CRM ou no nosso produto.
Avaliação e otimização da qualidade
Ninguém sabe dizer com que frequência nosso protótipo acerta.
Implantação e suporte contínuo
Tem que rodar no nosso ambiente, com dados que mudam toda semana.
Assistente de conhecimento internoSuporte ao cliente com chatbot de IAQ&A jurídico e de complianceApoio a vendasBusca em documentação técnica
Estudo de caso
Caso: assistente RAG para uma seguradora
Termos de apólices, instruções e procedimentos de sinistros, em departamentos que não podem ver os arquivos uns dos outros.
92%
das respostas confirmadas como corretasEspecialistas revisaram 500 perguntas de teste
Tempo para encontrar informações
Antes15 min
Depois3 min
Busca híbrida: palavras-chave + semânticaVerificação de relevância antes de responderAcesso por departamentoLinks para os documentos de origemMensagem “Informação insuficiente”
Cada etapa termina com algo que você pode abrir, testar e aprovar.
Relatório de prontidão dos dados
Seus responsáveis pelos dados confirmam fontes, lacunas e regras de acesso
Sistema RAG funcionando
Seus usuários o testam na prática com perguntas reais
Relatório de avaliação da qualidade
Seu revisor o aprova com base em critérios acordados
Código-fonte e configuração de implantação
Seus engenheiros o revisam; a titularidade é definida em contrato
Documentação e handover
Sua equipe a revisa e assume as tarefas acordadas
“A qualidade do handover chamou a atenção. Recebemos os testes, a documentação e um processo claro para atualizar a base de conhecimento. Nossos engenheiros entenderam o sistema e assumiram o suporte sem depender do fornecedor por muito tempo.”
Oliver BennettCTO, Reino Unido
Orçamento
O que determina o orçamento do seu desenvolvimento de RAG
Dois sistemas RAG com a mesma lista de recursos podem exigir volumes de trabalho muito diferentes, porque a maior parte do esforço está nos dados por trás deles. Por isso estimamos cada projeto a partir dos seus insumos, e não de uma tabela de preços.
1
Você compartilha os insumos
Quais fontes, quantos usuários, regras de acesso, onde vai rodar, quais ferramentas e quanto custa uma resposta errada para você.
2
Estimativa de horas por módulo
Assim que você compartilha esses requisitos, nosso Solutions Architect envia uma estimativa de horas por módulo.
3
Atualizada após a auditoria de dados
Após a auditoria de dados, a estimativa é atualizada com o que a auditoria encontrou nas suas fontes.
O que define o custo
01
Quantidade e formatos das fontes
Texto limpo em uma única wiki é simples de indexar. PDFs digitalizados, planilhas e tabelas complexas exigem parsing e verificação adicionais.
02
Qualidade dos dados
Duplicatas, versões desatualizadas e documentos contraditórios precisam ser limpos ou classificados, senão o sistema responderá a partir do documento errado.
03
Requisitos de controle de acesso
Levar as permissões do SharePoint ou de um CRM para a busca é um trabalho de engenharia à parte.
04
Profundidade dos testes de qualidade
Um assistente de suporte para documentação pública precisa de menos revisão especializada do que uma ferramenta em que sua equipe jurídica confia.
05
Integrações
Cada sistema de destino acrescenta trabalho de autenticação, interface e manutenção.
06
Modelo de implantação
Uma configuração em nuvem gerenciada costuma ficar pronta mais rápido do que uma nuvem privada ou implantação on-premises com modelo auto-hospedado.
07
Volume de consultas
Afeta mais o dimensionamento da infraestrutura e os custos de uso do modelo do que o esforço de desenvolvimento.
Como referência
O assistente da seguradora cobriu 12.000 documentos com acesso por departamento e levou 10 semanas com uma equipe de quatro pessoas.
Custos operacionais após o lançamento
Volume de consultas e escolha do modelo são o que mais influencia esse valor, por isso o modelamos a partir do uso esperado como parte da estimativa.
Com o sistema no ar, você paga pelo uso do LLM (por token via API, ou hospedagem de GPU se o modelo roda no seu ambiente), hospedagem do banco de dados vetorial, processamento para ingestão e sincronização, e monitoramento e logs. Some o tempo de suporte para corrigir problemas de busca e reexecutar testes quando o conteúdo muda.
Projetos novos costumam passar por quatro fases. Cada uma termina com uma decisão sua antes de a próxima começar. Se você já tem um sistema RAG, o trabalho começa com a revisão dele, e as fases são ajustadas ao que precisa ser corrigido.
1
Descoberta e auditoria de dados
O que precisamos de você
Acesso a fontes de amostra, um responsável por cada fonte, um contato de segurança
Ponto de decisãoEscopo do piloto: qual caso de uso, quais fontes, quais usuários
2
Piloto
O que precisamos de você
Especialistas no assunto que escrevem perguntas de teste e avaliam as respostas
Ponto de decisãoIr ou não para produção, com base nos critérios de qualidade acordados
3
Desenvolvimento para produção
O que precisamos de você
Requisitos de segurança e infraestrutura, acesso aos sistemas que vamos integrar
Ponto de decisãoAceite do sistema de produção após os testes finais
4
Implantação e suporte
O que precisamos de você
Um responsável por cada fonte e um canal para o feedback dos usuários
Ponto de decisãoQuais fontes ou casos de uso vêm a seguir
O cronograma é fixado após a auditoria de dados. Nesse ponto já sabemos quantos documentos precisam de limpeza, como as permissões são armazenadas e quais integrações estão envolvidas, e esses fatores mexem mais no prazo do que a lista de recursos.
Dados e segurança
Dados, integrações e segurança
Definido antes do início do desenvolvimento: de onde vêm os dados, como se mantêm atualizados, quem pode vê-los e onde o sistema roda.
Suas fontes, conectadas
PDFs, Confluence, SharePoint, Notion, Drive, SQL, CRM, helpdesk. As respostas chegam ao chat, ao Slack ou ao seu produto. Veja como integrar IA a um aplicativo.
Sempre atualizado
As mudanças são reindexadas conforme o cronograma, e documentos excluídos deixam de aparecer nas respostas.
Só para as pessoas certas
As permissões são verificadas no momento da consulta pelo seu SSO, eliminando o risco descrito em OWASP LLM08:2025.
Roda onde você decidir
Nuvem pública, VPC ou on-premises, com modelo comercial ou self-hosted. Prompt injection e vazamento de dados são tratados conforme o OWASP Top 10 for LLM Applications.
Testes de qualidade
Como testamos a qualidade das respostas antes do lançamento
Seus especialistas definem o que é uma resposta correta. Nada vai para produção até que seu representante aprove os resultados.
01
Coletar
Perguntas reais de tickets, chats e logs de busca, com respostas esperadas aprovadas pelos seus especialistas.
02
Testar
Incluindo os casos em que o RAG falha: sem resposta nas fontes, documentos desatualizados, arquivos restritos.
03
Você decide
Ir para produção, corrigir, reduzir o escopo ou parar. Muito mais barato após um piloto do que após o desenvolvimento completo.
“O piloto expôs as lacunas, então organizamos os documentos e refinamos a busca. Agora os novos funcionários encontram o que precisam mais rápido e os gestores gastam menos tempo explicando as mesmas coisas.”
Iryna KovalDiretora de Operações, Ucrânia
Personalizado ou gerenciado
Você precisa de uma solução RAG personalizada?
O desenvolvimento personalizado faz sentido quando suas fontes são complexas ou sensíveis, quando os usuários precisam de direitos de acesso diferentes, ou quando o sistema precisa rodar no seu ambiente ou dentro do seu produto. Em casos mais simples, uma plataforma RAG gerenciada leva a um resultado funcional mais rápido.
vs
Feito para o seu caso
Implementação personalizada
Melhor quandoMuitas fontes ou fontes incomuns, regras de acesso rígidas, integração ao seu produto
Controle de dados e implantaçãoVocê escolhe nuvem, nuvem privada ou on-premises, e os modelos
Profundidade da integraçãoConectores feitos para os seus sistemas, dentro do que as APIs deles expõem
PersonalizaçãoBusca, ranking, prompts e interface feitos para o seu caso
Tempo até o primeiro resultadoMaior, pois exige descoberta e desenvolvimento
Modelo de custo contínuoInfraestrutura e uso de modelos sob seu controle, mais manutenção
RAG como serviço
Plataforma gerenciada
Melhor quandoPerguntas e respostas padrão sobre documentos em formatos comuns e conectores suportados
Controle de dados e implantaçãoLimitado às opções de hospedagem e modelos do fornecedor
Profundidade da integraçãoOs conectores e widgets da plataforma
PersonalizaçãoConfiguração dentro das opções da plataforma
Tempo até o primeiro resultadoMenor para fontes suportadas
Modelo de custo contínuoAssinatura ou tarifas por uso definidas pelo fornecedor
Uma coisa não exclui a outra
Um sistema personalizado costuma usar componentes gerenciados, como um banco de dados vetorial hospedado ou uma API comercial de LLM; o assistente da seguradora acima roda na OpenAI API e na AWS.
Fine-tuning é outra ferramenta
Ele muda o comportamento do modelo, como tom, formato de saída ou tratamento de termos do domínio, mas não dá ao modelo acesso aos seus documentos atuais. Você pode combiná-lo com RAG quando precisa tanto de conhecimento atualizado quanto de um estilo de resposta específico.
Propriedade, prontidão dos dados, integração, escolha da stack e suporte após o lançamento.
Seus dados continuam sendo seus, e a titularidade do código, da configuração e do índice é definida em contrato antes do início do trabalho.
Não. A maioria das equipes começa com fontes desorganizadas. O que importa no início é saber quais documentos são oficiais e quem é responsável por eles. A auditoria de dados mostra o que precisa ser limpo, e a limpeza que afeta a qualidade das respostas passa a fazer parte do escopo do projeto.
Sim. A busca e a geração de respostas podem ser expostas como uma API chamada pelo seu produto. As principais questões de design são como seu app repassa a identidade do usuário, para que as permissões se apliquem, e como as respostas mostram suas fontes na sua interface.
Escolhemos após a auditoria de dados, com base em onde seus dados podem ser processados, no volume de consultas esperado e nos resultados no seu conjunto de teste. O assistente da seguradora descrito acima usou Python, FastAPI, LangChain, PostgreSQL com pgvector e a OpenAI API na AWS. Se os dados não podem sair do seu ambiente, um modelo open-source hospedado na sua infraestrutura substitui a API externa.
O suporte cobre monitoramento, correção de problemas de sincronização e busca, e reexecução do conjunto de teste após mudanças de fontes ou de modelo. Adicionar novas fontes ou casos de uso é trabalho de desenvolvimento e tem escopo à parte. O escopo e os prazos de resposta do suporte são definidos em um acordo separado.
Contato
Conte sobre seu projeto de RAG
Para receber uma estimativa, envie a lista de fontes que o sistema deve usar, o número esperado de usuários e eventuais requisitos de segurança ou implantação.
Vale a pena incluir
As fontes que o sistema deve usar
O número esperado de usuários
Requisitos de segurança ou implantação
Qualquer sistema RAG que você já opera
Cookies na Merehead
Usamos cookies para medir o tráfego e melhorar o nosso marketing. Os cookies necessários mantêm o site funcionando e estão sempre ativos. Política de cookies
