Como conectar IA aos dados da empresa: os 4 caminhos

Antes de escolher tecnologia, vale olhar onde o problema realmente trava. Numa pesquisa da OutSystems com empresas brasileiras, a dificuldade de integração com os sistemas existentes apareceu como o principal obstáculo, citada por 40% dos respondentes. Num levantamento da Salesforce, 92% dos líderes brasileiros admitem dificuldade em usar os próprios dados para as prioridades do negócio.

Repare que nenhum dos dois números fala de modelo de IA. O gargalo não é a inteligência: é o encanamento. Conectar IA aos dados virou o passo em que os projetos param.

As duas pesquisas são de fornecedor — OutSystems vende plataforma de desenvolvimento, Salesforce vende nuvem de dados, e ambas têm interesse no diagnóstico "seu dado está bagunçado". Cito porque a ordem de grandeza bate com o que se vê em campo, não porque sejam estudo independente. Trate como indício, não como medida.

E é aí que a maioria das empresas erra a decisão — não por escolher a tecnologia ruim, mas por escolher antes de saber que existiam quatro caminhos diferentes, com contas diferentes.

A tese em uma frase: conectar IA aos dados da empresa não tem resposta única. A pergunta certa não é "qual é o melhor", é "quem hospeda, quem vê o dado e o que quebra quando o fornecedor mudar" — e os quatro caminhos respondem isso de maneira bem diferente.

Os quatro caminhos, sem sigla

Antes de comparar, vale definir cada um em uma frase de português comum.

RAG (geração aumentada por recuperação) é busca acoplada ao modelo. Seus documentos são indexados; quando você pergunta, o sistema recupera os trechos mais parecidos com a pergunta e os entrega ao modelo, que responde lendo aquilo. O modelo não aprendeu nada sobre a sua empresa — ele recebeu um recorte para ler na hora.

MCP (Model Context Protocol) é um padrão aberto de ligação entre a IA e sistemas. O servidor anuncia o que sabe fazer, o modelo escolhe o que chamar, o seu sistema executa com a sua credencial e devolve só o resultado. Está detalhado em o que é MCP.

API sob medida é o conector escrito por alguém do seu time (ou pela sua agência) ligando aquele modelo àquele sistema. Funciona sempre, e é a alternativa que existe desde antes de tudo isso — a base do conceito está em lista de APIs públicas e em como funcionam os webhooks.

Plugin é a integração pronta que o fornecedor oferece dentro do produto dele. Você autoriza numa tela e acabou — é a forma mais rápida de conectar IA aos dados, e a que menos deixa nas suas mãos.

A tabela que decide

Comparar por "qual é mais moderno" não ajuda ninguém. Ao conectar IA aos dados, as três perguntas que realmente mudam a decisão são estas:

A linha de baixo é a que costuma ser descoberta tarde. Plugin tem o menor custo de entrada e o maior custo de saída — é a definição de dependência de fornecedor. Isso não o torna uma escolha ruim: torna uma escolha que deve ser tomada sabendo o que ela é.

RAG: o que ele faz e o que ele não faz

RAG é a resposta certa quando o conhecimento que você precisa está parado em documento: contrato, manual, procedimento, histórico de chamados, base de conhecimento do suporte.

E ele tem um efeito colateral muito bom: reduz invenção, porque o modelo passa a ler em vez de lembrar. O tamanho desse ganho está medido — e vale citar com honestidade. No estudo de acompanhamento do RegLab de Stanford sobre ferramentas jurídicas comerciais com busca em base própria, a taxa de erro caiu de 43% num modelo de uso geral para 17% e 33% nas ferramentas dedicadas. Melhora enorme; longe de zero. É por isso que alucinação de IA continua sendo assunto depois de conectar, e a conferência continua sendo um passo do processo.

O que RAG não faz: ele não sabe quantos pedidos estão atrasados agora. Documento é foto; sistema é filme. Se a sua pergunta tem a palavra "hoje" ou "atual" dentro dela, RAG é o caminho errado.

Dois custos escondidos, para não descobrir depois: reindexação (documento novo só aparece quando o índice é atualizado) e curadoria (acervo com três versões do mesmo procedimento faz o sistema recuperar a errada com confiança). Aqui o mapeamento de processos ajuda mais que tecnologia.

MCP: quando o dado é vivo

MCP é o caminho quando a resposta precisa vir do estado atual de um sistema — ERP, CRM, banco, gestor de tarefas, repositório.

A vantagem estrutural é a que o padrão aberto sempre traz: você implementa uma vez e a ligação sobrevive à troca do aplicativo de IA. É o oposto do plugin. E, como o MCP passou a ser governado por fundação neutra, é uma aposta de infraestrutura razoavelmente segura.

Duas ressalvas honestas:

Nem todo mundo precisa disso ainda. Se a sua empresa não tem uma pergunta recorrente que dependa de dado de sistema, conectar IA aos dados por MCP é infraestrutura resolvendo problema que você não tem. O sinal de que você tem: alguém cola relatório no chat toda semana.

Ele traz superfície de risco nova. Servidor MCP roda com credencial real e é acionado por decisão do modelo — o que abre espaço para instrução maliciosa virar ação. Antes de ligar servidor de terceiro, vale ler riscos de segurança do MCP. Não é motivo para não usar; é motivo para usar com permissão mínima.

Plugin: o mais rápido, e o que menos sobrevive

O plugin merece defesa, porque costuma ser tratado como escolha preguiçosa e frequentemente é a decisão certa.

Se você quer descobrir se a ideia funciona, o plugin responde isso em uma tarde, sem projeto e sem orçamento. Testar barato antes de investir é boa engenharia, não atalho.

O problema é usar plugin como arquitetura definitiva. Três coisas acontecem, todas previsíveis: ele cobre só o que o fornecedor previu; o dado passa pela infraestrutura dele nos termos do contrato dele; e, se você trocar de ferramenta de IA, não sobra nada — nem índice, nem servidor, nem conector.

A regra que eu uso: plugin para descobrir, caminho próprio para operar.

API sob medida: quando ainda é a resposta

Escrever o conector continua sendo o certo em três situações concretas:

• o sistema é antigo ou de nicho e não tem servidor MCP nem plugin — é o caso da maioria dos ERPs brasileiros;
• a regra de negócio é complexa demais para ser exposta como ferramenta genérica (a lógica precisa estar no conector, não na decisão do modelo);
• a ligação é crítica e você precisa de controle total sobre o que pode e o que não pode ser executado.

O custo é o de sempre e ninguém escapa dele: conector sob medida é software, e software tem manutenção. Quando qualquer das duas pontas muda de versão, alguém conserta. É o mesmo cálculo de o que não automatizar — vale quando o volume paga a manutenção.

Ferramentas de automação como o n8n ocupam um meio-termo útil aqui: dão parte do controle do conector sob medida com bem menos código para manter.

Como escolher, em três perguntas

Sem tabela, para decidir numa reunião:

1. A resposta está escrita em algum lugar ou precisa ser consultada agora? Escrita → RAG. Consultada → MCP ou API.
2. O sistema que tem o dado já oferece servidor MCP ou plugin? Se sim, comece por ele. Se não, e a ligação importa, API sob medida.
3. Isso é teste ou operação? Teste → o caminho mais barato, sempre. Operação → o caminho que sobrevive à troca de fornecedor.

E uma pergunta anterior às três, que economiza mais dinheiro que todas: com que frequência essa consulta é feita? Se é uma vez por trimestre, conectar IA aos dados é caro demais para o problema — alguém abre o relatório e pronto.

Ao conectar IA aos dados, o dado sai da empresa?

Essa pergunta costuma aparecer no fim do projeto, e devia abrir.

Em todos os quatro caminhos, o trecho de dado que entra na resposta passa pelo modelo. Se o modelo é de nuvem pública, esse trecho sai da sua rede. O que muda é o volume e o controle:

• MCP e API bem desenhados mandam para fora o resultado de uma consulta específica — o mínimo necessário;
• RAG manda os trechos recuperados, que podem ser mais do que você imagina se a curadoria for ruim;
• plugin segue a política do fornecedor, que você aceitou ao autorizar;
• colar relatório no chat, que é o que acontece hoje na ausência de qualquer dos quatro, manda o relatório inteiro — e é o pior dos cenários, feito por gente bem-intencionada.

Se há dado pessoal envolvido, isso é tratamento com um operador novo na cadeia, e vale a régua de LGPD para PMEs. A pergunta prática para o fornecedor é curta: o meu dado é usado para treinar modelo? A resposta precisa estar no contrato, não no site.

O ponto que fica

Conectar IA aos dados da empresa é onde os projetos empacam — e o motivo raramente é técnico. É que a decisão foi tomada por sigla, não por pergunta.

Quem começa perguntando "a resposta que eu quero está num documento ou num sistema?" acerta o caminho na primeira tentativa em quase todos os casos. Quem começa perguntando "devo usar RAG ou MCP?" passa três reuniões descobrindo que precisava dos dois, ou de nenhum.

E vale guardar a assimetria que ninguém mostra em apresentação de fornecedor: o custo de ligar é visível e acontece uma vez; o custo de manter ligado é invisível e acontece para sempre. É ele que decide se a conexão ainda vai existir daqui a dois anos.