Fine-tuning vs RAG para chatbots de clínica: quando compensa cada um

Em resumo

• Um chatbot com RAG (Retrieval-Augmented Generation) permite atualizar preços, horários e serviços da clínica em minutos, sem retreinar o modelo, com custos operacionais entre 20 e 80 euros mensais em clínicas portuguesas de pequena e média dimensão.
• O fine-tuning de um modelo de linguagem custa tipicamente entre 500 e 4.000 euros por ciclo, exige conjuntos de dados curados (500 a 5.000 exemplos) e faz sentido sobretudo para tom-de-voz muito específico ou fluxos clínicos altamente repetitivos.
• Em média no setor, 85 a 95 por cento dos casos de uso em recepção clínica (marcar consulta, esclarecer serviços, indicar preços) resolvem-se com RAG bem configurado, sem necessidade de fine-tuning.
• A conformidade com a ERS e as ordens profissionais é mais fácil de garantir com RAG, porque a base de conhecimento fica auditável e revisível pela direção clínica a qualquer momento.

A escolha entre fine-tuning e RAG para o chatbot de uma clínica em Portugal é frequentemente apresentada como uma decisão técnica complexa, quando na realidade é sobretudo uma decisão operacional. A dúvida instala-se quando o gestor da clínica ouve dois consultores diferentes com propostas orçamentais que variam entre 800 e 12.000 euros. Este artigo explica, sem jargão desnecessário, o que muda entre as duas abordagens, quando cada uma compensa e que critérios objetivos usar antes de assinar um contrato de desenvolvimento.

O que é, na prática, um chatbot com RAG

O acrónimo RAG significa Retrieval-Augmented Generation, ou geração aumentada por recuperação. Em linguagem simples: o modelo de inteligência artificial (por exemplo, Claude, GPT ou Gemini) recebe a pergunta do paciente e, antes de responder, consulta uma base de conhecimento própria da clínica, que pode conter preços, horários, políticas de marcação, biografias dos profissionais, tratamentos oferecidos e perguntas frequentes.

Essa base de conhecimento é normalmente um conjunto de ficheiros de texto, PDF ou entradas de uma tabela na base de dados. O sistema procura os fragmentos relevantes para a pergunta, entrega-os ao modelo como contexto e o modelo redige a resposta com base nesse material. É como dar ao chatbot um manual atualizado da clínica para consultar em cada interação.

A grande vantagem operacional é que alterar qualquer informação (subir o preço de uma consulta de nutrição de 45 para 50 euros, acrescentar um novo serviço, mudar o horário de sábado) demora minutos. Basta editar o ficheiro ou o registo na base de dados. Não há reprocessamento do modelo, não há tempo de espera, não há custos adicionais de treino. Em clínicas com preços dinâmicos, promoções sazonais ou equipas em rotação, esta agilidade é decisiva.

O que é fine-tuning e para que serve

O fine-tuning consiste em pegar num modelo de linguagem já treinado (o modelo base) e ensinar-lhe padrões novos com um conjunto próprio de exemplos. Na prática, submete-se ao fornecedor (OpenAI, Anthropic, Mistral, entre outros) um ficheiro com centenas ou milhares de pares pergunta-resposta representativos, e o modelo ajusta os seus pesos internos para reproduzir esse estilo, tom ou lógica.

O resultado é um modelo personalizado, acessível através de uma nova referência (por exemplo, modelo-clinica-x-v1), que passa a responder de forma alinhada com esses exemplos. Este processo custa dinheiro (o fornecedor cobra por token processado no treino), demora entre uma hora e vários dias, e a cada alteração significativa da informação (novo serviço, novo preço, nova política) o processo tem de ser refeito.

Vale a pena sublinhar um mal-entendido comum: o fine-tuning não é a forma correta de ensinar factos ao modelo. Serve para ensinar comportamentos, formatos e estilo. Se pretender que o chatbot saiba que a consulta de fisioterapia custa 40 euros e que a Dra. Ana Silva atende às terças, o RAG resolve isso melhor, mais barato e com menor risco de o modelo inventar informação.

Comparação técnica e operacional

A tabela seguinte compara as duas abordagens com valores tipicamente observados em projetos de chatbot para clínicas em Portugal com menos de 15 profissionais.

Quando o RAG é claramente a escolha certa

Na maioria absoluta dos projetos de recepção digital para clínicas em Portugal, o RAG resolve o problema com qualidade suficiente. Isto verifica-se em três situações típicas do dia-a-dia clínico.

Primeira: informação dinâmica. Se a clínica altera preços com alguma frequência, muda equipas, adiciona serviços, promove pacotes sazonais ou tem várias unidades com condições ligeiramente diferentes, o RAG mantém tudo coerente. Uma única edição no painel de gestão reflete-se imediatamente nas respostas do bot.

Segunda: catálogo amplo mas linguagem estável. Uma clínica dentária com 40 tratamentos, uma clínica estética com 25 protocolos ou uma unidade de fisioterapia com 12 modalidades beneficiam mais de uma base de conhecimento consultável do que de um modelo treinado para memorizar tudo. O modelo base já sabe português europeu formal; o que lhe falta é o catálogo da clínica.

Terceira: necessidade de auditoria. A direção clínica e o responsável de conformidade conseguem abrir o painel e ver exatamente que informação o bot tem acesso. Isto é praticamente impossível de garantir com fine-tuning, onde o conhecimento fica embutido nos pesos do modelo e não é diretamente inspecionável.

• Recepção 24/7 com marcação de consultas
• Esclarecimento de preços, serviços e condições
• Instruções de pré-consulta e pós-tratamento padrão
• Respostas a perguntas administrativas repetidas
• Encaminhamento inicial para o profissional adequado

Quando o fine-tuning compensa mesmo

Há cenários minoritários onde o fine-tuning acrescenta valor real. Não são a regra em clínicas de pequena dimensão, mas convém identificá-los para não descartar a hipótese quando faz sentido.

O primeiro cenário é o tom-de-voz altamente diferenciado. Grupos clínicos com identidade verbal muito trabalhada (por exemplo, uma rede de saúde mental que quer respostas empáticas com uma cadência muito particular) podem ganhar consistência estilística difícil de obter só com instruções no prompt. Aqui o fine-tuning ensina "como falar", enquanto o RAG continua a fornecer "o que dizer".

O segundo cenário é a classificação especializada. Se o chatbot precisa de identificar, com precisão elevada, se uma mensagem descreve uma situação urgente que exige encaminhamento imediato, um modelo ajustado com milhares de exemplos anotados pode superar o modelo genérico. Ainda assim, esta função pode ser resolvida com prompt engineering e regras determinísticas em muitos casos.

O terceiro cenário é o volume elevado com formatos rígidos. Redes clínicas com dezenas de milhares de conversas mensais em que as respostas seguem estruturas muito repetitivas podem otimizar custos por token com um modelo mais pequeno afinado para a tarefa. Só se justifica economicamente acima de cerca de 30.000 conversas mensais.

Abordagem híbrida: o que funciona melhor na prática

Na maioria dos projetos avançados que observamos em clínicas portuguesas de média dimensão, a solução mais robusta combina RAG para o conhecimento e engenharia de prompt cuidada para o tom, com fine-tuning reservado apenas se ficar demonstrado, com dados de utilização real, que o modelo base não atinge a qualidade desejada.

Este princípio traduz-se numa sequência recomendada: começar com RAG bem configurado, medir a satisfação em amostras reais de conversa durante 60 a 90 dias, e só depois avaliar se as lacunas identificadas justificam o investimento em fine-tuning. Saltar diretamente para fine-tuning sem esta validação leva frequentemente a gastar 3.000 a 5.000 euros para resolver um problema que se resolveria melhor com um ajuste ao prompt ou uma entrada nova na base de conhecimento.

1. Consolidar toda a informação da clínica em documentos revistos pela direção
2. Implementar RAG com um modelo base competente para português europeu
3. Ajustar iterativamente o prompt principal e a base de conhecimento durante 8 a 12 semanas
4. Analisar registos de conversa reais e identificar falhas sistemáticas
5. Só avançar para fine-tuning se as falhas forem de estilo, não de conteúdo

Custos totais de propriedade em cenários portugueses

Para uma clínica típica em Portugal com 3 a 8 profissionais, os custos totais anuais de propriedade estimam-se do seguinte modo, considerando implementação, licenciamento e manutenção.

Estes intervalos assumem preços de mercado observados em fornecedores nacionais e internacionais durante 2025 e 2026. O valor final depende da complexidade da integração com o software de gestão clínica utilizado, do volume esperado de conversas e das exigências de personalização.

Riscos operacionais e como mitigá-los

Ambas as abordagens têm riscos que a direção clínica deve conhecer antes de escolher. Ignorar estes riscos leva frequentemente a projetos que funcionam nos primeiros meses e se degradam em silêncio.

No RAG, o risco principal é a base de conhecimento ficar desatualizada ou contraditória. Se a rececionista humana comunica um preço diferente do bot, a confiança do paciente cai. A mitigação passa por um responsável interno claramente identificado para manter a base viva e por revisões trimestrais formais.

No fine-tuning, o risco principal é a rigidez. O modelo aprendeu um mundo que já mudou. Se a clínica lançar um novo serviço em março e o modelo só for retreinado em outubro, durante seis meses o bot ignora ou responde mal a esse serviço. A mitigação implica calendarizar retreinos regulares, com custo previsto no orçamento anual.

Em qualquer dos cenários, é indispensável monitorizar as conversas com um painel que sinalize respostas com baixa confiança, perguntas repetidas sem resposta útil e casos em que o paciente pediu para falar com humano. Sem esta monitorização, os problemas só aparecem quando a taxa de conversão cai.

Conformidade ERS e ordens profissionais

A escolha entre RAG e fine-tuning tem implicações diretas na conformidade com a regulamentação portuguesa de publicidade em saúde. A Entidade Reguladora da Saúde (ERS) e as ordens profissionais (Ordem dos Médicos, Ordem dos Médicos Dentistas, Ordem dos Psicólogos, Ordem dos Nutricionistas) exigem prudência particular em qualquer comunicação automatizada.

• Sem promessas de resultado: o bot não pode afirmar que um tratamento "elimina a dor" ou "garante o sucesso". Em RAG é mais simples atualizar a base para corrigir formulações; em fine-tuning, se o modelo aprendeu essas expressões, ficam impregnadas até novo treino.
• Sem urgência artificial: expressões como "última vaga hoje" ou "reserve antes de esgotar" são desaconselhadas. O prompt principal deve proibi-las explicitamente e a revisão periódica das conversas confirma o cumprimento.
• Sem aconselhamento clínico: o bot deve reconhecer sintomas e encaminhar para consulta, nunca sugerir diagnóstico, medicação ou intervenção. Esta regra é mais fácil de auditar quando a base de conhecimento é inspecionável.
• Sem comparações com concorrentes nomeados: nenhuma referência a outras clínicas por nome, mesmo que o paciente introduza a comparação na conversa.
• Sem incentivos a consumo desnecessário: o bot informa serviços disponíveis mas não pressiona para tratamentos adicionais sem indicação clínica.
• Identificação clara como sistema automatizado: o paciente deve poder perceber facilmente que está a falar com um assistente digital e ter uma via para falar com um humano.
• Registo e proteção de dados pessoais: em conformidade com o RGPD, as conversas são armazenadas com base legal clara, tempo de retenção definido e possibilidade de eliminação a pedido.

Como decidir sem consultores tendenciosos

Um consultor que só sabe fine-tuning tende a recomendar fine-tuning; um que só sabe RAG faz o oposto. Para tomar uma decisão informada, a direção clínica deve responder objetivamente a seis perguntas antes de pedir orçamentos.

1. Quantas alterações de preço, serviço ou equipa fazemos por trimestre?
2. Temos pessoa interna disponível para manter uma base de conhecimento viva?
3. Quantas conversas mensais esperamos processar no primeiro ano?
4. Qual o valor médio de uma consulta convertida por chatbot?
5. Que tolerância temos a respostas ocasionalmente genéricas nos primeiros meses?
6. Quanto podemos investir sem afetar operação clínica normal?

Com estas respostas, o critério simplifica-se. Muitas mudanças de conteúdo por trimestre e equipa pequena favorecem RAG. Volume alto de conversas repetitivas e orçamento robusto justificam avaliar híbrido. Menos de 500 conversas mensais raramente justifica fine-tuning, sob qualquer cenário.

Perguntas frequentes

Um chatbot com RAG consegue realmente marcar consultas?

Sim, desde que esteja integrado com o software de gestão clínica ou com um calendário partilhado. A parte de recuperar disponibilidades reais e criar a marcação é feita por integração técnica, não pelo modelo em si. O RAG fornece o conhecimento contextual e o modelo conduz a conversa.

Preciso mesmo de fornecer 5.000 exemplos para fazer fine-tuning?

Não necessariamente. Alguns fornecedores permitem fine-tuning eficaz a partir de 50 a 200 exemplos bem construídos. No entanto, resultados robustos em contexto clínico português exigem tipicamente 500 a 2.000 pares pergunta-resposta validados por profissional, o que representa semanas de trabalho.

Quanto tempo demora a implementar um chatbot RAG numa clínica?

Em média, entre 3 e 6 semanas para uma clínica de pequena dimensão sem integrações complexas. Este período inclui recolha da informação, configuração da base de conhecimento, definição do prompt principal, testes internos com equipa e ajustes com base em conversas piloto controladas.

O modelo pode inventar informação sobre a clínica?

Todos os modelos de linguagem podem produzir informação incorreta, um fenómeno conhecido como alucinação. O RAG reduz drasticamente este risco porque força o modelo a basear-se em documentos reais. Boas práticas incluem instruir o bot a admitir desconhecimento e encaminhar para humano quando a informação não está na base.

É seguro usar dados de pacientes para treinar um modelo?

Utilizar dados clínicos identificáveis para fine-tuning envolve riscos significativos de RGPD e sigilo profissional. A recomendação é usar apenas exemplos anonimizados, com consentimento explícito quando aplicável, e privilegiar dados sintéticos ou administrativos que não envolvam informação clínica sensível de pacientes reais.

Posso mudar de RAG para fine-tuning mais tarde sem perder trabalho?

Sim, e é aliás a estratégia recomendada. Os documentos preparados para RAG servem de matéria-prima para gerar exemplos de fine-tuning se, mais tarde, ficar demonstrado que faz falta. Começar por RAG não fecha portas, apenas evita gastar em fine-tuning antes de comprovar necessidade real.

Que modelos base são adequados para português europeu?

Modelos como Claude, GPT-4o e Gemini demonstram qualidade elevada em português europeu formal, especialmente em contexto profissional. Modelos mais pequenos e abertos podem servir mas requerem prompt cuidado. Para clínicas, prioriza-se qualidade e conformidade sobre custo mínimo por token.

Como avalio se o chatbot está a funcionar bem passados três meses?

As métricas relevantes são a taxa de resolução sem intervenção humana, o número de consultas efetivamente marcadas, a taxa de escalonamento para humano e a satisfação declarada pelo paciente. Recomenda-se revisão de amostras aleatórias de conversas mensalmente, com envolvimento da direção clínica.

Próximos passos

A decisão entre RAG e fine-tuning não deve ser tomada com base em modas ou entusiasmos técnicos, mas em critérios operacionais concretos: volume de conversas, frequência de mudanças, orçamento disponível e exigências de conformidade. Na esmagadora maioria das clínicas portuguesas de pequena e média dimensão, uma implementação sólida de RAG resolve entre 85 e 95 por cento dos casos, com custos totais anuais entre 640 e 3.900 euros. O fine-tuning fica reservado para cenários específicos de volume elevado, tom-de-voz muito diferenciado ou classificação especializada.

Se pretende avaliar qual a abordagem mais adequada à sua clínica, sem depender de fornecedores com interesse comercial numa opção específica, Solicite um diagnóstico gratuito. Analisamos o contexto, o volume esperado, o software de gestão utilizado e as exigências de conformidade, e devolvemos uma recomendação fundamentada com estimativa de custos realista para o mercado português.