**LoRA** — sigla de *Low-Rank Adaptation* — é a técnica que permite adaptar um modelo de [IA](https://clubmartech.com.br/blog/ia-marketing-vendas-inteligentes/) treinando **uma fração minúscula dos seus pesos**, em vez de todos. Em vez de reescrever o modelo inteiro, acrescenta-se um conjunto pequeno de matrizes que aprendem o ajuste. É o método mais usado da categoria **PEFT** (*parameter-efficient fine-tuning*, ajuste fino eficiente em parâmetros), que reúne as abordagens de adaptar modelos grandes [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) o custo de retreinar tudo. Os números do trabalho original, medidos contra o ajuste completo do GPT-3 de 175 bilhões de parâmetros: **10 mil vezes menos parâmetros treináveis e 3 vezes menos memória de placa de vídeo**. É a diferença entre precisar de um data center e precisar de uma máquina — e uma variante posterior, o QLoRA, levou isso ao ponto de **ajustar um modelo de 65 bilhões de parâmetros numa única placa de 48 GB**.## ⚠️ “LoRA entrega o mesmo que o ajuste completo”Aqui há uma divergência entre o trabalho original e a medição posterior, e ela é instrutiva sobre como ler afirmação de paper.O paper que apresentou a técnica afirma que ela entrega qualidade **“igual ou melhor”** que o ajuste completo, em quatro famílias de modelos. Foi essa frase que virou argumento de venda.Um estudo de 2024 mediu de novo, em domínios mais exigentes — **programação e matemática** — e encontrou o contrário: nas configurações usuais, **o LoRA fica substancialmente atrás do ajuste completo**. E o desempenho relativo **piora conforme se acrescenta mais dado de treino**. A explicação técnica que eles oferecem: o ajuste completo aprende alterações de complexidade **10 a 100 vezes maior** do que a que as configurações típicas de LoRA conseguem representar.Mas o mesmo estudo traz o outro lado, e é ele que decide o uso em [marketing](https://comecandonaweb.com.br/marketing-digital/): **o LoRA preserva melhor o que o modelo já sabia** fora do domínio alvo. O ajuste completo aprende mais e esquece mais.## A síntese: um trade-off entre aprender e esquecerA leitura correta não é “LoRA é pior” nem “LoRA é igual”. É uma escolha entre duas propriedades:
| Aprende o domínio novo | Preserva o que já sabia | |
|---|---|---|
| **Ajuste completo** | Mais | Menos |
| **LoRA** | Menos | Mais |
Para uma operação de marketing, **a segunda coluna costuma ser a que importa**. Você quer que o modelo escreva no tom da marca — não que ele perca o português geral, a capacidade de resumir ou o conhecimento do mundo no processo. Nesse cenário, “aprender menos e esquecer menos” é a característica desejável, não o defeito.Há uma variante que ampliou ainda mais o acesso: o **QLoRA** combina a técnica com quantização e permite **ajustar um modelo de 65 bilhões de parâmetros numa única placa de 48 GB**, preservando o desempenho do ajuste em precisão cheia. Uma ressalva sobre um número muito citado desse trabalho — o de que o modelo resultante atinge “99,3% do nível do [ChatGPT](https://clubmartech.com.br/blog/chatgpt-multiplicar-eficiencia-tecnologia/)”: ele vale **num benchmark específico, avaliado por outro modelo**, e os próprios autores advertem que os benchmarks de chatbot da época não eram confiáveis. Costuma ser citado sem essa ressalva.## O que isso muda na práticaAntes de considerar qualquer ajuste, vale lembrar a ordem de custo crescente — e que a maioria das empresas pula os degraus baratos:
- **Prompt bem construído** — gratuito, reversível, resolve mais casos do que se imagina
- **RAG** — se o problema é acesso a informação que muda
- **LoRA** — se o problema é consistência de forma, tom ou estrutura
- **Ajuste completo** — raramente justificável fora de domínio muito especializado
E um cuidado ao ler comparações: há material demonstrando ganhos expressivos de LoRA sobre modelos base, **publicado por empresas que vendem [plataformas](https://clubmartech.com.br/blog/plataformas-customer-intelligence-real/) de ajuste**. O resultado pode ser real e ainda assim ser material comercial — verifique quem assina antes de usar o número numa decisão.A distinção entre ajustar e recuperar está em
fine-tuning; a técnica de reduzir precisão, que o QLoRA combina, em
quantização.## Fontes
- LoRA: Low-Rank Adaptation of Large Language Models — Hu et al., os números de 10.000× e 3×
- LoRA Learns Less and Forgets Less — a medição que diverge do paper original
- QLoRA — ajuste de modelo de 65B em uma GPU de 48 GB
- Biblioteca PEFT — documentação oficial da categoria
*Leitura das fontes em 17/08/2026.*