Fine-tuning, ou ajuste fino, é o processo de continuar o treino de um modelo já pronto usando exemplos próprios, para que ele se comporte de determinada maneira. É a técnica que faz o modelo escrever no tom de voz da marca, seguir uma estrutura fixa de e-mail ou devolver saída num formato específico. E é também a técnica mais mal empregada do mercado, por causa de uma crença que a literatura refuta: a de que fine-tuning serve para ensinar fatos novos ao modelo. Um estudo apresentado na EMNLP 2024 mediu exatamente isso e concluiu o oposto — modelos adquirem conhecimento factual sobretudo no pré-treino, enquanto “o fine-tuning ensina a usá-lo de forma mais eficiente”. Pior: tentar injetar fato novo por essa via aumenta linearmente a tendência do modelo a alucinar.
⚠️ Fine-tuning para “ensinar o produto” piora o sistema
O estudo montou um cenário controlado de perguntas e respostas, variando a proporção de exemplos que introduziam conhecimento novo. Dois achados, ambos incômodos para quem já contratou esse serviço:
- O modelo resiste ao fato novo. Exemplos que introduzem conhecimento inédito são aprendidos significativamente mais devagar que os compatíveis com o que o modelo já sabe.
- Quando finalmente aprende, piora. À medida que esses exemplos são absorvidos, eles elevam de forma linear a taxa de alucinação do modelo.
A explicação intuitiva: ao ser treinado para afirmar coisas que não estavam em sua base, o modelo não aprende os fatos — aprende o comportamento de afirmar com confiança. E generaliza esse comportamento para assuntos sobre os quais também não sabe.
Consequência direta: a empresa que fez fine-tuning para “ensinar o catálogo” ao modelo provavelmente aumentou a alucinação em vez de reduzi-la — e pagou por isso.
A divisão correta entre as três técnicas
A confusão some quando se separa o que cada técnica resolve:
| Necessidade | Técnica correta |
|---|---|
| Fato que muda — preço, estoque, política vigente | RAG |
| Tom de voz, formato de saída, estrutura fixa | Fine-tuning |
| Ajuste pontual de comportamento ou instrução | Prompt |
E a ordem de tentativa importa, porque o custo cresce muito entre elas: comece pelo prompt, que é gratuito e reversível; passe para RAG se o problema for acesso a informação; e só chegue ao fine-tuning se o problema for consistência de forma que o prompt não resolve.
Sobre custo comparado entre as três, uma nota de transparência: não encontramos fonte primária com metodologia declarada comparando os valores. As cifras que circulam vêm de plataformas que vendem uma das opções — e por isso optamos por não publicar número.
O que isso muda na prática
Três situações comuns em marketing e o que fazer em cada uma:
- “Quero que a IA escreva como a nossa marca.” É fine-tuning — ou, muitas vezes, apenas um prompt de sistema bem construído com exemplos. Teste o prompt antes de pagar pelo ajuste.
- “Quero que a IA saiba nosso catálogo e nossas políticas.” É RAG. Fine-tuning aqui é a escolha errada e ativamente contraproducente.
- “Quero que a IA devolva sempre no mesmo formato JSON.” Comece pelo prompt com esquema declarado; se a consistência não vier, fine-tuning resolve bem — esse é exatamente o caso de uso dele.
Se um fornecedor propuser fine-tuning para resolver desatualização de informação, a proposta está tecnicamente errada — e o estudo acima é o argumento para recusá-la.
Técnicas de prompt estão em engenharia de prompt, e o custo de rodar modelo próprio em guia de self-host.
Fontes
- Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations? — EMNLP 2024
- Mesmo trabalho na ACL Anthology
Leitura das fontes em 17/08/2026.