LLM integrado em sistemas empresariais: como fazemos na Bradata

IA não é um chatbot no canto da tela

A maioria das empresas "integra IA" colando um widget de chat que responde perguntas genéricas. Isso não é integração — é decoração.

Na Bradata, quando dizemos que o LLM é integrado, queremos dizer que ele opera dentro do fluxo de trabalho do sistema, com acesso aos dados reais do cliente, e gera ações — não apenas texto.

3 exemplos reais

1. Assistente IA no VisionApp

No VisionApp (plataforma de licitações), o LLM:

• Resume editais de 200+ páginas em 30 segundos, extraindo: objeto, valor, prazo, requisitos técnicos e riscos
• Gera briefings executivos prontos para reunião de decisão
• Responde perguntas sobre editais específicos usando RAG (Retrieval-Augmented Generation)
• Sugere estratégias de preço baseadas no histórico de concorrentes

O modelo não "sabe" sobre licitações por treinamento genérico. Ele sabe porque alimentamos o contexto real do edital + dados históricos da empresa no prompt.

2. Copilot no Bradata Hub

No Hub (ERP/CRM integrado), o Copilot IA:

• Detecta anomalias fiscais — "NF 8901 rejeitada pela SEFAZ há 14 minutos, CST 060 inválido"
• Sugere ações comerciais — "Lead Mercado Esquina respondeu 'vamos fechar' no WhatsApp há 1h. Criar proposta?"
• Projeta fluxo de caixa — modelo de regressão sobre os dados reais de entrada/saída dos últimos 12 meses
• Gera relatórios executivos sob demanda em linguagem natural

O Copilot não é um bot separado. Ele aparece dentro do dashboard como sugestões contextuais. O usuário vê: "3 ações sugeridas para hoje" com justificativa e link direto para agir.

3. IA no PDV

No Bradata PDV:

• Analisa mix de vendas e identifica categorias com margem em queda
• Sugere reposição baseada em padrão de consumo + estoque atual
• Detecta divergência de caixa comparando vendas registradas vs formas de pagamento

A arquitetura por trás

RAG (Retrieval-Augmented Generation)

Não fazemos fine-tuning do modelo (caro e inflexível). Usamos RAG:

1. Dados do cliente são armazenados em PostgreSQL + pgvector
2. Quando o usuário faz uma pergunta ou o sistema precisa de uma sugestão, buscamos os dados relevantes por similaridade semântica
3. Os dados são injetados no prompt como contexto
4. O LLM gera a resposta baseada no contexto real — não alucina porque tem os dados na frente

Separação de responsabilidades

Aplicação (Next.js/React)
    ↓ pergunta ou trigger
API Route (Node.js)
    ↓ busca contexto
RAG Engine (pgvector + embedding)
    ↓ chunks relevantes
LLM (Ollama / OpenAI / Claude)
    ↓ resposta em streaming
Aplicação (renderiza resposta)

O LLM é plugável — o mesmo sistema funciona com Ollama (self-hosted, zero custo), OpenAI (GPT-4o) ou Claude (Anthropic). O cliente escolhe baseado em custo, privacidade e performance.

Por que isso importa

Sistemas com IA integrada nativamente:

• Reduzem o tempo de decisão — em vez de exportar dados, analisar em planilha e montar relatório, o sistema já entrega a análise pronta
• Detectam problemas antes — anomalias, rupturas, rejeições fiscais
• Aumentam a adoção — usuários usam mais um sistema que "pensa junto"
• Geram defensibilidade — um ERP genérico qualquer concorrente pode copiar; um com IA treinada nos dados do cliente, não

---

Todos os sistemas da Bradata têm LLM integrado. Conheça nossos produtos ou inicie um projeto.