Grounding e citação de fonte

Grounding é a prática de ancorar a resposta do modelo em fontes fornecidas, como documentos, resultados de busca ou dados de sistemas, em vez de deixá-lo responder apenas com o que aprendeu no treinamento. Citação de fonte é exigir que o modelo indique de onde tirou cada afirmação. Juntas, essas práticas reduzem alucinações e tornam a resposta verificável: a pessoa pode abrir a fonte e conferir. O RAG é a forma mais comum de implementar grounding. Sem grounding, o modelo responde com base em probabilidade; com grounding, responde com base em evidência.

Em Produto, toda resposta que afirma um fato de negócio, como um valor, uma regra ou uma condição contratual, deveria ser rastreável a uma fonte que o usuário possa consultar. Isso implica instruir o modelo a citar a fonte e a dizer explicitamente “não encontrei” quando as fontes não cobrem a pergunta. Uma resposta com citação inspira confiança; uma resposta sem fonte sobre um tema sensível gera risco. Também vale medir a fidelidade à fonte na avaliação: qual proporção das afirmações do modelo está realmente sustentada pelos documentos fornecidos.

Use grounding e citação como obrigatórios para fatos de negócio, políticas, contratos e qualquer informação que possa gerar disputa. Dispense quando a tarefa é criativa e não existe fonte a citar, como brainstorming ou redação livre. Use RAG como o mecanismo técnico mais comum para fornecer as fontes ao modelo. Uma forma simples de diferenciar: grounding é responder com base em evidência; citação é mostrar qual evidência; RAG é como a evidência chega ao modelo.

'Grounding' vem da linguística e da robótica (ancorar símbolos na realidade); em GenAI, designa ancorar a resposta em dados verificáveis. Citação inline popularizou-se com Bing Chat e Perplexity (2023).

Google Cloud, Grounding overview; Ragas documentation, Faithfulness