GraphRAG vs RAG clássico: quando o grafo vale 7x o custo (medi em 4 projetos)

Aqui vai a parte que a maioria dos posts sobre GraphRAG deixa de fora: em 2 dos 4 projetos onde troquei RAG vetorial por GraphRAG, foi desperdício de tempo e de dinheiro. O problema não estava na implementação. O critério que rodava na minha cabeça, “corpus grande + LLM = usar GraphRAG”, estava errado em duas direções. GraphRAG custa até 7x mais para construir e não paga esse custo em qualquer corpus grande. Só paga em corpus onde as perguntas atravessam documento, e isso é um subconjunto pequeno do que a gente chama de “corpus grande”.

Nos últimos meses eu fui usando GraphRAG em produção de verdade, não em benchmark. Quatro projetos, quatro decisões diferentes, dois custos de nuvem que eu prefiro ter tomado antes. Escrevo aqui o que descobri, com número, para que quem estiver na frente dessa decisão não passe pelo mesmo aprendizado caro.

Antes de entrar no meu prejuízo, o resumo dos 4 casos:

Projeto	Corpus	Perguntas comuns	RAG vetorial?	GraphRAG?	Veredicto
A: base de conhecimento pessoal	300 fontes, ~2M tokens	”Aquele artigo que fala X”	✅ ótimo	❌ overkill	RAG vence
B: due diligence de M&A	1200 documentos, ~40M tokens	”Padrão de risco entre empresas”	❌ raso	✅ transformador	GraphRAG vale 7x
C: FAQ de produto SaaS	500 artigos, ~5M tokens	”Como faço X?”	✅ suficiente	❌ desperdício	RAG vence
D: análise de contratos jurídicos	800 contratos, ~15M tokens	”Cláusulas cruzadas por fornecedor”	❌ perde nuance	✅ vale a pena	GraphRAG vale ~4x

Dois “valeu”, dois “não valeu”. Se você olhar o corpus, os quatro têm entre 2M e 40M de tokens: todos são grandes. Se olhar o número de documentos, todos passam de 300. Pelas heurísticas de blog, todos deveriam usar GraphRAG. Só que quem decide não é o corpus. Quem decide é a forma da pergunta.

O que é GraphRAG, em três frases honestas

Só para todo mundo ficar na mesma página. RAG clássico pega o texto, divide em pedaço, gera embedding, e na hora da consulta busca os pedaços mais próximos por similaridade vetorial e joga tudo no contexto do LLM. GraphRAG, na versão do paper da Microsoft Research (2024), pega o texto, extrai entidade e relação com LLM, monta um grafo, roda clusterização Leiden para descobrir comunidades, gera um resumo por comunidade, e na consulta usa esses resumos como índice. A diferença que importa é: o RAG te devolve “pedaço parecido”, o GraphRAG te devolve “estrutura de tema”.

Isso muda tudo em perguntas de segundo nível (“qual o tema comum entre esses documentos”, “quais desafios se repetem entre empresa A e B”) e quase nada em perguntas de primeiro nível (“onde está o artigo que fala de cache”). Essa é a linha que separou meus 4 projetos em “valeu” e “não valeu”. Não é o tamanho, é o tipo de pergunta.

Projeto A: base de conhecimento pessoal — desperdício

Eu tenho um pipeline que registra artigos que leio, com resumo e nota de confiabilidade. São 300 fontes acumuladas em 3 meses. Perguntas que faço: “aquele texto sobre estratégia de cache”, “quem defendia X sobre agente autônomo”. Isso é 100% recuperação de pedaço. RAG vetorial resolve em milissegundos com embedding de $0,02 por mil documentos.

Testei GraphRAG mesmo assim, por curiosidade. Custou 47 dólares só para indexar as 300 fontes (extração de entidade + comunidade + resumo via LLM), e as respostas ficaram piores. GraphRAG queria me devolver “temas gerais que atravessam o acervo”, quando eu queria “onde está aquele artigo específico”. Ferramenta certa para a pergunta errada.

Lição do A: se sua pergunta começa com “onde está…”, RAG clássico ganha. O grafo estorva.

Projeto B: due diligence de M&A — GraphRAG vale 7x

Aqui a coisa mudou. Um cliente pediu análise cruzada de 1200 documentos internos de 12 empresas candidatas a aquisição. Pergunta típica: “quais padrões de risco financeiro aparecem em pelo menos 3 empresas do portfólio?”.

Isso é pergunta de segundo nível. RAG vetorial nem chega perto. Ele me devolve pedaços de risco de uma empresa por vez, e a resposta final é o LLM tentando adivinhar padrão em cima de 40 chunks desconectados. Precisão baixa, alucinação alta.

GraphRAG indexou os 1200 documentos por 720 dólares em API (contra 95 dólares do RAG puro — 7,6x mais caro). A extração de entidade puxou tudo: nomes de empresa, indicador financeiro, cláusula contratual, data. A clusterização Leiden agrupou “empresas com padrão de dívida escondida em subsidiária”, “empresas com concentração de receita em cliente único”, e mais 5 clusters que ninguém tinha nomeado antes. Duas dessas comunidades pegaram um padrão que a equipe de auditoria não tinha notado em 3 semanas de trabalho.

Foi o único projeto onde o cliente me perguntou “quanto custa manter isso rodando” antes de eu terminar a apresentação. Vale 7x quando a pergunta é de segundo nível e a resposta muda uma decisão de dinheiro.

Projeto C: FAQ de produto SaaS — desperdício

500 artigos de ajuda de um produto SaaS. Perguntas de cliente: “como faço para exportar meu histórico?”, “por que meu login está falhando?”. Isso é primeiro nível puro. RAG vetorial com embedding barato resolve. Precisão de 89% no meu teste, latência de 300 milissegundos.

Testei GraphRAG mesmo assim porque o cliente insistiu (ele tinha lido um post prometendo revolução). Indexação custou 180 dólares, a precisão subiu para 91% — dois pontinhos. A latência foi para 2 segundos porque o retrieval agora envolve buscar comunidade + resumo + entidade. Trocamos velocidade por dois pontos de precisão que o cliente nem notou. Voltamos para RAG clássico na semana seguinte.

Lição do C: se a maioria das perguntas de usuário é “como faço X?”, RAG clássico basta. Comunidade e clusterização são luxo desnecessário.

Projeto D: análise de contratos jurídicos — GraphRAG vale ~4x

800 contratos de compra com 40 fornecedores. Perguntas do time jurídico: “quais cláusulas de rescisão aparecem em contratos com fornecedores do setor logístico?”, “onde estão as cláusulas de exclusividade em cascata entre fornecedores subcontratados?”.

Segundo nível, mas menos dramático que o projeto B. GraphRAG indexou os 800 contratos por 260 dólares (contra 65 do RAG — 4x). A extração de entidade puxou fornecedor, cláusula, valor, data, subcontratado. Os grafos de subcontratação foram o valor: com RAG vetorial, cláusulas encadeadas entre fornecedor A → subcontratado B → subcontratado C ficavam invisíveis. Com GraphRAG, apareciam em uma query.

O jurídico economizou umas 30 horas por trimestre. Pagou o 4x em três meses.

O que decide de verdade

Depois desses 4 projetos, minha heurística mudou. Não é mais “corpus grande = GraphRAG”. Passou a ser três perguntas antes de escolher.

1. A pergunta atravessa documento? Se sim, GraphRAG. Se é sempre “aquele texto onde…”, RAG. 2. A resposta muda uma decisão cara? Se sim, o 4x-7x é justificável. Se é FAQ interna, não é. 3. A estrutura entre entidades já é clara para o time? Se o time humano já sabe “esses três fornecedores têm cláusula cruzada”, GraphRAG só automatiza o que eles já viam. Se ninguém tem visibilidade dessa estrutura, GraphRAG é útil de verdade.

Se as três respostas forem sim, o custo se paga. Se qualquer uma for não, provavelmente vale RAG puro com bons embeddings.

O paper original da Microsoft (2024) sugere isso implicitamente, mas o discurso público simplificou e virou “corpus grande = GraphRAG”. A conta do Projeto A me lembrou que corpus grande com pergunta rasa é o pior caso: você paga 7x mais para receber resposta pior.

O que eu ainda não sei

Duas coisas que ficaram em aberto e eu escrevo aqui para não fingir que sei.

Primeiro, GraphRAG híbrido. Alguns projetos rodam GraphRAG só nas perguntas de segundo nível e RAG puro nas perguntas de primeiro nível, com um classificador entre os dois. Não testei em produção. No papel resolve o problema do Projeto A, na prática o classificador vira o gargalo. Vou testar no próximo trimestre.

Segundo, atualização incremental. Reindexar 1200 documentos toda vez que muda um contrato é caro. Existe trabalho recente sobre atualização incremental de comunidades Leiden, mas ainda é experimental. Nos meus projetos B e D, eu reindexo semanalmente e absorvo o custo. Se sua base muda diariamente, essa conta muda.

Fechamento honesto

GraphRAG não substitui o RAG. É uma ferramenta com forma de pergunta específica. Para 2 dos 4 projetos que testei, mudou o jogo. Para outros 2, foi caro e pior. A diferença entre os dois grupos não estava no tamanho do corpus, estava no tipo de pergunta que o usuário final ia fazer.

Se você está prestes a começar um projeto de GraphRAG, vale sentar 30 minutos e listar as 20 perguntas mais comuns que seu usuário vai fazer. Se pelo menos 60% delas atravessam documento, siga. Se menos, fique no RAG vetorial e economize o 7x.

ken imoto · WebRTC & Voice AI engineer · kenimoto.dev · TabNews