Embedding
Embedding é a representação numérica de um texto (ou imagem) que captura seu significado, usada por IA pra buscar por similaridade em vez de palavra exata.
Embedding é a representação numérica de um texto, imagem ou documento — uma lista de números (vetor) que captura o significado daquilo, não só as palavras exatas. Dois textos parecidos em significado geram vetores próximos, mesmo que usem palavras diferentes.
Pra escritório de advocacia ou clínica médica com anos de peça, contrato ou prontuário acumulado, é o que transforma “procurar palavra-chave” em “procurar por sentido” — e é a peça técnica que sustenta qualquer sistema de IA que busca dentro dos seus próprios documentos.
Como funciona na prática
Um modelo de embedding (da OpenAI, Anthropic, Google ou open-source) lê o texto e devolve um vetor de centenas de números. Esses vetores ficam guardados num banco com suporte a busca vetorial — Postgres com extensão pgvector é a opção mais comum quando a infra roda dentro de casa. Quando o usuário pergunta algo, a pergunta também vira vetor, e o sistema busca os documentos com vetor mais próximo.
Por que importa pro escritório de advocacia
Advogado pesquisando jurisprudência ou peça anterior não digita a palavra exata que usou 2 anos atrás. Busca por embedding encontra “rescisão indireta por assédio moral” mesmo se o documento fala “desligamento motivado por conduta hostil do empregador” — sentido parecido, palavras diferentes.
Isso só funciona de verdade se os embeddings ficarem gerados e guardados dentro da infra do escritório, não espalhados num SaaS terceiro que ninguém audita. Seus dados com você vale pro texto original — e vale pro vetor derivado dele também, porque o vetor ainda carrega informação sensível do processo.
Erro comum
Mandar todo o acervo de documentos pra um serviço de embedding na nuvem sem checar o que o fornecedor guarda depois. Muito serviço gratuito ou barato de embedding usa o conteúdo enviado pra treinar modelo futuro — o dado sensível do cliente vira material de treino de terceiro sem ninguém perceber.
Como aplicar hoje
Rodar o pipeline de embedding dentro da própria infra resolve isso: gerar o vetor via API com contrato claro (ou modelo local) e guardar num Postgres com pgvector sob seu controle, não num SaaS que já vem com busca pronta mas sem transparência de onde o dado passa. É exatamente isso que a gente monta no Sprint IA de 14 dias — infra rodando com busca semântica sobre o próprio acervo do cliente, dashboard de auditoria incluso. Quem quer entender o mecanismo antes de contratar, a Aula 001 do Aleff Pepper cobre o setup básico de embedding e busca vetorial em menos de 1 hora.