IA em documentos: da extração ao dado confiável

Um fornecedor envia uma nota em PDF. A IA reconhece CNPJ, itens, quantidades, vencimento e total; o resultado chega organizado em JSON. Parece pronto para o ERP. Só que a quantidade de uma linha veio da coluna “embalagem”, o desconto foi interpretado como acréscimo e o CNPJ pertence à filial errada.

O arquivo foi lido, a resposta obedeceu ao formato e nenhum campo ficou vazio. Mesmo assim, o lançamento estaria errado. Esse é o salto que muitos projetos ignoram: extrair texto não é validar um fato; preencher campos não é autorizar uma ação.

Este artigo apresenta o método CONFERE para transformar PDFs, fotos, e-mails, planilhas e formulários em dados operacionais com classificação, evidência por campo, reconciliação e rota de exceção. A meta não é revisar tudo para sempre. É descobrir quais campos podem fluir, quais exigem comparação e quais nunca devem virar decisão automática.

Por que documentos voltaram ao centro da agenda de IA

Documentos concentram contexto que ainda não cabe em linhas limpas de um sistema: pedido enviado por WhatsApp, boletim de medição, proposta de compra, contrato, encaminhamento, laudo, romaneio ou relatório de visita. A IA multimodal tornou a leitura mais flexível, mas não eliminou a desordem anterior à automação.

Em uma pesquisa da Adobe publicada em abril de 2026, baseada em dados agregados do Acrobat e em aproximadamente 800 profissionais nos Estados Unidos, 51% disseram usar IA para resumir documentos, 43% para localizar informação e 30% para interpretar conteúdo. Ao mesmo tempo, 72% queriam que a IA apontasse inconsistências entre versões, e apenas 36% afirmaram conseguir medir formalmente economia ou retorno.

O recorte é de um fornecedor e não representa automaticamente empresas brasileiras. Ainda assim, ele mostra uma transição importante: a leitura inicial ficou mais fácil, enquanto comparação, aprovação e coordenação continuam depois dela. O ganho aparece no começo do fluxo; o risco e o retrabalho reaparecem no final.

Outro estudo de 2026, da BARC, com cerca de 220 respostas internacionais, encontrou que somente 29% sabiam plenamente onde estavam os dados não estruturados relevantes para IA e que 35% não conseguiam rastrear como esses dados eram usados entre sistemas. Antes de perguntar qual modelo lê melhor um PDF, a empresa precisa saber qual documento é válido, de onde veio, quem pode vê-lo e o que sua leitura poderá alterar.

JSON válido não significa dado correto

Uma saída estruturada é essencial para integrar IA a sistemas. Ela impede, por exemplo, que cada resposta use nomes de campos diferentes ou misture explicação com valor. Mas estrutura e verdade são controles distintos.

A própria documentação de Structured Outputs da OpenAI explica que aderir ao esquema não evita todos os erros dentro dos valores. Um campo total pode ser sempre numérico e ainda trazer o número errado. Um campo data_vencimento pode respeitar o formato e ter capturado a data de emissão.

Pesquisas recentes tratam entendimento documental como um problema composto. O DocBench, publicado nos anais da ACL em 2025, avalia sistemas sobre arquivos reais com layouts complexos, conteúdo longo e informação multimodal. Já o ReceiptBench, preprint de 2026 com 10 mil recibos anotados, separa percepção do texto, normalização de formato, raciocínio semântico e reconstrução de itens aninhados. A lição para o gestor é simples: “ler documento” esconde tarefas diferentes e erros diferentes.

Cinco camadas que não devem ser confundidas

Capturar: receber o arquivo, preservar o original e registrar canal, remetente, horário e identificador.
Ler: reconhecer texto, tabelas, marcações, posição e elementos visuais relevantes.
Extrair: mapear trechos para campos definidos, sem completar ausências por plausibilidade.
Validar: checar tipo, unidade, regra de negócio e consistência com outras fontes.
Agir: criar, atualizar, aprovar, pagar, agendar ou comunicar dentro de uma alçada explícita.

A automação pode ter ótimo desempenho nas três primeiras camadas e continuar imprópria para a quinta. A fronteira deve ser definida por campo e por consequência, não por uma nota média do documento inteiro.

Método CONFERE: sete controles antes do lançamento

C — Classe e versão do documento

Identifique primeiro o tipo documental: pedido, nota, contrato, proposta, relatório, laudo ou anexo. Registre versão, páginas, idioma, legibilidade e sinais de documento incompleto. Um aditivo não pode ser tratado como contrato integral; uma cotação não deve entrar como pedido confirmado.

O — Origem, identidade e permissão

Preserve o arquivo original e seu hash ou identificador, além de canal, remetente e horário. Confirme a entidade: cliente, fornecedor, obra, imóvel ou paciente correto. A origem define confiança, retenção, acesso e possibilidade de ação. Anexo recebido de fora nunca deve carregar instruções capazes de mudar as regras do agente.

N — Normalização sem adivinhação

Defina um esquema por classe, com campos obrigatórios e opcionais, tipos, unidades e listas permitidas. Quando a informação não estiver presente ou legível, o valor correto é null e uma exceção — não uma estimativa. Separe valor observado, valor normalizado e valor inferido; em rotinas críticas, inferência não deve se disfarçar de extração.

F — Fonte e evidência por campo

Cada campo crítico precisa apontar para página, região ou trecho de onde veio. Guarde também o texto bruto quando aplicável. Isso permite ao revisor ir direto à evidência, em vez de reler o arquivo inteiro. Confiança calculada pelo modelo pode ajudar na triagem, mas não substitui prova localizável.

E — Exatidão semântica e regras

Teste datas impossíveis, casas decimais, moeda, unidade de medida, subtotal, imposto, desconto, sinal negativo, códigos e dígitos verificadores. Depois aplique regra operacional: item existe? fornecedor está ativo? preço está vigente? a soma das linhas fecha com o total? o lote pertence à unidade certa?

R — Reconciliação com sistemas oficiais

Compare o documento com cadastro, contrato, pedido, agenda ou estoque. Trate divergência como um estado do processo, não como erro a ser escondido. O documento pode estar correto e o cadastro, desatualizado; por isso, a reconciliação precisa indicar qual fonte é oficial por atributo e quem decide o conflito.

E — Exceção, execução e evidência final

Defina quando aceitar automaticamente, quando pedir revisão e quando bloquear. Se houver escrita, use idempotência, alçada e recibo do sistema. O registro final deve ligar documento original, campos extraídos, regras aplicadas, correções humanas, aprovador e identificador da ação executada.

Matriz: verificabilidade × consequência

Fácil de verificar + baixa consequência: automatize após testes; faça amostragem periódica e monitore mudança de layout.
Fácil de verificar + alta consequência: valide deterministicamente e preserve aprovação proporcional antes da ação.
Difícil de verificar + baixa consequência: use como sugestão, classificação ou rascunho; não trate ausência de reclamação como acerto.
Difícil de verificar + alta consequência: organize evidências para um especialista; não automatize a decisão final.

“Confiança de 95%” não resolve a matriz. O mesmo erro tem efeitos diferentes: trocar uma categoria interna pode ser corrigível; trocar quantidade, paciente, preço ou conta bancária pode gerar perda material. O controle segue a consequência.

Contrato de campo: 14 itens para sair do prompt genérico

nome e significado do campo;
classe documental em que se aplica;
tipo e formato esperado;
obrigatório, opcional ou condicional;
unidade, moeda e escala;
exemplo válido e contraexemplo;
localizações ou rótulos prováveis;
regra para ausente, ilegível e ambíguo;
evidência mínima a preservar;
normalização permitida;
fonte oficial para reconciliação;
regra de validação e tolerância;
consequência de erro e rota de revisão;
destino, alçada e recibo da escrita.

Esse contrato transforma “extraia os dados importantes” em uma especificação testável. Também permite trocar modelo ou fornecedor sem perder a definição do resultado.

Como aplicar nas verticais da V7

v7 Obras: extraia período, serviço, quantidade e local de boletins ou medições; reconcilie com contrato e etapa; preserve aprovação técnica e financeira fora da IA.
v7 Carteira: leia pedidos, notas e comprovantes; compare cliente, SKU, embalagem, preço, condição e total com ERP antes de criar pedido ou baixar pendência.
v7 Agro: organize romaneios, pedidos e relatórios de visita por cliente, propriedade, produto, lote, unidade e data; encaminhe divergências e decisões agronômicas ao responsável habilitado.
v7 Imob: extraia dados de propostas e documentos cadastrais para checklist; separe pendência documental de conclusão jurídica e preserve conferência especializada.
v7 Clínicas Retorno: identifique paciente, data, solicitante e tipo documental em pedidos e encaminhamentos; nunca converta extração administrativa em interpretação clínica.
v7 Custom: contas a pagar, compras, contratos e backoffice podem usar o mesmo trilho: documento, campos, evidência, regra, reconciliação, alçada e recibo.

Placar de uma operação documental confiável

cobertura por campo: quantos valores esperados foram localizados sem inventar ausências;
exatidão de campos críticos: percentual exatamente correto em quantidade, identidade, valor, data e unidade;
aceite indevido: erro que passou pelas regras e alcançou revisão tardia ou sistema oficial;
exceção correta: caso ambíguo, ilegível ou divergente encaminhado ao destino certo;
correção humana por motivo: layout, OCR, semântica, cadastro, regra ou documento de origem;
tempo por documento aceito: captura até conclusão, incluindo fila e retrabalho;
reconciliação: ações confirmadas no sistema oficial sem duplicidade ou diferença residual.

Meça por classe, origem e campo. Uma média global pode esconder que cabeçalho funciona muito bem enquanto itens de tabela falham justamente onde está o impacto econômico.

Piloto assistido de 20 dias úteis

Dias 1 a 3: escolha uma única classe documental, um resultado e um owner. Levante variações reais de origem, qualidade e layout.
Dias 4 a 6: crie o contrato dos campos, a matriz de consequência e um conjunto de referência revisado por humanos. O NIST destaca dados de avaliação criados por humanos ao medir extração de entidades, eventos e relações.
Dias 7 a 10: rode em modo sombra. Compare cada campo, classifique erros e verifique se a evidência realmente acelera a revisão.
Dias 11 a 14: implemente regras determinísticas, reconciliação e filas distintas para ausente, ilegível, ambíguo e divergente.
Dias 15 a 18: permita somente ações de baixa consequência ou preparação de lançamento, com revisão e recibo.
Dias 19 e 20: compare tempo, exatidão crítica, escapes e custo por documento aceito. Decida campo a campo: automatizar, assistir, bloquear ou retirar.

Inclua documentos fáceis e ruins, versões antigas, tabelas longas, fotos tortas, campos ausentes e entidades parecidas. Um piloto feito apenas com PDFs perfeitos mede demonstração, não operação.

Sinais de alerta

a equipe avalia o documento pela aparência da resposta, sem gabarito por campo;
campos ausentes são completados com valores prováveis;
o JSON está correto e isso é apresentado como prova de exatidão;
não há ligação entre valor extraído e página ou trecho de origem;
uma nota média mistura campos cosméticos e campos que movimentam dinheiro;
o modelo resolve divergências entre documento e ERP sem regra de precedência;
a revisão humana relê tudo porque a evidência não foi preservada;
mudança de layout só é descoberta depois de lançamentos errados;
o sistema recebe escrita sem chave contra duplicidade, alçada ou recibo;
não existe responsável pela qualidade após a implantação.

O ponto de vista da V7 Agents

IA só gera ROI quando existe processo, dados, responsável, rotina de revisão e implantação operacional. Em documentos, isso significa ir além do “modelo consegue ler”: definir o que será extraído, como cada campo será provado, contra qual fonte será reconciliado e quem responde quando houver divergência.

O V7 IA Ready mapeia classes documentais, volume, retrabalho, sistemas, campos críticos e riscos antes da integração. Os Agentes Verticais aplicam contratos e regras ligados ao setor. A Operação Contínua acompanha layouts, erros, exceções e resultado. O objetivo não é digitar menos a qualquer custo; é produzir dados aceitos que a operação possa usar e explicar.

Fontes consultadas

Seus documentos já viram dados confiáveis ou apenas respostas convincentes?

O V7 IA Ready identifica documentos, campos críticos, regras, integrações e controles para escolher um piloto com valor operacional e risco delimitado.

Solicitar diagnóstico IA Ready Conhecer o V7 IA Ready

A IA leu o documento. Você deixaria ela lançar no sistema?