Automatizar entrada de dados é a promessa mais antiga da digitalização e continua mal resolvida em muitas empresas. Entender por que exige separar duas etapas que costumam ser confundidas.
Reconhecer texto e entender documento
OCR converte imagem em caracteres: dada uma foto, devolve as letras e onde elas estavam. Em documento impresso, com boa imagem, essa etapa é praticamente resolvida há anos.
A etapa seguinte é outra coisa. Saber que o número no canto superior direito é o número da nota, que a data ali é de emissão e não de vencimento, e que aquela linha da tabela é um item e não o total — isso é compreensão de documento, e depende de layout, contexto e conhecimento do tipo de documento.
Como a segunda etapa evoluiu
Durante muito tempo, a solução era templates: para cada fornecedor, alguém definia onde ficava cada campo. Funcionava, e quebrava a cada mudança de layout. Manter centenas de templates virou o custo escondido de muitos projetos.
Depois vieram modelos que combinam texto e posição, aprendendo a associar rótulo e valor pela estrutura visual. E hoje modelos multimodais leem a página como um todo e devolvem os campos pedidos sem template algum — com a ressalva de que, como qualquer modelo generativo, podem produzir um valor plausível que não está no documento.
Onde a qualidade se perde
| Fator | Efeito | Mitigação |
|---|---|---|
| Foto tremida ou torta | Erro de reconhecimento em cadeia | Correção de perspectiva e captura guiada |
| Digitalização de baixa resolução | Confusão entre caracteres parecidos | Definir resolução mínima na origem |
| Carimbo ou assinatura sobre o texto | Trechos ilegíveis | Modelos robustos e revisão do campo afetado |
| Manuscrito | Muito mais difícil que impresso | Modelos específicos; expectativa realista |
| Tabela com células mescladas | Estrutura mal reconstruída | Modelos com entendimento de layout |
| Documento em várias páginas | Contexto se perde entre páginas | Processar o documento inteiro, não página a página |
Confiança e revisão
A decisão de projeto mais importante não é qual modelo usar, e sim o que fazer quando a extração não é confiável. Sistemas maduros devolvem um grau de confiança por campo e encaminham para revisão humana apenas o que ficou abaixo do limiar.
Esse desenho muda a economia inteira. Automatizar 100% dos documentos com 95% de acerto significa que 5% dos erros passam despercebidos. Automatizar 80% com verificação nos 20% restantes entrega qualidade alta com ganho real de produtividade — e é o que costuma funcionar.
Um roteiro para implantar
- Comece por um tipo de documento só. Nota fiscal, contrato e ficha cadastral são projetos diferentes.
- Melhore a captura antes do modelo. Boa parte do erro nasce na foto, não no algoritmo.
- Valide contra regras de negócio. Soma dos itens igual ao total captura erros que nenhuma confiança detecta.
- Meça por campo, não por documento. A média esconde o campo crítico que erra sempre.
- Guarde a imagem junto do dado extraído. Auditoria e correção dependem disso.
- Planeje a fila de revisão desde o início. Ela não é falha do sistema, é parte dele.
O ganho real de um projeto de leitura de documentos raramente vem de acertar mais. Vem de saber, com precisão, quando não se pode confiar — porque é isso que permite deixar o resto passar sem revisão.