A IA erra na leitura de documento?

Erra, principalmente em documento escaneado torto, com carimbo por cima ou com layout que ela nunca viu. Por isso o desenho correto separa o que passou na validação automática do que precisa de conferência. O objetivo não é acerto perfeito, é reduzir muito o volume que chega para digitação manual.

Preciso treinar um modelo para cada tipo de documento?

Na maioria dos casos não. Modelos atuais de leitura conseguem extrair campos a partir de uma descrição do que se procura, sem treino específico. Treinar compensa quando o volume é muito alto, o documento é sempre igual e a redução de custo por página justifica o esforço.

E os documentos com dado pessoal ou sigiloso?

A decisão sobre para onde o arquivo é enviado, quanto tempo fica armazenado e quem pode acessar precisa ser tomada antes do projeto, com apoio jurídico. Existem caminhos com processamento dentro da própria infraestrutura da empresa quando o dado não pode sair.

Como fazer uma IA que lê documento e preenche o sistema

Uma IA que lê documento e preenche o sistema é, na prática, um fluxo de cinco etapas: capturar o arquivo, descobrir de que tipo ele é, extrair os campos indicando onde cada um foi encontrado, validar com regras que não dependem de IA, e mandar para revisão humana somente o que não passou. A regra que sustenta a confiança do usuário é simples: preencher apenas o que o documento sustenta, nunca estimar um número que não está lá.

Etapa 1: captura, e o formato que chega

O arquivo pode entrar por vários caminhos, e cada um exige tratamento diferente:

Origem	Cuidado
Anexo de e-mail em caixa dedicada	Separar corpo, anexos e assinaturas
Upload em tela do sistema	Limitar tamanho e formatos aceitos
Foto pelo celular	Corrigir rotação, recortar bordas, avaliar nitidez
Pasta compartilhada ou FTP	Detectar arquivo ainda sendo escrito
API de terceiro	Verificar duplicidade por checksum

O primeiro filtro é técnico e evita gastar processamento à toa: PDF digital tem texto embutido e pode ser lido diretamente; PDF escaneado é imagem e precisa de OCR; foto de celular precisa de correção de perspectiva antes de qualquer coisa.

Vale calcular um resumo criptográfico de cada arquivo na entrada. É a forma mais barata de não processar duas vezes o mesmo documento.

Etapa 2: classificar o tipo antes de extrair

Extrair sem saber o tipo produz resultado ruim. A classificação decide qual conjunto de campos procurar e qual conjunto de regras aplicar.

Formas de classificar, da mais barata para a mais cara:

Pelo remetente ou pela pasta. Se todo arquivo daquela caixa é nota fiscal, pronto.
Por padrão de texto. Presença de certas expressões, chave de acesso, layout de tabela.
Por modelo de classificação. Quando os tipos são muitos e visualmente parecidos.

Documentos com mais de uma página frequentemente contêm mais de um documento. Um lote escaneado pode ter três notas em sequência. A separação de lote é uma etapa própria e é ignorada com frequência.

Etapa 3: extrair com origem citada

Aqui entra o modelo de leitura. O ponto que diferencia um sistema confiável de um brinquedo é o formato de saída. Em vez de devolver apenas valores, cada campo deve vir acompanhado de:

O valor extraído, já no formato esperado.
A confiança da extração.
A página e a região da página onde foi encontrado.
O trecho literal que originou o valor.

Com isso, a tela de conferência consegue destacar o ponto exato no documento, e a pessoa confere em segundos em vez de procurar. Sem isso, revisar dá quase o mesmo trabalho que digitar.

Duas instruções fazem muita diferença no comportamento do modelo: devolver campo vazio quando a informação não estiver presente, e nunca calcular um valor que não esteja escrito, mesmo que ele pareça deduzível. Total que não aparece no documento deve ficar vazio e ser calculado depois, pela regra do sistema, não pelo modelo.

Etapa 4: validar com regra determinística

Esta é a etapa que a maioria dos projetos pula e depois lamenta. IA propõe, regra confirma.

Exemplos de validação que não dependem de modelo:

CNPJ e CPF com dígito verificador conferido.
Soma dos itens batendo com o total, dentro de uma tolerância de arredondamento.
Data dentro de um intervalo plausível, não no futuro distante.
Fornecedor existente no cadastro, casando pelo documento.
Número do documento ainda não lançado, evitando duplicidade.
Valor dentro da faixa histórica daquele fornecedor, sinalizando o que foge muito.
Quando existir chave de acesso ou identificador oficial, conferir contra a fonte autorizada.

Cada regra que falha marca o documento, e a marcação é o que decide se ele segue automático ou vai para revisão.

Etapa 5: revisão humana desenhada para ser rápida

A tela de conferência precisa de três coisas:

Documento e formulário lado a lado, com o campo selecionado destacando o trecho de origem.
Ordem por prioridade, mostrando primeiro os campos de baixa confiança ou que falharam na validação.
Registro da correção, guardando o que a IA propôs e o que a pessoa corrigiu.

Esse registro é o ativo mais valioso do projeto. Ele mede a qualidade real por campo, mostra onde ajustar as instruções e, em volume alto, vira base para treinar um modelo específico.

Como decidir o que passa direto

Não existe um único limiar. O padrão que funciona é definir por campo e por consequência:

Situação	Encaminhamento
Todos os campos com alta confiança e todas as regras aprovadas	Lança automático
Um campo de baixa confiança, sem impacto financeiro	Lança e sinaliza para conferência depois
Valor, documento ou data com problema	Fila de revisão obrigatória
Tipo de documento não reconhecido	Fila de triagem
Divergência com o pedido de origem	Fila de exceção com o comparativo

No começo, vale rodar em modo sombra: o sistema processa tudo e ninguém confia nele. Compara-se o resultado automático com o lançamento manual por algumas semanas. Só depois se libera o caminho automático para as faixas que se mostraram sólidas.

Onde entra o preenchimento do sistema

O lançamento final deve ser feito pela API do sistema de destino sempre que existir, com chave de idempotência para que o reprocessamento não gere lançamento duplicado. Quando o sistema não tem API, as alternativas são importação de arquivo em layout definido ou, em último caso, automação de tela.

Independente do caminho, o registro precisa guardar o vínculo entre o documento de origem e o lançamento gerado. Quando alguém questionar um valor meses depois, essa ligação é o que permite responder em minutos.

O que costuma dar errado

Documento escaneado em qualidade baixa. Melhorar o processo de digitalização custa pouco e resolve mais que trocar de modelo.
Layout novo do fornecedor. O sistema precisa detectar que não reconheceu e pedir ajuda, em vez de extrair errado com confiança alta.
Ausência de medição. Sem acompanhar acerto por campo, ninguém sabe se o sistema melhorou ou piorou depois de um ajuste.
Expectativa de zero conferência. O ganho real está em reduzir muito o volume de digitação, não em eliminar a revisão.
Custo por página ignorado. Em volume alto, a conta de processamento pesa e vale simular antes de escolher a abordagem.

Documentos com implicação fiscal, contábil ou jurídica exigem que as regras de validação e de guarda sejam confirmadas com o profissional habilitado da área, porque a responsabilidade pelo lançamento continua sendo da empresa.