Extrair dados de PDF com IA: campos, regras e conferência humana

Extrair dados de PDF com IA: campos, regras e conferência humana

Para extrair dados de PDF com IA de forma confiável, não basta pedir ao modelo que leia o arquivo. É preciso definir antes quais campos importam, validar cada resultado contra regras objetivas e mandar para uma pessoa tudo o que for duvidoso, antes de gravar qualquer coisa no sistema. A IA lê e propõe, as regras checam, e só então o dado entra.

Principais pontos

• Defina os campos por documento antes de escolher ferramenta: nome, tipo, obrigatoriedade e onde costuma aparecer.
• A IA deve devolver cada valor com o trecho de origem e uma indicação de dúvida, não só o valor final.
• Valide com regras determinísticas (dígitos verificadores, datas, somas, cadastro) e não com a opinião do próprio modelo.
• Casos duvidosos vão para uma fila de conferência humana, e o sistema só recebe o dado depois dela.
• Comece por um tipo de documento, com registro de decisões, e só amplie depois de medir o resultado.

Por que boleto, contrato e laudo exigem tratamentos diferentes

Todo PDF parece o mesmo problema, mas o risco muda muito conforme o documento. O boleto tem estrutura previsível e dados que podem ser checados por cálculo. O contrato tem linguagem livre, cláusulas que variam e informações espalhadas em várias páginas. O laudo mistura texto técnico, tabelas, valores de referência e, muitas vezes, imagem escaneada.

Por isso, a pergunta útil não é qual modelo é melhor, e sim quanto custa um erro naquele documento. Um valor de boleto errado gera pagamento indevido. Uma data de vigência errada num contrato pode perder um prazo de renovação ou de rescisão. Um número errado num laudo pode alimentar uma decisão técnica ou clínica. Quanto maior o custo do erro, mais rígida deve ser a validação e mais cedo entra a revisão humana.

Outra diferença é a origem do arquivo. PDF gerado por sistema tem texto selecionável e costuma extrair bem. PDF escaneado ou foto salva como PDF depende de reconhecimento de imagem, e a incerteza é maior. Vale separar os dois fluxos desde o início, porque o limite de confiança não deve ser o mesmo.

Como definir os campos antes de ligar a IA

O erro mais comum é começar pelo prompt. O ponto de partida é uma ficha de campos, feita com quem hoje digita esses dados no sistema. Essa pessoa sabe quais campos realmente travam o processo e quais são irrelevantes.

Para cada campo, registre:

• Nome do campo no seu sistema (por exemplo, vencimento, valor, beneficiário, CNPJ).
• Tipo esperado: texto, data, valor monetário, documento com formato fixo, lista de opções.
• Se é obrigatório ou opcional.
• Onde costuma aparecer no documento e como pode variar.
• O que fazer quando não existir: deixar vazio, nunca inventar.
• Qual regra confirma que o valor está certo.

Dois cuidados fazem diferença. O primeiro é permitir que a resposta seja não encontrado. Modelos tendem a completar lacunas, e um campo vazio é muito menos perigoso do que um campo plausível e errado. O segundo é pedir, junto com cada valor, o trecho exato do documento de onde ele saiu. Isso permite que o revisor confira em segundos e que uma regra automática verifique se o trecho realmente contém o valor.

A saída deve seguir um formato estruturado e fixo, com os mesmos nomes de campo todas as vezes. Isso facilita a validação e o registro. A documentação da Anthropic sobre construção de agentes eficazes defende exatamente esse tipo de desenho: etapas simples e verificáveis antes de qualquer autonomia maior.

Como validar a extração contra regras

A validação é a parte que separa uma demonstração bonita de um processo que pode ser usado no financeiro. A regra de ouro é que a checagem não pode depender do mesmo modelo que extraiu. Se a IA erra e depois confirma o próprio erro, nada foi validado.

Tipos de regra que costumam funcionar:

• Formato e dígito verificador: CNPJ, CPF e a linha digitável do boleto têm dígitos de controle que podem ser calculados no código.
• Consistência interna: o valor do boleto deve bater com o valor lido na linha digitável; a data de vencimento deve ser coerente com a da própria linha.
• Consistência com o cadastro: o beneficiário do boleto existe na base de fornecedores? O CNPJ do contrato é de uma parte conhecida?
• Consistência com o pedido: o valor está dentro do que foi autorizado na ordem de compra ou no contrato?
• Faixas plausíveis: datas no passado distante ou no futuro absurdo, valores zerados ou muito acima do histórico.
• Duplicidade: o mesmo boleto já foi lançado antes?
• Presença da origem: o trecho citado pela IA realmente contém o valor extraído.

O ideal é que cada campo receba um resultado simples: passou, falhou ou não foi possível checar. Esse resultado vai para o registro junto com o valor, e é ele que decide o próximo passo. Para aprofundar a lógica de checar entradas e saídas antes de uma ação, o artigo sobre guardrails para agentes de IA detalha o padrão.

Quando mandar para conferência humana

Conferência humana não é sinal de que a automação falhou. É o desenho correto para qualquer dado que vai alterar contas, pagamentos ou obrigações. A questão é decidir quais casos vão para a fila e quais passam direto.

Um guia de decisão simples:

• Todas as regras passaram e o documento é de um fornecedor conhecido: pode seguir para gravação, com amostragem periódica por uma pessoa.
• Alguma regra falhou: vai para a fila, com o campo problemático destacado.
• Campo obrigatório vazio ou marcado como duvidoso pela extração: vai para a fila.
• Documento escaneado com baixa qualidade, torto ou cortado: vai para a fila inteira.
• Valor ou prazo acima de um limite que a empresa definir: vai para a fila, mesmo que tudo tenha passado.
• Documento de tipo novo, nunca visto no piloto: vai para a fila até ser mapeado.
• Contrato com cláusula fora do padrão esperado: vai para jurídico ou para o responsável, não para um digitador.

A tela de conferência deve mostrar o documento ao lado dos campos extraídos, com o trecho de origem destacado e o motivo de a extração ter parado ali. Se o revisor precisa abrir o PDF em outra janela e procurar o valor, a fila vira gargalo e a equipe volta a digitar tudo. Cada correção feita por uma pessoa também é informação valiosa: ela mostra onde a ficha de campos ou as regras precisam melhorar.

Quando o dado extraído leva a uma decisão sobre uma pessoa, como análise de crédito ou rejeição de um benefício, entra também a questão do direito de revisão. O texto sobre decisões automatizadas na LGPD ajuda a entender quando isso se aplica.

Cenário ilustrativo: contas a pagar com boletos de fornecedores

Imagine, como cenário ilustrativo, uma empresa de médio porte que recebe boletos de fornecedores por e-mail e por WhatsApp. Hoje uma pessoa abre cada PDF e digita beneficiário, valor, vencimento e linha digitável no sistema financeiro.

No piloto, o fluxo ficaria assim. O arquivo chega e é classificado: boleto ou outro documento. A IA extrai os campos definidos, cada um com o trecho de origem. O código recalcula os dígitos verificadores da linha digitável e compara valor e vencimento com os dados lidos no texto. O beneficiário é buscado no cadastro de fornecedores e o boleto é comparado com o pedido ou contrato em aberto. Se tudo confere, o lançamento fica pronto para aprovação normal do financeiro. Se o fornecedor é novo, se o valor diverge do pedido ou se a linha digitável não fecha, o item cai na fila de conferência, com o motivo escrito em linguagem simples.

Nesse desenho, a IA nunca paga nada nem altera cadastro. Ela reduz a digitação e deixa mais visível o que é suspeito. Se o sistema financeiro for um ERP como Bling, Omie ou Tiny, vale ver antes os caminhos de integração via API e seus riscos, porque a gravação deve passar por uma interface controlada e com permissões mínimas.

Plano de implantação em etapas

O método que usamos para esse tipo de projeto segue quatro movimentos: mapear, limitar, pilotar e transferir. Aplicado à extração de PDF, fica assim.

• Mapear: levantar como o documento chega, quem digita hoje, em qual sistema, quais erros já acontecem e quanto tempo o processo leva. Esse retrato inicial é a base de comparação.
• Limitar: escolher um único tipo de documento, uma lista curta de campos, os dados que a IA pode ver e as ações que ela não pode tomar. Remover do envio o que não é necessário para a extração.
• Pilotar: rodar com documentos reais em paralelo ao processo manual, com registro de cada extração, validação e correção humana, e uma métrica de sucesso combinada de antemão.
• Transferir: entregar o fluxo documentado à equipe, com responsável definido, e decidir com base nos registros se o projeto amplia, se ajusta ou se para.

Na fase de piloto, monte um conjunto de documentos de teste com a resposta correta já conferida por uma pessoa e rode a extração contra ele sempre que mudar algo no prompt, no modelo ou nas regras. A Anthropic descreve essa prática em como pensar avaliações para agentes de IA. Para escolher o que medir e quando decidir, o guia sobre como medir um piloto de automação com IA traz critérios de decisão.

Riscos que costumam ser esquecidos

O primeiro é conteúdo malicioso dentro do próprio documento. Um PDF pode conter texto que tenta dar instruções ao modelo, como mandar ignorar regras ou alterar um campo. Trate todo texto extraído como dado, nunca como instrução, e mantenha o modelo sem acesso a ferramentas que gravem em sistemas. Esse tipo de ataque está descrito no OWASP Top 10 para aplicações com LLM.

O segundo é a privacidade. Contratos e laudos costumam trazer dados pessoais, e laudos podem trazer dados de saúde, que a LGPD trata como sensíveis. Defina a base legal com a área jurídica, envie ao modelo apenas o necessário, verifique onde e como o provedor trata e retém os dados e registre quem acessa a fila de conferência. A ANPD é a referência oficial para orientações sobre o tema. Se o projeto tratar dados sensíveis em escala, avalie um relatório de impacto antes de ir para produção.

O terceiro é o desvio ao longo do tempo. Fornecedores mudam o layout do boleto, o jurídico muda o modelo de contrato, o laboratório troca o formato do laudo. Sem monitoramento, a qualidade cai sem ninguém notar. Acompanhe a proporção de itens que vão para a fila e os campos mais corrigidos: se um campo passa a ser corrigido com frequência, algo mudou.

Checklist antes de gravar no sistema

• A ficha de campos foi validada por quem opera o processo hoje?
• A extração aceita campo vazio e devolve o trecho de origem?
• Existe ao menos uma regra determinística para cada campo crítico?
• Os critérios para ir à fila de conferência estão escritos e são simples?
• A gravação no sistema usa permissão mínima e fica registrada com quem aprovou?
• Há um conjunto de documentos de teste com resposta conferida?
• Alguém é responsável por revisar os registros periodicamente?

Perguntas frequentes

É possível extrair dados de PDF com IA sem revisão humana? Em documentos de baixo risco, com regras fortes de validação e fornecedores conhecidos, parte dos itens pode passar direto, com amostragem periódica. Para pagamentos, obrigações contratuais e dados técnicos ou de saúde, recomendamos manter uma pessoa na decisão final dos casos duvidosos. O que vai direto e o que vai para a fila deve ser definido por regra escrita, não por impressão.

PDF escaneado funciona tão bem quanto PDF com texto? Em geral, não. Quando o arquivo é imagem, a leitura depende de reconhecimento visual e a chance de erro em números e datas aumenta. Por isso, separe os dois fluxos, use regras mais rígidas para escaneados e mande para conferência os documentos com baixa qualidade.

A IA precisa ser treinada com os meus documentos? Na maior parte dos casos de extração, não é necessário treinar um modelo. O caminho mais seguro costuma ser descrever bem os campos, fornecer exemplos do formato esperado e medir o resultado em um conjunto de teste com documentos reais. Só vale considerar algo mais pesado se esse caminho simples não atingir a qualidade combinada no piloto.

Por onde começar na minha empresa? Escolha o documento que mais consome tempo de digitação e que tenha regras claras de conferência, como boletos de fornecedores recorrentes. Mapeie o processo atual, limite campos e permissões, rode um piloto com registro de tudo e decida com base nos dados se amplia, ajusta ou encerra.

Fontes

• Anthropic: Building effective agents
• Anthropic: Demystifying evals for AI agents
• OWASP Top 10 for LLM Applications
• ANPD: Autoridade Nacional de Proteção de Dados