Como o processamento inteligente de documentos lê contratos?
O IDP transforma contratos em dados estruturados em cinco etapas. A parte difícil são as relações entre as partes, e não as entidades isoladas.
Pelo time da Snowfox AI
O processamento inteligente de documentos (IDP, de intelligent document processing) transforma contratos e outros documentos não estruturados em dados estruturados que um sistema consegue usar. O trabalho acontece em etapas: ler a página, entender o layout, extrair as entidades (partes, datas, valores), extrair as relações entre elas (quem outorga quais poderes a quem) e validar o resultado, com revisão humana dos casos duvidosos. As entidades são a parte mais fácil. É nas relações que a maioria dos projetos com contratos dá certo ou fracassa.
O que é processamento inteligente de documentos?
O IDP combina reconhecimento óptico de caracteres (OCR, que converte a imagem de um texto em texto legível por máquina), análise de layout, processamento de linguagem natural (PLN) e regras de negócio para converter documentos em campos de um banco de dados. A diferença para o OCR puro está na saída. O OCR entrega texto. O IDP entrega um registro: esta pessoa, neste papel, com este poder, válido até esta data.
Em contratos essa diferença pesa, porque o valor raramente está em um campo isolado. Uma procuração ou um contrato social só é útil para a equipe de cadastro depois que alguém entende quem pode assinar por quem, e dentro de quais limites.
Quais são as etapas de um pipeline de IDP?
Um pipeline para contratos tem cinco etapas. Cada uma falha de um jeito próprio e os erros se propagam, então meça cada etapa separadamente.
| Etapa | O que faz | O que costuma dar errado |
|---|---|---|
| 1. Ingestão e OCR | Recebe o PDF, verifica se há camada de texto ou se é digitalização e gera o texto | Digitalizações ruins, carimbos sobre o texto, OCR em arquivo que já tinha texto |
| 2. Análise de layout | Identifica ordem de leitura, cláusulas, cabeçalhos, tabelas e blocos de assinatura | Duas colunas lidas como uma, tabelas desmontadas, numeração perdida |
| 3. Extração de entidades | Encontra e rotula partes, representantes, documentos de identificação, datas, valores e poderes | A mesma pessoa escrita de três formas, papéis trocados |
| 4. Extração de relações | Liga as entidades: quem representa qual empresa, quem outorga qual poder a quem | Ligações entre cláusulas distantes perdidas, condições ignoradas |
| 5. Validação e revisão humana | Aplica regras de negócio e envia casos de baixa confiança a um revisor | Fila de revisão grande demais, ou pequena demais para pegar erros |
Não pule a análise de layout. Um modelo que recebe as cláusulas fora de ordem comete erros que parecem de linguagem, mas são de layout.
Por que relações são mais difíceis de extrair do que entidades?
Uma entidade é uma decisão local. O nome que vem depois de “representada por” é uma pessoa, “12 de março de 2025” é uma data, e o modelo normalmente decide isso pela frase ao redor. Uma relação é uma decisão sobre duas ou mais entidades e o texto que as conecta. Em contratos, esse texto tem três características incômodas.
- Distância e termos definidos. O outorgante aparece no preâmbulo e os poderes estão várias cláusulas adiante. No caminho, o outorgado vira “o Procurador” ou “o referido”. O modelo precisa ligar essas menções à parte real, tarefa chamada de resolução de correferência.
- Direção. “A outorga a B” e “B outorga a A” têm as mesmas entidades. Errar a direção gera um registro que parece completo e está errado.
- Condições. Poderes vêm com limites: em conjunto com outro signatário, até certo valor, por prazo determinado. Uma relação extraída sem a condição costuma ser pior do que nenhuma, porque exagera o que a pessoa pode fazer.
Os erros também se propagam. Se uma entidade não é encontrada, todas as relações que dependem dela se perdem.
Como medir a acurácia?
“Acurácia” é uma palavra frouxa em extração, então defina o termo antes que alguém cite um número. As medidas úteis são precisão (do que o sistema extraiu, quanto está correto), recall (do que estava no documento, quanto o sistema encontrou) e F1, que combina as duas.
Deixe estas decisões por escrito:
- Unidade. Por entidade, por relação ou por documento. A medida por documento é a mais rigorosa e costuma ser a que interessa à operação.
- Regra de correspondência. Correspondência exata e parcial do nome de uma parte dão números diferentes.
- Denominador das relações. Avaliadas partindo de entidades corretas ou de ponta a ponta, a partir do PDF bruto. O segundo número é menor e mais próximo da produção.
- Conjunto de teste. Documentos que o modelo nunca viu, tirados da entrada real, incluindo digitalizações ruins. Fixe esse conjunto e mantenha-o.
Depois acrescente as medidas operacionais, que dizem se o projeto se paga: a parcela de documentos processados sem intervenção humana, a taxa de erro entre eles e o tempo de revisão por documento.
O que não fazer: divulgar um único número agregado, avaliar só nos documentos mais limpos ou comparar o número de um fornecedor com o seu sem conferir unidade e regra de correspondência.
Onde os LLMs entram, e onde modelos supervisionados ainda ganham?
Os grandes modelos de linguagem (LLMs) mudaram a conta desse tipo de projeto, mas não aposentaram os modelos supervisionados, aqueles treinados com exemplos que pessoas rotularam com a resposta correta.
| Situação | Melhor escolha | Por quê |
|---|---|---|
| Poucos exemplos rotulados, muitos tipos de documento | LLM | Trabalha a partir de instruções e de poucos exemplos |
| Referências distantes, termos definidos, condições | LLM, com verificação | Lida bem com correferência e paráfrase |
| Alto volume de uma família estável de documentos | Modelo supervisionado | Custo menor por página, latência previsível, saída consistente |
| Confiança calibrada para decidir o que vai para revisão | Modelo supervisionado | A pontuação aceita um limiar; a confiança declarada por um LLM não é confiável |
Na prática, a resposta costuma ser híbrida. O LLM propõe, um modelo supervisionado ou um conjunto de regras confere, e cada valor extraído aponta para a página e o trecho de onde saiu, para que o revisor confira em segundos. Exija esse apontamento. Sem ele não há auditoria, e ele é a principal defesa contra um modelo generativo que produz um valor plausível que não está no documento.
Não mande todos os contratos para o maior modelo disponível e chame isso de pipeline. Sem um conjunto de teste fixo, ninguém sabe quando uma mudança de prompt ou de versão do modelo piorou o resultado.
Como isso funciona em um projeto real?
O case publicado da Snowfox no setor financeiro é um exemplo direto. Uma empresa de serviços financeiros precisava acelerar o onboarding de clientes, o que dependia de ler contratos complexos em PDF e identificar as partes e os poderes outorgados. A abordagem foi um pipeline de IDP que combinou reconhecimento de documentos com extração supervisionada de entidades e relações em texto de linguagem natural.
O case publicado reporta 93% de acurácia na extração de entidades e 95% na detecção de relações entre entidades. Leia os dois números como medições separadas, e não como um ranking de dificuldade. Eles avaliam tarefas diferentes, com denominadores diferentes, e o case publicado não detalha o protocolo de avaliação. O que interessa a quem compra é que as duas etapas foram medidas separadamente, e é isso que permite decidir onde concentrar a revisão.
Por onde começar
Comece pelo processo, não pelo modelo. Escolha uma família de documentos, liste os campos e as relações que a operação realmente usa e rotule um pequeno conjunto de teste antes de escolher qualquer tecnologia.
- O exemplo completo: Extração automatizada de PDFs com IDP
- Extração e classificação de texto: Processamento de linguagem natural
- Digitalizações e layout: Visão computacional
- Onde os LLMs entram: IA generativa
- Dados e processo estão prontos? Diagnóstico de prontidão para IA
- Um problema específico: Fale com a Snowfox