# 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.

URL: https://preview2.snowfox-ai.com/pt/blog/processamento-inteligente-de-documentos
Última atualização: 2026-11-17

Publicado em: 2026-11-17

Pelo time da Snowfox AI

## Pontos principais

- O IDP entrega um registro estruturado de quem tem qual poder, enquanto o OCR puro entrega apenas texto.
- Extrair relações é mais difícil do que extrair entidades por causa de distância, termos definidos, direção e condições.
- Defina unidade de medida, regra de correspondência e conjunto de teste antes de citar qualquer número de acurácia.
- LLMs servem para documentos variados e referências distantes; modelos supervisionados ainda ganham em famílias estáveis e de alto volume.

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.

1. **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.
2. **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.
3. **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](/pt/cases/extracao-pdf-idp)
- Extração e classificação de texto: [Processamento de linguagem natural](/pt/solucoes/pln)
- Digitalizações e layout: [Visão computacional](/pt/solucoes/visao-computacional)
- Onde os LLMs entram: [IA generativa](/pt/solucoes/ia-generativa)
- Dados e processo estão prontos? [Diagnóstico de prontidão para IA](/pt/diagnostico-ia)
- Um problema específico: [Fale com a Snowfox](/pt/contato)

## Perguntas frequentes

### Qual é a diferença entre OCR e processamento inteligente de documentos?

O OCR converte a imagem de uma página em texto. O processamento inteligente de documentos acrescenta análise de layout, extração de entidades e relações e validação, e entrega um registro estruturado que um sistema consegue usar.

### Por que extrair relações de contratos é mais difícil do que extrair entidades?

Uma entidade normalmente é identificada pela frase ao redor dela. Uma relação liga entidades que podem estar a páginas de distância, citadas por termos definidos, com direção e condições que precisam estar todas corretas.

### A extração de contratos deve usar LLM ou modelo supervisionado?

Em geral, os dois. LLMs lidam com documentos variados e referências distantes usando poucos exemplos, e modelos supervisionados oferecem custo menor por página, saída consistente e pontuação de confiança em famílias estáveis de alto volume.
