IA na análise de documentos entrega retorno rápido, mas só com quatro características. Veja o critério de triagem, onde o caso quebra e como medir.
Especialista em inteligência artificial e transformação digital. Mais de 10 anos ajudando empresas brasileiras a implementar soluções de analytics e IA.
Em 2025 eu construí uma plataforma chamada Cardeal, que analisava imóveis em leilão judicial. Ela lia a matrícula do imóvel, que costuma chegar como PDF escaneado ou foto, lia o edital, cruzava tudo com referências de mercado (ITBI, FipeZap, Secovi) e devolvia uma recomendação sobre se o desconto compensava os riscos. O que um investidor levava horas ou dias para fazer no braço saía em cerca de quinze minutos.
Foi ali que aprendi, na marra, por que a IA na análise de documentos funciona muito bem em alguns casos e falha feio em outros. O modelo criava campo e valor que não estavam no documento. O OCR introduzia erro justamente no edital, que já tinha texto nativo. Matrícula complexa dava timeout. A análise de mercado precisou ser quebrada em duas chamadas porque não cabia numa janela de contexto só.
Este post é a régua que eu queria ter tido antes de começar: quatro critérios para decidir, sem gastar um real, se um documento da sua empresa é candidato bom ou ruim, o que acontece quando um deles não fecha e como medir o resultado.
Olhe para onde o dinheiro do mercado vai. Em agosto de 2023, a Thomson Reuters comprou a Casetext por US$ 650 milhões em dinheiro, e o produto que justificou o cheque faz revisão de documentos e análise de contratos. Em 25 de março de 2026, a Harvey levantou US$ 200 milhões a uma avaliação de US$ 11 bilhões, em rodada co-liderada por GIC e Sequoia, vendendo contrato, diligência e revisão documental. Nenhuma dessas apostas é sobre conversar com um chatbot: são apostas sobre ler documento comprido e devolver resposta estruturada.
No Brasil o volume que sustenta esse mercado é público. Segundo o relatório Justiça em Números 2026, apresentado pelo CNJ em 23 de junho de 2026, o Judiciário encerrou 2025 com 75,5 milhões de processos em tramitação e 40,9 milhões de casos novos no ano, o maior da série histórica. E já reagiu: a Pesquisa IA no Poder Judiciário 2024 registrou 178 projetos de IA em 2024. Dos 92 tribunais e conselhos que responderam, num universo de 95, 58 já desenvolviam projetos de IA.
processos em tramitação no Judiciário brasileiro ao fim de 2025
Foram 40,9 milhões de casos novos só em 2025, o maior volume da série histórica iniciada em 2009. Cada processo é um volume de documentos que alguém lê no braço
Se o setor com o maior acervo documental do país automatizou leitura, o seu contrato de fornecedor cabe na mesma conta. Desde que passe na triagem.
Antes de escolher ferramenta, escolha o documento. Com os quatro critérios abaixo fechados, o projeto costuma pagar rápido. Com um falhando, vira risco.
Ler no braço custa hora de gente qualificada, o item mais caro da operação. Um contrato de duas páginas não justifica projeto nenhum: a pessoa lê mais rápido do que você configura o fluxo. Um contrato de sessenta páginas, uma apólice com anexos ou um processo de trezentas folhas, aí a máquina ganha.
Contrato, edital, apólice, matrícula, laudo e nota fiscal seguem um padrão: têm as mesmas seções, na mesma ordem, com o mesmo vocabulário. O modelo não precisa adivinhar onde está a cláusula de reajuste, porque ela mora sempre mais ou menos no mesmo lugar. Documento sem padrão (um e-mail longo, uma ata livre) derruba o acerto e some com a previsibilidade.
O critério que quase todo mundo esquece e o mais decisivo dos quatro. Se a saída aponta a cláusula, a página e o trecho que a sustentam, o revisor confere em segundos. Se é opinião sem âncora ("este contrato parece arriscado"), ninguém checa sem reler tudo, e você trocou um trabalho caro por outro igual.
Sem saber quantos documentos passam por mês e quanto tempo cada um consome, não dá para calcular retorno nem provar ganho. E a conta é simples. Imagine um analista com custo total de R$ 12 mil por mês, cerca de R$ 68 por hora útil (12.000 divididos por 176 horas). Se ele analisa 40 contratos a 45 minutos cada, são 30 horas, perto de R$ 2 mil mensais só nessa tarefa. É contra esse número que o projeto será comparado.
O documento é longo o bastante para doer? Segue um padrão reconhecível? A resposta pode ser conferida apontando o trecho de origem? Você sabe quanto tempo e quanto dinheiro essa leitura consome hoje? Quatro sins, siga. Um não, trate como risco.
Falhou o comprimento, você gasta mais montando o fluxo do que economizaria num ano. Falhou o padrão, a taxa de erro fica instável: funciona em dez amostras, quebra na décima primeira, e instabilidade é pior que erro constante, porque impede calibrar a revisão. Falhou a verificabilidade, você cria um passivo: a saída parece boa, ninguém confere sem reler o original e a empresa decide com base em texto que só soa correto. Falhou a medição, o projeto vira questão de gosto e o orçamento do ano seguinte morre na dúvida.
Documento longo, padronizado e conferível é o terreno onde a IA rende. Fora dele, você comprou um gerador de texto plausível.
Os candidatos são quase sempre os mesmos:
Nada disso é motivo para desistir, e sim para desenhar o fluxo sabendo.
Documento escaneado ou fotografado passa por reconhecimento de texto antes de qualquer análise, e é aí que o erro nasce. Segundo o levantamento da LlamaIndex sobre acurácia de OCR (consultado em agosto de 2026), a taxa de erro por caractere fica abaixo de 1% em texto impresso limpo e sobe para 3% a 5% em manuscrito.
O detalhe que mais me pegou na Cardeal foi outro: rodar OCR em documento que já tinha texto nativo. O edital vinha como PDF pesquisável, o pipeline passava tudo pelo mesmo caminho e o reconhecimento introduzia erro onde não havia nenhum. Cheque se o arquivo já tem texto antes de tratá-lo como imagem.
Modelo de linguagem gera o texto mais provável, não o verificado. Ele devolve uma cláusula bem escrita, no vocabulário certo, que simplesmente não está no seu contrato. Na Cardeal, chegou a criar campos e valores que não constavam da matrícula.
Não é problema de amadorismo. Um estudo do RegLab de Stanford de maio de 2024, Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, mediu ferramentas comerciais da LexisNexis e da Thomson Reuters e encontrou alucinação entre 17% e 33% das respostas, apesar de as fornecedoras as venderem como livres de alucinação. Os modelos evoluíram, mas a regra de desenho continua: toda saída vem com o trecho de origem, e alguém abre esse trecho.
taxa máxima de alucinação medida em ferramentas comerciais de pesquisa jurídica com IA
Estudo do RegLab de Stanford, de maio de 2024, encontrou entre 17% e 33% de respostas com informação inventada ou citação sem sustentação nas ferramentas líderes do mercado jurídico
Existe um limite de quanto texto cabe numa consulta, e um problema mais sutil antes dele: a informação no meio de um contexto longo é a que o modelo mais erra. O trabalho Lost in the Middle: How Language Models Use Long Contexts, de Liu e colegas (2023), mostrou que o desempenho é maior quando o trecho relevante está no começo ou no fim da entrada e cai muito quando está no meio, inclusive em modelos vendidos como de contexto longo. Jogar um processo de trezentas páginas numa consulta só é a pior forma de fazer: separe por seção, recupere os trechos relevantes e pergunte sobre eles.
Dez documentos custam quase nada. Dez mil, com várias passadas cada um (extrair, conferir, resumir, retentar quando falha), viram linha visível no orçamento. Foi outra coisa que não fiz direito na Cardeal: não media custo por análise. Meça isso desde o primeiro dia.
Projeto de análise documental raramente morre por erro do modelo; morre por custo que ninguém mediu e por saída que ninguém consegue conferir.
Revisão humana não é reler o documento; se for, o projeto não economiza nada. O desenho tem três peças.
A saída vem com citação de origem obrigatória. Toda informação extraída carrega a página e o trecho literal que a sustenta, e o modelo responde "não encontrado" em vez de preencher por inferência. Isso vai na instrução e é validado no código: campo sem origem é rejeitado antes de chegar à pessoa.
A pessoa confere o trecho, não o texto inteiro. A tela mostra o valor extraído ao lado do recorte do documento. Conferir "vigência: 24 meses" contra o parágrafo destacado leva segundos; reler o contrato leva quarenta minutos. A economia do projeto inteiro está nessa diferença.
Você mede a taxa de erro antes de escalar. Monte um conjunto de avaliação com 50 a 100 documentos reais e gabarito feito à mão por quem faz esse trabalho hoje, e veja o acerto por campo, não no agregado: é comum acertar 98% em data de vigência e 70% em cláusula de reajuste. Campo com acerto baixo continua 100% revisado; campo com acerto alto entra em amostragem de 10% a 20%. Essa lógica de autonomia proporcional ao tamanho do estrago é a mesma de o que sua empresa pode delegar a um agente hoje, e o registro de quem revisou o quê faz parte da governança de agentes de IA.
Quatro números, medidos antes e depois, resolvem a discussão:
Com os quatro critérios fechados e revisão por amostragem, o ganho aparece no primeiro mês, não no terceiro trimestre.
Escolha um tipo de documento só, o mais padronizado que tiver. O erro clássico é montar uma plataforma genérica de leitura documental antes de acertar um caso.
Semana 1. Separe 50 documentos reais, cronometre a leitura manual de dez e monte à mão o gabarito de no máximo oito campos.
Semana 2. Rode a extração contra os 50 e meça acerto por campo, tempo e custo, sem conectar a nada.
Semanas 3 e 4. Produção com revisão total e tela de conferência lado a lado. Depois de duas semanas estáveis, reduza para amostragem.
Se o acerto não chegar a um patamar utilizável, pare: um dos quatro critérios não fechava. E lembre que o ganho maior costuma vir de repensar o processo em volta do documento, não só de acelerar a leitura, tese que desenvolvi em redesenho de processos com IA.
Consegue, com uma camada de reconhecimento de texto antes, e a qualidade da imagem manda no resultado: texto impresso limpo e bem digitalizado tem taxa de erro por caractere abaixo de 1%, segundo o levantamento da LlamaIndex citado acima, enquanto foto torta e baixa resolução degradam bastante. Padronize a captura quando o documento estiver sob seu controle.
No começo, sim, em 100% das saídas. Depois de duas ou três semanas com taxa de erro medida por campo, reduza para amostragem nos campos que acertam sempre e mantenha revisão total nos críticos. O que nunca deve acontecer é reduzir revisão por confiança, e não por número medido.
Funciona pior, e é bom saber disso antes de prometer prazo: a taxa de erro por caractere em manuscrito fica entre 3% e 5%, contra menos de 1% em texto impresso, segundo o mesmo levantamento da LlamaIndex. Trate cada campo como sugestão a confirmar, e saiba que para manuscrito longo o critério 3 dificilmente fecha.
Aí a ferramenta vem antes do uso. Contrato com CPF, laudo médico e processo trabalhista são tratamento de dados pessoais, muitos sensíveis, e pedem fornecedor com garantia contratual de não uso dos dados para treino. Colar isso numa conta gratuita de assistente público é decisão que o jurídico não aprovou.
A pergunta certa não é "a IA consegue ler esse documento?". Quase sempre consegue. A pergunta é se ele é longo o bastante para justificar, padronizado o bastante para ser previsível, verificável o bastante para ser revisado por amostragem, e se você conhece o custo atual da leitura manual. Quatro sins e você tem um projeto; um não e você tem um risco disfarçado de projeto.
Foi a falta dessa régua que me custou tempo na Cardeal. Comece por um tipo de documento, cinquenta amostras e um gabarito feito à mão: o conjunto de avaliação que parece burocracia na semana 1 é o que deixa você dormir tranquilo na semana 12.
Quer descobrir quais documentos da sua operação passam nos quatro critérios antes de investir em ferramenta? Vamos conversar. Eu já construí uma plataforma que lia matrícula de imóvel e edital de leilão com IA, errei nesse caminho o suficiente para saber onde ele trava, e trago essa experiência para a triagem antes da primeira linha de código.
Agentes de IA no trabalho já executam tarefas de ponta a ponta. Veja o que sua PME pode delegar hoje, o que ainda pede humano e quanto custa começar.
Governança de agentes de IA para PME brasileira: por que um agente que age sobre dados de cliente sem regras vira risco jurídico na LGPD, e o checklist para evitar isso.
Redesenho de processos administrativos com IA: como sair da tarefa avulsa e reprojetar o fluxo inteiro do órgão, com mapeamento, ferramentas e medição de ganho.
