OCR ou LLM para ler os teus documentos: qual precisas (e porque ganha o híbrido)

Chega o mesmo email quase todas as semanas: «recebemos milhares de documentos por mês e estamos a digitá-los à mão; fazemos com OCR ou com IA?». Parece uma pergunta técnica e é, na verdade, uma pergunta de compras: alguém tem dois orçamentos em cima da mesa, um barato e previsível e outro flexível e caro, e quer que lhe digam qual. A resposta honesta incomoda um pouco: não é a tecnologia que decide. É a forma dos teus documentos.

A tese numa frase: isto não é IA sim ou IA não. É modelo estável contra formato caótico, e no fim quem decide é o custo por documento. Se os teus documentos têm sempre a mesma forma, o OCR clássico é mais barato, determinista e auditável. Se cada um chega como lhe apetece, um LLM multimodal lê o que for sem modelo — e cobra-te isso em cada página. Por isso em produção quase nunca ganha um dos dois sozinho: ganha o híbrido.

OCR ou LLM para extrair dados de documentos: o que faz exatamente cada um

O OCR clássico transforma a imagem em texto e, por cima, uma camada de regras decide que texto é que campo: o número da fatura vive na caixa em cima à direita, o total é o que vem a seguir à palavra TOTAL. A inteligência não está na leitura: está no modelo de zonas. Dás-lhe uma zona ou um padrão e, perante a mesma entrada, devolve-te sempre exatamente o mesmo.

Um LLM multimodal não lê zonas: olha para a página inteira —texto, tabelas, carimbos, uma anotação à mão, a fotografia torta tirada com o telemóvel— e devolve-te os campos que pedes porque percebe o que é uma fatura, uma guia de remessa ou um contrato. Não há modelo para manter. Também não há garantia de que duas execuções sobre o mesmo documento devolvam carácter a carácter a mesma coisa.

A diferença que importa não é qual dos dois é mais esperto. É o que acontece na terça-feira em que um fornecedor redesenha a fatura sem avisar ninguém.

O OCR clássico falha quando lhe mudas a forma. O LLM falha quando o documento é ambíguo e preenche o buraco com algo credível. Dois modos de falha diferentes, duas redes de segurança diferentes. O que nenhum dos dois faz por sua conta é avisar-te de que falhou: essa parte constrói-la tu, ou não existe.

Quando escolher OCR clássico com modelo de zonas

Escolhe OCR clássico quando o documento tem sempre a mesma forma e essa forma não depende de ninguém lá fora. É o caso de tudo o que o teu próprio sistema gera e de uma lista curta de emissores estáveis: a mesma guia da mesma transportadora, o mesmo formulário que os teus clientes preenchem, o mesmo extrato do mesmo banco mês após mês.

• Volume alto e lista de formatos curta. Poucos emissores, muitos documentos: o modelo de zonas paga-se todos os dias que passam.
• Precisas sempre do mesmo resultado. Um processo que é auditado, ou que dispara um pagamento, não pode depender de hoje sair como ontem.
• Tens de explicar de onde saiu cada campo. Com regras apontas para a zona e o padrão; com um modelo apontas para um parágrafo em prosa, que à frente de um auditor não é a mesma coisa.
• O custo por documento tem de ser plano. Se para o ano multiplicares o volume, um custo que cresce à página nota-se muito antes do que julgas.

O preço desta opção paga-se em manutenção e nunca aparece na fatura do software: cada emissor novo é um modelo novo e cada redesenho decidido por outros é um modelo partido. Se a tua lista de emissores cresce sozinha, não estás a comprar tecnologia barata: estás a criar um posto de trabalho fixo para alguém.

Quando escolher um LLM multimodal

Escolhe LLM quando o problema é a forma. Documentos de centenas de emissores diferentes, contratos em que o dado que interessa vive numa cláusula que cada escritório redige à sua maneira, emails com anexos que chegam em PDF, em fotografia e às vezes reencaminhados três vezes. Aí um modelo de zonas não é caro: é impossível.

• Cada documento vem de um sítio diferente. O custo de manter um modelo por emissor ultrapassa o de ler com um modelo de linguagem, e ainda por cima nunca acaba.
• O campo não é uma zona, é uma ideia. «Há penalização por atraso?» não está numa casinha: é preciso perceber o texto para responder.
• O volume é baixo ou irregular. Com poucos documentos por mês, montar e manter modelos de zonas é um projeto que nunca se paga.
• Ainda estás a explorar. Antes de industrializar seja o que for, um modelo diz-te numa semana que campos são mesmo extraíveis e quais resistem. É o reconhecimento de terreno mais barato que existe.

Aqui o preço é o inverso: pagas por documento, todos os meses, para sempre, e pagas também a validação. Um modelo que devolve um IBAN quase correto é pior do que um que não devolve nada, porque o «quase» passa incólume por todos os controlos que só olham se o campo está preenchido.

Porque é que em produção ganha o híbrido

Assim que um sistema destes leva uns meses a funcionar, quase todos aterram na mesma arquitetura: uns porque a desenharam assim, os outros porque lá chegaram aos encontrões. Não é um compromisso morno entre duas opções. É a única forma de ter ao mesmo tempo o custo do OCR e a cobertura do modelo.

1. Classificar primeiro. Antes de extrair seja o que for, o sistema decide que tipo de documento é e de quem vem. Esse passo é barato e condiciona tudo o resto: é exatamente o trabalho de classificar os documentos que entram.
2. O grosso conhecido vai pela via barata. Se o documento encaixa num modelo que já tens, extraem-no as regras. É a maior parte do volume, e processar dois mil custa mais ou menos o mesmo que processar mil.
3. O estranho vai para o modelo. Emissor novo, formato que não encaixa, digitalização má: é aí que o LLM ganha o lugar, porque não precisa de ter visto o documento antes. Pagas o preço alto só pela cauda, não pelo catálogo inteiro.
4. Verificação cruzada de sentido. O modelo serve também para reler o que as regras extraíram: a soma das linhas bate certo com o total? O vencimento é posterior à emissão? Este fornecedor existe na tua base? São erros que um modelo de zonas nunca deteta, porque leu perfeitamente um dado errado.
5. Uma regra de confiança que decide quem olha. Cada campo sai com uma pontuação; abaixo do limiar, o documento vai para uma fila de revisão em vez de entrar no ERP. Esse limiar é uma alavanca de negócio, não um detalhe técnico: subi-lo custa horas de pessoa, baixá-lo custa erros que aparecem tarde.
6. Tudo o que uma pessoa corrige volta ao sistema. Uma correção que se repete no mesmo emissor é o sinal de que esse emissor já merece o seu próprio modelo. É assim que o híbrido fica mais barato sozinho: a cauda cara vai-se transformando em volume barato.

Este é o padrão de fundo de qualquer processo automatizado de ponta a ponta com IA: o caminho feliz pela via mais barata, a exceção pela via mais capaz e uma porta explícita para o humano. Na extração documental vê-se com uma clareza quase brutal, porque o custo por documento põe tudo preto no branco.

Quanto custa mesmo ler um documento

A linha do orçamento é a parte pequena. O custo real de um sistema de extração reparte-se por cinco sítios e só um deles aparece na proposta do fornecedor:

• Processamento. O que custa passar o documento pelo motor. Plano com OCR, proporcional a páginas e extensão com LLM.
• Manutenção do formato. Modelos novos e modelos partidos. Praticamente zero com o modelo de linguagem; cresce com a tua lista de emissores com regras.
• Revisão humana. O que pagas por cada documento que alguém tem de olhar. Costuma ser a rubrica maior e quase nunca está na comparação que te mostram.
• Reprocessamento. Documentos que têm de voltar a passar porque chegaram cortados, foram carregados duas vezes, ou porque o lote caiu a meio.
• O erro que passa. Um valor mal lido que chega à contabilidade não se paga em euros de software: paga-se num pagamento duplicado, numa nota de crédito, num fecho que escorrega. É o mais caro e o único que não tem linha própria em orçamento nenhum.

Antes de assinares seja o que for, põe essas cinco rubricas na mesma folha para os dois cenários, com o teu volume real e a tua mistura real de emissores. É o mesmo exercício de calcular o ROI de uma automatização com IA: se a poupança só aparece quando ignoras a revisão humana, a poupança não existe.

Como se mede a qualidade: exatidão por campo, não «precisão» global

É aqui que se afunda metade dos projetos. Um fornecedor mostra-te um número de precisão global e esse número não significa nada, porque faz a média de campos que não valem o mesmo. Ler mal o nome comercial do fornecedor é um incómodo; ler mal o valor é dinheiro mal movido. Um número único mistura os dois e tranquiliza-te exatamente no sítio onde devias estar nervoso.

A medição que serve faz-se assim:

1. Um número por campo, não um para tudo. Exatidão no valor, na data, no NIF, no número do documento. Cada um com a sua fasquia, definida pelo que custa errar naquele campo.
2. Correspondência exata, não parecença. Num IBAN ou num NIF, «quase» está errado. Compara-se carácter a carácter contra um conjunto de documentos etiquetados à mão por alguém da tua equipa, não contra a demo do fornecedor.
3. Separa «não sei» de «invento». Um campo vazio é um caso de revisão; um campo preenchido e falso é um incidente. Um sistema que se cala quando duvida vale mais do que um que responde sempre.
4. Mede também por emissor. A média esconde o fornecedor cujo formato está partido há três semanas sem que ninguém dê por isso.
5. Volta a medir sempre que algo muda. Modelo novo, versão nova do fornecedor, modelo de zonas mexido: repete-se o mesmo conjunto de teste. Sem isso não sabes se melhoraste ou se arranjaste aqui e partiste ali.

Com esses números na mão a conversa muda de registo: deixas de comparar demos e passas a comparar resultados sobre os teus documentos, os únicos que vais mesmo processar.

O que fazer com a revisão humana

A revisão humana não é o falhanço da automatização: é a peça que a torna instalável. O erro está em como se monta. Pôr uma pessoa a rever cem por cento do que sai é ter trocado digitar por ler, e ler ecrãs cheios de dados corretos é uma tarefa em que o ser humano é péssimo: ao fim de vinte minutos aprova-se tudo sem olhar e o controlo passa a existir só no organograma.

O que funciona é o contrário: que seja o sistema a decidir a quem mostra o quê. À pessoa só chega o que o limiar de confiança marca como duvidoso, o que ultrapassa certo valor e o que vem de um emissor nunca visto. E chega com o campo assinalado sobre a imagem, não como um formulário em branco para preencher com o PDF ao lado. É exatamente o argumento de humano no ciclo numa automatização com IA: o valor não está em supervisionar, está em decidir o que se supervisiona.

Quando não vale a pena automatizar

Há casos em que a resposta certa é não, e dizê-lo em voz alta poupa projetos inteiros:

• Volume baixo e estável. Se o trabalho cabe num bocado por semana, o projeto —integração, testes, manutenção— custa mais do que o problema. Não automatizes: escreve o procedimento e segue.
• Documentos que já chegam estruturados. Se o emissor te pode mandar o mesmo dado por API, em XML ou como fatura eletrónica, ler um PDF é automutilação. Pede o dado em condições antes de construir um leitor.
• Ninguém sabe qual é o resultado correto. Se a tua própria equipa discute o que é «a data» de um documento, nenhuma tecnologia fecha essa discussão. Primeiro decide-se, depois automatiza-se.
• O documento dispara algo irreversível. Extrair para propor, sim. Extrair para executar sem revisão um pagamento, uma rescisão ou uma decisão, ainda não.
• Os documentos vêm maus de origem. Fotografias cortadas, digitalizações ilegíveis, páginas ao contrário. Arranjar a captura costuma render mais do que qualquer modelo, e custa bastante menos.

Esse filtro é o mesmo que se aplica ao decidir que processos automatizar com IA: repetitivo, com entrada digital, com critério de acerto definido e com alguém que responde pelo resultado. Se falta o quarto, não tens um projeto: tens uma experiência com orçamento.

A decisão, em três perguntas

1. Quantos emissores diferentes geram a maior parte dos meus documentos? Se são poucos e estáveis, começa pelos modelos de zonas. Se são muitos e mutáveis, começa pelo modelo de linguagem.
2. Quanto me custa um campo mal lido que ninguém deteta? Se a resposta é «um pagamento duplicado», o teu limiar de confiança vai alto e a revisão humana não é opcional.
3. Consigo etiquetar à mão cem documentos reais esta semana? Se não consegues, não consegues medir; e sem medir, escolher entre OCR e LLM é exprimir uma preferência, não tomar uma decisão.

A pergunta com que chegaste —«OCR ou LLM?»— é a pergunta de um catálogo, não a da tua operação. A tua é outra: que parte dos meus documentos tem forma estável, que parte não tem, e quanto me custa cada uma. Respondida essa, o desenho cai sozinho: regras para o conhecido, modelo para o estranho, um número de confiança que decide quando entra uma pessoa e um contador que te diz se a cauda cara está a encolher. O resto é escolher o logótipo.