IA para documentos: texto, OCR e medição

Texto de verdade ou foto

Um PDF pode guardar texto escrito como texto, como num documento do Word. Copiar esse texto sai exato. Ou pode guardar só uma foto da página, como uma fotocópia. Aí o texto precisa ser lido a partir da imagem.

Essa leitura se chama OCR, reconhecimento óptico de caracteres. Funciona como uma pessoa lendo um recibo amassado: acerta quase tudo, mas pode trocar uma letra por outra. O OCR é uma estimativa. O texto que já existe é a cópia exata.

Por isso a primeira decisão é por página. Tente selecionar uma frase com o mouse. Se seleciona, há texto, e a página segue direto. Só a página de imagem passa pelo OCR.

A linha de montagem

1. Detectar: há texto ou só imagem?
2. Ler: copiar o texto, ou aplicar OCR na imagem.
3. Organizar: reconhecer título, parágrafo e tabela.
4. Extrair campos: pegar CNPJ, data e valor e colocar num formulário digital (JSON).
5. Validar: conferir cada valor com regras simples.
6. Medir e encaminhar: contar os erros e mandar o duvidoso para uma pessoa.

Como o OCR lê melhor

O Tesseract é o motor de OCR gratuito mais usado. Ele depende de uma imagem boa. A documentação dele recomenda pelo menos 300 DPI, e diz que tem dificuldade com tabelas, que pedem uma ferramenta de layout, como o Docling. Para português, informe o idioma por; sem isso, ele usa inglês e os acentos saem trocados.

O S se parece com o 5, o O com o 0 e o l com o 1. Pedir a um chat que "corrija" os números depois não resolve: o chat só completa o texto e pode inventar um número bonito que o OCR nunca leu.

Validar antes de confiar

Cada valor passa por regras escritas por você, não pelo modelo. O CNPJ tem dígitos de conferência, e um número inventado quase nunca passa. A soma dos itens precisa bater com o total, e a data precisa ser plausível.

A regra mais forte: o valor total tem de aparecer no texto que o OCR leu da mesma página. Um modelo pode ler R$ 1.540,00 onde a página diz R$ 1.450,00 e ainda entregar um JSON perfeito. Só a comparação com outra leitura revela o erro.

Medir: a régua do pipeline

A medida padrão para OCR é a taxa de erro por caractere, o CER: quantas letras foram trocadas, apagadas ou inventadas em relação ao texto correto. Transcreva à mão de 5 a 10 páginas, incluindo as difíceis, e compare cada configuração. A escolha deixa de ser opinião e vira número.

Nos campos, confira em 10 a 30 documentos quantos saíram exatos e quantos foram inventados. Em campo financeiro, invenção tem tolerância zero.