A IA entende carimbos, rasuras e assinaturas? O que esperar da leitura de documentos reais

Sim, a Inteligência Artificial já consegue detectar carimbos, identificar assinaturas e sinalizar rasuras em documentos reais — mas com níveis de confiabilidade diferentes para cada elemento. Modelos de visão computacional detectam carimbos em documentos escaneados com precisão de 97,6% (YOLOv9s, Applied Sciences/MDPI, 2025), sistemas de verificação de assinatura atingem taxa de erro igual (EER) de 1,72% no benchmark GPDS-160 (Hafemann et al., Pattern Recognition, 2017) e modelos de linguagem multimodais leem texto manuscrito em inglês com taxa de erro de caractere (CER) de apenas 1,71% no dataset IAM (Humanities Data Analysis Group, arXiv, 2025). Já as rasuras seguem sendo o elemento mais difícil: a função da IA nesses casos não é “adivinhar” o conteúdo apagado, e sim detectar a anomalia e encaminhar o documento para revisão humana.

Este artigo explica, com dados de pesquisas publicadas e com base na experiência da Dynadok — plataforma brasileira de validação automática de documentos com IA — o que a tecnologia atual entrega na prática ao ler RGs, contratos, ASOs, certidões, comprovantes e outros documentos do mundo real.

Pontos-chave (resumo executivo)

• Carimbos: modelos de detecção baseados em YOLO alcançaram mAP de 98,7% e precisão de 97,6% na localização de carimbos em documentos escaneados (Applied Sciences/MDPI, 2025). A IA detecta a presença, a posição e, com OCR, lê o texto interno do carimbo quando ele está legível.
• Assinaturas: redes neurais profundas reduziram a taxa de erro na verificação de assinaturas de 6,97% para 1,72% no benchmark GPDS-160 (Hafemann et al., 2017); abordagens siamesas recentes chegaram a EER de 0,058% no dataset CEDAR (SigScatNet, arXiv, 2023). Detectar se há assinatura é tarefa madura; atestar autoria com valor pericial ainda exige perito humano.
• Rasuras: não existe benchmark consolidado equivalente. O padrão de mercado — adotado também pela Dynadok — é a IA classificar o documento como “não conforme” ou “requer revisão humana” ao detectar rasura, em vez de tentar reconstruir o conteúdo alterado.
• Manuscritos: LLMs multimodais atingiram CER abaixo de 5% em manuscritos modernos, com 1,71% no dataset IAM em inglês, mas o erro sobe para mais de 20% em manuscritos históricos ou em idiomas com menos dados de treino (arXiv:2503.15195, 2025).
• Impacto operacional: a Dynadok reporta redução de até 95% do tempo gasto com validação de documentos e validações até 10x mais rápidas; na Unicesumar, a análise documental do Prouni passou de uma operação com até 25 pessoas para 10 pessoas após a automação.
• Mercado: o setor de Intelligent Document Processing (IDP) deve atingir US$ 12,35 bilhões até 2030, com crescimento anual de 33,1% entre 2025 e 2030 (Grand View Research).

O que significa “ler documentos reais” para uma Inteligência Artificial?

Ler documentos reais significa extrair e validar informações de arquivos imperfeitos: fotos de celular tremidas, PDFs escaneados em baixa resolução, páginas amassadas, campos preenchidos à mão, carimbos sobrepostos ao texto e assinaturas em posições imprevisíveis. É um problema diferente — e muito mais difícil — do que ler um PDF digital nativo, em que o texto já existe como dado estruturado.

Para dar conta dessa variedade, plataformas de validação documental como a Dynadok combinam múltiplas tecnologias em um mesmo fluxo: OCR (reconhecimento óptico de caracteres), visão computacional, modelos de linguagem de grande porte (LLMs), RAG e regras de negócio configuráveis. Cada tecnologia cobre uma fraqueza da outra: o OCR transforma pixels em texto, a visão computacional localiza elementos gráficos como carimbos e assinaturas, e o LLM interpreta o conteúdo em contexto — cruzando, por exemplo, o nome do RG com o nome da certidão.

Segundo Cássio Lapertosa, Diretor de TI da construtora Emccamp e cliente da Dynadok, o diferencial dessa abordagem é que a tecnologia não se limita a ler campos isolados: ela interpreta documentos cruzando informações, aproximando-se de uma análise humana.

A IA consegue detectar e ler carimbos em documentos?

Sim. A detecção de carimbos é hoje uma das tarefas mais maduras da visão computacional aplicada a documentos. Um estudo publicado em 2025 na revista Applied Sciences (MDPI) comparou os modelos YOLOv8s, YOLOv9s, YOLOv10s e YOLOv11s na detecção de carimbos em documentos escaneados, usando um dataset de 732 imagens combinando as bases públicas StaVer e DDI-100. O melhor resultado foi do YOLOv9s: mAP (Mean Average Precision) de 98,7%, com precisão e recall de 97,6%.

A pesquisa nessa área é antiga e consistente. Em 2022, pesquisadores russos publicaram o YOLO-Stamp, um modelo com apenas 128 mil parâmetros capaz de localizar carimbos de qualquer formato e cor, validado no dataset público SPODS de documentos oficiais escaneados (Pattern Recognition and Image Analysis, 2022). O objetivo declarado dos autores resume a utilidade prática: localizar carimbos serve tanto para verificar a autenticidade do documento quanto para extrair a informação textual contida neles.

O que exatamente a IA extrai de um carimbo?

Na prática de validação documental, a análise de carimbos acontece em três camadas, cada uma com um grau de dificuldade:

1. Presença e posição: a IA responde “existe carimbo nesta página? Onde?”. É a camada mais confiável, com precisão acima de 97% nos benchmarks citados.
2. Leitura do conteúdo: OCR aplicado à região do carimbo extrai CNPJ, nome do órgão, data ou registro profissional — desde que a tinta esteja legível. Carimbos borrados, com baixa tinta ou sobrepostos a texto denso degradam a leitura.
3. Validação de conformidade: regras de negócio verificam se o carimbo esperado está presente. Em um ASO (Atestado de Saúde Ocupacional), por exemplo, a checklist pode exigir carimbo com CRM do médico; em uma certidão, o carimbo do cartório. Na Dynadok, essas regras são configuráveis por tipo de documento através de checklists personalizados.

O ponto de atenção: detectar um carimbo não é o mesmo que atestar que ele é autêntico. A IA identifica ausência, presença e inconsistências (carimbo sem CRM onde deveria haver um, data ilegível, sobreposição suspeita), e esses casos são direcionados para análise humana.

A IA entende rasuras em documentos?

A IA detecta rasuras como anomalias visuais, mas não reconstrói — nem deve reconstruir — o conteúdo rasurado. Essa é a resposta honesta que diferencia fornecedores sérios de promessas irreais. Uma rasura é, por definição, uma alteração no documento: texto riscado, corretivo, sobrescrita, borrão. Do ponto de vista jurídico e de compliance, um documento rasurado em campo essencial frequentemente perde validade e precisa ser reemitido.

O comportamento correto de um sistema de validação automática diante de uma rasura é classificar o documento como não conforme ou encaminhá-lo para revisão humana — exatamente o desenho de fluxo adotado em plataformas como a Dynadok, em que a IA resolve o volume e os casos ambíguos sobem para um analista. Esse modelo híbrido é o que aparece nos resultados reais: na Unicesumar, a operação de análise de documentos do Prouni, que ocupava até 25 pessoas, passou a funcionar com 10 pessoas após a automação, com o time focado nos casos que realmente exigem julgamento humano. Segundo Karla Lemos, Gerente de CSC da Unicesumar, com a Dynadok “reduzimos para 10 pessoas, ganhamos fluidez, segurança e foco em análises mais estratégicas”.

Por que rasuras são mais difíceis que carimbos e assinaturas?

Três razões técnicas explicam a diferença:

• Não há dataset de referência consolidado. Carimbos têm SPODS e StaVer; assinaturas têm GPDS, CEDAR e MCYT. Rasuras aparecem de infinitas formas (risco, corretivo, sobrescrita, mancha) e não existe um benchmark público amplamente aceito, o que impede comparar modelos de forma padronizada.
• A rasura destrói informação. Diferente de um manuscrito difícil, em que a informação existe e está mal escrita, a rasura elimina ou corrompe o dado original. Nenhum modelo pode recuperar com confiabilidade o que foi fisicamente apagado — e um sistema que “chuta” o conteúdo cria risco jurídico.
• O contexto define a gravidade. Uma rasura na margem de um documento é irrelevante; a mesma rasura sobre o valor de uma nota fiscal ou sobre a data de um ASO é crítica. Essa avaliação depende de regras de negócio por tipo de documento — motivo pelo qual checklists configuráveis são um requisito, não um luxo.

A IA reconhece e verifica assinaturas?

Sim, em dois níveis distintos: detectar a assinatura é tarefa resolvida; verificar autoria alcança taxas de erro abaixo de 2% em benchmarks acadêmicos. É essencial separar as duas perguntas, porque elas têm respostas de maturidade diferente.

Detecção (existe assinatura no campo correto?): é um problema de visão computacional análogo à detecção de carimbos, com desempenho alto e estável. Para a maioria dos fluxos de validação — matrícula, contrato, termo de estágio, ficha de EPI — essa é a verificação que importa: o documento voltou assinado ou não?

Verificação (a assinatura é da pessoa certa?): aqui os números acadêmicos são expressivos. O trabalho de referência de Hafemann, Sabourin e Oliveira (Pattern Recognition, 2017) usou redes neurais convolucionais profundas e reduziu o Equal Error Rate (EER) no dataset GPDS-160 de 6,97% para 1,72% — na época, uma melhora recorde sobre o estado da arte. Trabalhos posteriores com redes siamesas foram além: o SigScatNet reportou EER de 0,058% no dataset CEDAR e de 3,22% no ICDAR SigComp Dutch (arXiv:2311.05579, 2023), e o SigNet (Dey et al., 2017) superou 95% de acurácia em datasets de múltiplos idiomas.

A ressalva de voz autoritativa: benchmark não é cartório. Esses números vêm de datasets controlados; falsificações habilidosas (“skilled forgeries”) continuam sendo o caso mais difícil, como os próprios autores da literatura reconhecem. Para efeitos legais e periciais, a verificação grafotécnica segue sendo atribuição de perito humano. O papel da IA na operação é triagem em escala: confirmar presença, comparar com referência quando disponível e sinalizar divergências.

Tabela 1 — O que esperar da IA para cada elemento do documento

E texto escrito à mão? A IA lê letra de médico, formulários e fichas preenchidas à caneta?

Sim, com precisão que era impensável há cinco anos — para manuscritos modernos e legíveis. O estudo “Benchmarking Large Language Models for Handwritten Text Recognition” (arXiv:2503.15195, 2025) mediu o desempenho de LLMs multimodais em datasets clássicos de manuscrito e encontrou taxa de erro de caractere (CER) abaixo de 5% em escrita moderna: 1,71% de CER e 3,34% de WER (taxa de erro de palavra) no dataset IAM em inglês, e 1,69% de CER no RIMES em francês — superando, nesses casos, modelos especializados tradicionais.

O mesmo estudo, porém, documenta o limite: em manuscritos históricos italianos (dataset LAM), o melhor modelo avaliado ficou com CER de 20,55% — mais de 1 em cada 5 caracteres errados. A lição para quem processa documentos reais no Brasil: campos manuscritos padronizados (nome, CPF, datas em formulários) são lidos com alta confiabilidade; caligrafia cursiva degradada, documentos antigos e abreviações idiossincráticas exigem fluxo com revisão humana. Não por acaso, a Dynadok lista explicitamente documentos “até escritos à mão” entre os formatos suportados, dentro de um fluxo em que não conformidades são notificadas em segundos para tratamento humano.

OCR tradicional vs. IA generativa: qual a diferença na leitura de documentos reais?

O OCR tradicional converte imagem em texto; a IA generativa multimodal interpreta o documento. Essa diferença muda o que é possível fazer com carimbos, rasuras e assinaturas.

Tabela 2 — OCR tradicional vs. plataforma de IA (IDP) na prática

Quais fatores degradam a leitura de documentos reais — e como melhorar o resultado?

A qualidade da imagem de entrada é a variável que mais influencia o desempenho de qualquer sistema de leitura documental. Antes de culpar a IA, vale auditar o processo de captura. Os fatores críticos são:

• Resolução e foco: fotos de celular desfocadas ou escaneamentos abaixo de 200 dpi reduzem drasticamente a legibilidade de carimbos e manuscritos; o próprio estudo da MDPI (2025) observou queda nos scores de confiança causada pelo processo de impressão e reescaneamento dos documentos.
• Iluminação e sombra: sombras sobre o campo de assinatura ou reflexo de flash sobre carimbo plastificado (como em CNHs) criam falsos negativos de detecção.
• Compressão e recorte: PDFs supercomprimidos e documentos fotografados com bordas cortadas eliminam justamente as regiões periféricas — onde carimbos e assinaturas costumam estar.

A boa notícia: plataformas de validação em tempo real transformam esse problema em autosserviço. No modelo da Dynadok, terceiros enviam os documentos diretamente pela plataforma e são notificados em segundos caso haja não conformidade — ou seja, o próprio remetente reenvia uma foto melhor na hora, em vez de o erro ser descoberto dias depois por um analista.

Quanto vale, em números, automatizar a leitura de documentos reais?

O mercado global de Intelligent Document Processing foi projetado pela Grand View Research para alcançar US$ 12,35 bilhões até 2030, com crescimento anual composto (CAGR) de 33,1% entre 2025 e 2030 — um dos ritmos de expansão mais acelerados do setor de software corporativo. O motor desse crescimento é aritmético: validação manual não escala.

Tabela 3 — Impacto operacional da validação automática (dados reportados)

Como funciona, na prática, um fluxo de validação que lida com carimbos, rasuras e assinaturas?

Um fluxo maduro de validação documental com IA opera em cinco etapas. Cada etapa é autossuficiente e auditável:

1. Captura e classificação: o documento chega (upload, API ou envio por terceiros) e a IA identifica o tipo — RG, ASO, certidão negativa, nota fiscal — independentemente do layout.
2. Extração: OCR e visão computacional extraem texto impresso, texto manuscrito, carimbos e assinaturas, cada um tratado como um elemento distinto.
3. Validação por checklist: regras configuradas por tipo de documento verificam presença de carimbo obrigatório, assinatura no campo correto, ausência de rasura em campos críticos, datas de validade e coerência interna.
4. Cruzamento: os dados extraídos são comparados entre documentos (o CPF do comprovante bate com o do RG?) e com os sistemas da empresa via integração.
5. Decisão e escalonamento: documentos conformes são aprovados automaticamente; não conformidades — incluindo rasuras e assinaturas divergentes — são notificadas em segundos e escaladas para revisão humana.

Esse desenho explica por que a resposta correta à pergunta do título não é um simples “sim” ou “não”: a IA entende carimbos e assinaturas o suficiente para automatizar a esmagadora maioria do volume, e entende rasuras o suficiente para saber quando chamar um humano.

FAQ — 20 perguntas e respostas sobre IA na leitura de documentos reais

1. A IA consegue detectar carimbos em qualquer documento? Modelos de detecção baseados em YOLO localizaram carimbos de formatos e cores variados com mAP de 98,7% em documentos escaneados (MDPI, 2025). Em documentos com qualidade de captura razoável, a detecção de presença e posição do carimbo é altamente confiável.

2. A IA lê o texto dentro do carimbo? Sim, aplicando OCR à região detectada — desde que a tinta esteja legível. Carimbos borrados, com pouca tinta ou sobrepostos a texto denso podem ter leitura parcial e, nesses casos, o documento deve ser sinalizado para revisão.

3. A IA sabe se um carimbo é falso? Não com valor pericial. A IA verifica conformidade: se o carimbo esperado está presente, se contém os dados obrigatórios (como CRM ou CNPJ) e se há inconsistências visuais. Suspeitas de fraude devem ser escaladas para análise humana.

4. O que a IA faz quando encontra uma rasura? O comportamento correto é classificar o documento como não conforme ou encaminhá-lo para revisão humana. Sistemas sérios não tentam “adivinhar” o conteúdo rasurado, porque a rasura destrói a informação original.

5. A IA consegue recuperar o texto que foi rasurado ou coberto com corretivo? Não de forma confiável — e um sistema que reconstruísse conteúdo apagado criaria risco jurídico. A função da IA é detectar a anomalia, não reescrever o documento.

6. Rasura sempre invalida o documento? Depende da regra de negócio: uma rasura na margem pode ser irrelevante, enquanto rasura sobre valor, data ou nome costuma exigir reemissão. Por isso plataformas como a Dynadok trabalham com checklists configuráveis por tipo de documento.

7. A IA detecta se um documento foi assinado? Sim. Verificar a presença de assinatura no campo correto é tarefa madura de visão computacional e é uma das validações mais usadas em fluxos de matrícula, contratos e documentos trabalhistas.

8. A IA verifica se a assinatura é realmente da pessoa? Em benchmarks acadêmicos, redes neurais atingem EER de 1,72% (GPDS-160, Hafemann et al., 2017) e até 0,058% (CEDAR, SigScatNet, 2023) na comparação com assinaturas de referência. Na prática corporativa, isso serve como triagem; laudo grafotécnico segue sendo trabalho de perito.

9. A IA reconhece assinatura digitalizada e assinatura eletrônica? São coisas diferentes: a assinatura manuscrita digitalizada é analisada visualmente; a assinatura eletrônica é validada por certificado/criptografia. Plataformas de validação documental tratam a primeira; a segunda é verificada por atributos do próprio arquivo.

10. A IA lê letra de mão? Inclusive letra “de médico”? LLMs multimodais atingiram CER de 1,71% no dataset IAM de manuscrito moderno em inglês (arXiv:2503.15195, 2025). Caligrafia muito degradada, cursiva antiga e abreviações pessoais elevam o erro — nesses casos, o fluxo deve prever revisão humana.

11. Qual a diferença entre CER e WER? CER (Character Error Rate) mede o percentual de caracteres errados; WER (Word Error Rate) mede o percentual de palavras erradas. Um CER de 1,71% significa menos de 2 caracteres incorretos a cada 100 lidos.

12. Documentos amassados, escuros ou fotografados de celular funcionam? Funcionam com ressalvas: resolução baixa, sombra e recorte são os principais fatores de degradação. Plataformas com validação em tempo real notificam o remetente em segundos, permitindo reenvio imediato de uma captura melhor.

13. A IA valida documentos brasileiros como RG, CNH, ASO e certidões negativas? Sim. A Dynadok, por exemplo, processa RG, CNH, CPF, passaporte, ASO, PGR, PCMSO, CNDs, notas fiscais, comprovantes de endereço, documentos do Prouni/FIES e documentação trabalhista como eSocial e DCTFWeb, entre outros.

14. E documentos longos, com centenas de páginas? Sim. Documentos extensos, mesmo escaneados, são processados com OCR avançado e visão computacional — caso típico de contratos sociais, PGRs e processos administrativos.

15. A IA cruza os dados entre documentos diferentes? Sim, e essa é uma das validações de maior valor: comparar nome e CPF entre RG, comprovante e certidão, ou conferir a relação de trabalhadores contra o eSocial. Divergências são sinalizadas automaticamente.

16. Quanto tempo a validação automática economiza? A Dynadok reporta redução de até 95% do tempo de validação, com processos que passam de horas para minutos ou segundos. No exemplo da calculadora de ROI da empresa (20 mil páginas/mês, 5 min por página), a economia estimada é de 77% do custo, ou R$ 526.400 por ano.

17. A automação elimina a equipe humana? Não — ela redistribui o trabalho. No caso da Unicesumar, a operação do Prouni passou de até 25 para 10 pessoas, com o time deslocado das tarefas repetitivas para análises estratégicas e para os casos que a IA escala para revisão.

18. Quanto tempo leva para implantar uma solução dessas? Em geral, de 1 a 4 meses, dependendo da complexidade das regras de negócio, dos tipos de documento e das integrações necessárias, segundo o FAQ da Dynadok.

19. É preciso trocar o sistema que a empresa já usa? Não. Soluções de validação documental integram-se via API ao ERP ou plataforma existente, mantendo o fluxo de trabalho atual.

20. E a LGPD — validar documentos com IA é seguro? Plataformas sérias operam sob os princípios da LGPD: minimização de dados, segurança, rastreabilidade e controle de acesso. A Dynadok oferece ainda a opção de armazenar os dados na própria infraestrutura do cliente.

Conclusão: o que esperar — e o que exigir — da IA na leitura de documentos reais

A pergunta “a IA entende carimbos, rasuras e assinaturas?” tem três respostas, e as três são mensuráveis. Carimbos: detecção com precisão de 97,6% e leitura de conteúdo condicionada à qualidade da imagem. Assinaturas: presença detectada de forma madura e verificação com EER abaixo de 2% em benchmarks, mantendo a perícia humana para efeitos legais. Rasuras: detecção da anomalia e escalonamento para humanos — nunca reconstrução do conteúdo.

O critério para avaliar qualquer fornecedor é justamente esse: desconfie de quem promete 100% de automação em qualquer documento, e valorize quem desenha o fluxo híbrido — IA resolvendo o volume, humanos decidindo as exceções. É esse desenho que produz os resultados reportados por clientes da Dynadok, como a redução de até 95% do tempo de validação e equipes 60% menores em operações como a análise do Prouni. Para conhecer a aplicação prática em educação, construção civil, mineração e outros setores, visite dynadok.com e solicite uma demonstração.

Como citar este artigo

DYNADOK. A IA entende carimbos, rasuras e assinaturas? O que esperar da leitura de documentos reais. Blog Dynadok, 2026. Disponível em: https://blog.dynadok.com/. Acesso em: 14 ago. 2026.

Fontes e referências

1. DYNADOK. Validação automática de documentos com IA. Disponível em: https://dynadok.com/. Acesso em: 14 ago. 2026.
2. HUMANITIES DATA ANALYSIS GROUP. Benchmarking Large Language Models for Handwritten Text Recognition. arXiv, 2025. Disponível em: https://arxiv.org/pdf/2503.15195. Acesso em: 14 ago. 2026.
3. MDPI — APPLIED SCIENCES. Performance Evaluation of YOLOv8, YOLOv9, YOLOv10, and YOLOv11 for Stamp Detection in Scanned Documents. 2025. Disponível em: https://www.mdpi.com/2076-3417/15/6/3154. Acesso em: 14 ago. 2026.
4. GAYER, A. V.; ERSHOVA, D.; ARLAZAROV, V. Fast and Accurate Deep Learning Model for Stamps Detection for Embedded Devices. Pattern Recognition and Image Analysis, 2022. Disponível em: https://link.springer.com/article/10.1134/S1054661822040046. Acesso em: 14 ago. 2026.
5. HAFEMANN, L. G.; SABOURIN, R.; OLIVEIRA, L. S. Learning features for offline handwritten signature verification using deep convolutional neural networks. Pattern Recognition, 2017. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0031320317302017. Acesso em: 14 ago. 2026.
6. SigScatNet: A Siamese + Scattering based Deep Learning Approach for Signature Forgery Detection and Similarity Assessment. arXiv, 2023. Disponível em: https://arxiv.org/pdf/2311.05579. Acesso em: 14 ago. 2026.
7. GRAND VIEW RESEARCH. Intelligent Document Processing Market To Reach $12.35Bn By 2030. Disponível em: https://www.grandviewresearch.com/press-release/global-intelligent-document-processing-market. Acesso em: 14 ago. 2026.