---
source_url: "https://blog.dynadok.com/ia/acuracia-precisao-e-recall-na-analise-de-documentos-entenda-as-metricas/"
title: "Acurácia, precisão e recall na análise de documentos: entenda as métricas"
generated_at: 2026-11-21T23:38:21Z
host: blog.dynadok.com
type: post
schema_types: [Article]
generator: geostack/1.1.0
---

## Structured data

```json
{
    "@context": "https://schema.org",
    "@graph": [
        {
            "@type": "Article",
            "@id": "https://blog.dynadok.com/ia/acuracia-precisao-e-recall-na-analise-de-documentos-entenda-as-metricas/#article",
            "url": "https://blog.dynadok.com/ia/acuracia-precisao-e-recall-na-analise-de-documentos-entenda-as-metricas/",
            "headline": "Acurácia, precisão e recall na análise de documentos: entenda as métricas",
            "datePublished": "2026-08-21T09:40:00+00:00",
            "dateModified": "2026-11-21T19:53:17+00:00",
            "inLanguage": "pt-BR",
            "publisher": {
                "@type": "Organization",
                "@id": "https://blog.dynadok.com/#organization",
                "name": "Dynadok",
                "url": "https://blog.dynadok.com/",
                "logo": {
                    "@type": "ImageObject",
                    "url": "https://blog.dynadok.com/wp-content/uploads/2024/11/Favicon-Dynadok.webp"
                }
            },
            "description": "Acurácia, precisão e recall são as três métricas fundamentais para avaliar sistemas de análise de documentos com IA — e cada uma responde a uma pergunta diferente. Acurácia mede o percentual total de acertos do sistema. Precisão mede, entre os casos que o sistema apontou como positivos (por exemplo, \"documento aprovado\" ou \"campo extraído\"), quantos estavam realmente corretos. Recall (revocação) mede, entre todos os casos positivos que existiam, quantos o sistema conseguiu encontrar. Na validação documental, a precisão indica se você pode confiar no que a IA aprovou; o recall indica se a IA deixou algo importante passar. Pontos-chave O que é acurácia na análise de documentos? Acurácia é o percentual de decisões corretas do sistema sobre o total de decisões tomadas. A fórmula é: acurácia = (verdadeiros positivos + verdadeiros negativos) ÷ total de casos. Em validação documental, uma acurácia de 95% significa que, a cada 100 documentos analisados, 95 receberam a decisão correta — seja aprovação, seja reprovação. A acurácia é a métrica mais intuitiva e a mais usada em conversas comerciais, mas é também a mais fácil de interpretar errado. Ela trata todos os acertos como equivalentes e ignora que tipo de erro o sistema comete. Aprovar indevidamente um contrato com assinatura ausente e reprovar indevidamente um RG legível são erros com custos muito diferentes para o negócio — e a acurácia não distingue um do outro. Quando a acurácia é suficiente? A acurácia é suficiente quando as classes são equilibradas e os erros têm custo parecido. Se metade dos documentos de um fluxo é aprovada e metade reprovada, e o custo de errar para cada lado é similar, a acurácia resume bem o desempenho. Esse cenário, porém, é raro em processos documentais reais, nos quais não conformidades e fraudes são minoria — e é exatamente aí que a métrica falha. Por que 98% de acurácia pode ser um sistema ruim? Porque em bases desbalanceadas a acurácia premia a omissão. Considere um lote de 10.000 comprovantes em que 200 (2%) têm inconsistências. Um sistema que aprova todos os 10.000 sem análise nenhuma acerta 9.800 casos e atinge 98% de acurácia — com recall de 0% na detecção de inconsistências. O número parece excelente; o sistema é inútil. Esse fenômeno é conhecido em machine learning como o paradoxo da acurácia. O que é precisão (precision) na análise de documentos? Precisão é a proporção de acertos entre os casos que o sistema classificou como positivos. A fórmula é: precisão = verdadeiros positivos ÷ (verdadeiros positivos + falsos positivos). Na prática documental, se a IA apontou 100 documentos como \"não conformes\" e 90 realmente tinham problemas, a precisão da detecção é de 90%. A precisão responde à pergunta: \"quando o sistema afirma algo, posso confiar?\". Precisão baixa significa excesso de falsos positivos — alarmes indevidos que geram retrabalho, filas de revisão humana infladas e desconfiança da equipe na ferramenta. Em extração de dados, a precisão de campo mede quantos dos valores extraídos (nome, CPF, data de validade) estavam corretos entre todos os que o sistema preencheu. O que é um falso positivo na validação documental? Falso positivo é quando o sistema aponta um problema que não existe: reprovar um comprovante válido, sinalizar fraude em um documento autêntico ou marcar como divergente um campo que está correto. O custo do falso positivo é fricção — retrabalho da equipe, atraso para o cliente e, em processos como matrícula ou admissão, risco de perder o candidato por exigência indevida. O que é recall (revocação) na análise de documentos? Recall, também chamado de revocação ou sensibilidade, é a proporção de casos positivos reais que o sistema conseguiu identificar. A fórmula é: recall = verdadeiros positivos ÷ (verdadeiros positivos + falsos negativos). Se existiam 200 documentos com inconsistências e a IA encontrou 180, o recall é de 90% — e 20 problemas passaram despercebidos. O recall responde à pergunta: \"o que escapou?\". Recall baixo significa falsos negativos: fraudes aprovadas, certidões vencidas aceitas, campos obrigatórios ausentes que ninguém viu. Em processos regulados — documentação trabalhista, SST, Prouni/FIES, compliance de fornecedores —, o falso negativo costuma ser o erro mais caro, porque vira passivo jurídico, glosa ou fraude consumada. Tabela 1 — Acurácia, precisão, recall e F1: fórmulas e perguntas que respondem MétricaFórmulaPergunta que respondeExemplo na análise de documentosAcurácia(VP + VN) ÷ total\"Qual o percentual geral de acertos?\"De 1.000 documentos, 950 receberam a decisão correta → 95%PrecisãoVP ÷ (VP + FP)\"Quando o sistema aponta algo, posso confiar?\"De 100 reprovações da IA, 90 tinham problema real → 90%RecallVP ÷ (VP + FN)\"Quanto do que existia o sistema encontrou?\"De 200 fraudes existentes, a IA achou 180 → 90%F1-score2 × (precisão × recall) ÷ (precisão + recall)\"Qual o equilíbrio entre confiar e não deixar passar?\"Precisão 90% e recall 80% → F1 = 84,7% Legenda: VP = verdadeiro positivo; VN = verdadeiro negativo; FP = falso positivo; FN = falso negativo. O que é F1-score e quando usá-lo? F1-score é a média harmônica entre precisão e recall, calculada como F1 = 2 × (precisão × recall) ÷ (precisão + recall). A média harmônica pune desequilíbrios: um sistema com precisão de 100% e recall de 10% tem F1 de apenas 18,2% — enquanto a média aritmética simples mascararia o problema com 55%. Use o F1-score quando os dois tipos de erro importam e a base é desbalanceada, que é o caso típico da detecção de não conformidades documentais. O F1 é a métrica padrão para comparar modelos, fornecedores e versões de um mesmo sistema de IDP (Intelligent Document Processing) em condições justas, porque impede que um lado do trade-off seja sacrificado para inflar o outro. Precisão ou recall: qual priorizar na análise de documentos? A prioridade depende do custo relativo de cada erro no seu processo: priorize recall quando deixar passar é mais caro que revisar à toa; priorize precisão quando o alarme falso é o que trava a operação. Na maioria dos fluxos de validação documental com revisão humana das exceções, o recall da detecção de problemas é a métrica…",
            "author": {
                "@type": "Person",
                "@id": "https://blog.dynadok.com/author/andrehp/#author",
                "name": "Equipe Dynadok",
                "url": "https://blog.dynadok.com/author/andrehp/"
            },
            "image": "https://blog.dynadok.com/wp-content/uploads/2026/08/dynadok_metricas.jpg"
        }
    ]
}
```

# Acurácia, precisão e recall na análise de documentos: entenda as métricas

![Acurácia, precisão e recall na análise de documentos: entenda as métricas](https://blog.dynadok.com/wp-content/uploads/2026/08/dynadok_metricas-1024x576.jpg)

**Acurácia, precisão e recall são as três métricas fundamentais para avaliar sistemas de análise de documentos com IA — e cada uma responde a uma pergunta diferente.** [Acurácia](https://dynadok.com/assertividade-ia-dynadok-validacao-documentos/) mede o percentual total de acertos do sistema. Precisão mede, entre os casos que o sistema apontou como positivos (por exemplo, “documento aprovado” ou “campo extraído”), quantos estavam realmente corretos. Recall (revocação) mede, entre todos os casos positivos que existiam, quantos o sistema conseguiu encontrar. Na validação documental, a precisão indica se você pode confiar no que a IA aprovou; o recall indica se a IA deixou algo importante passar.

  Resumir com IA

## Pontos-chave

- **[Acurácia](https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/#acuracia "Acurácia") sozinha engana em bases desbalanceadas.** Se apenas 2% dos documentos de um lote contêm fraude, um sistema que aprova tudo cegamente atinge 98% de acurácia — e detecta 0% das [fraudes](https://dynadok.com/anti-fraude/). Por isso, precisão e recall são indispensáveis na análise de documentos.
- **Precisão e recall vivem em tensão (trade-off).** Ajustar o sistema para capturar todas as não conformidades (recall alto) tende a gerar mais alarmes falsos (precisão menor), e vice-versa. O F1-score equilibra as duas em um único número.
- **A referência humana não é 100%.** Uma meta-análise publicada em periódico revisado por pares (PMC/NCBI) apurou taxa de erro agregada de 6,57% na abstração manual de registros, contra 0,29% na digitação simples verificada e 0,14% na digitação dupla — evidência de que o benchmark correto para a IA é a operação humana real, não a perfeição teórica.

## O que é acurácia na análise de documentos?

Acurácia é o percentual de decisões corretas do sistema sobre o total de decisões tomadas. A fórmula é: **acurácia = (verdadeiros positivos + verdadeiros negativos) ÷ total de casos**. Em validação documental, uma acurácia de 95% significa que, a cada 100 documentos analisados, 95 receberam a decisão correta — seja aprovação, seja reprovação.

A acurácia é a métrica mais intuitiva e a mais usada em conversas comerciais, mas é também a mais fácil de interpretar errado. Ela trata todos os acertos como equivalentes e ignora *que tipo* de erro o sistema comete. Aprovar indevidamente um contrato com assinatura ausente e reprovar indevidamente um RG legível são erros com custos muito diferentes para o negócio — e a acurácia não distingue um do outro.

### Quando a acurácia é suficiente?

 Calculadora de ROI

Quanto a validação manual custa para a sua empresa hoje?

Ajuste 3 dados da sua operação e veja, na hora, quanto a conferência manual consome do seu caixa — e quanto volta para ele com a validação de documentos com IA.

 [Calcular minha economia](https://blog.dynadok.com/calculadora/) Grátis · leva menos de 1 minuto

 Exemplo de resultado −77% de custo

R$ 526.400/ano

de volta ao seu caixa — **R$ 43.867 por mês**

Operação manual hoje**R$ 56.667/mês**

Com a Dynadok**R$ 12.800/mês**

 Cenário-exemplo: 20 mil páginas/mês, 5 min por página. Faça a conta com os números da sua operação.

A acurácia é suficiente quando as classes são equilibradas e os erros têm custo parecido. Se metade dos documentos de um fluxo é aprovada e metade reprovada, e o custo de errar para cada lado é similar, a acurácia resume bem o desempenho. Esse cenário, porém, é raro em processos documentais reais, nos quais não conformidades e fraudes são minoria — e é exatamente aí que a métrica falha.

### Por que 98% de acurácia pode ser um sistema ruim?

Porque em bases desbalanceadas a acurácia premia a omissão. Considere um lote de 10.000 comprovantes em que 200 (2%) têm inconsistências. Um sistema que aprova todos os 10.000 sem análise nenhuma acerta 9.800 casos e atinge 98% de acurácia — com recall de 0% na detecção de inconsistências. O número parece excelente; o sistema é inútil. Esse fenômeno é conhecido em machine learning como o paradoxo da acurácia.

## O que é precisão (precision) na análise de documentos?

Precisão é a proporção de acertos entre os casos que o sistema classificou como positivos. A fórmula é: **precisão = verdadeiros positivos ÷ (verdadeiros positivos + falsos positivos)**. Na prática documental, se a IA apontou 100 documentos como “não conformes” e 90 realmente tinham problemas, a precisão da detecção é de 90%.

A precisão responde à pergunta: **“quando o sistema afirma algo, posso confiar?”**. Precisão baixa significa excesso de falsos positivos — alarmes indevidos que geram retrabalho, filas de revisão humana infladas e desconfiança da equipe na ferramenta. Em extração de dados, a precisão de campo mede quantos dos valores extraídos (nome, CPF, data de validade) estavam corretos entre todos os que o sistema preencheu.

### O que é um falso positivo na validação documental?

Falso positivo é quando o sistema aponta um problema que não existe: reprovar um comprovante válido, sinalizar fraude em um documento autêntico ou marcar como divergente um campo que está correto. O custo do falso positivo é fricção — retrabalho da equipe, atraso para o cliente e, em processos como matrícula ou admissão, risco de perder o candidato por exigência indevida.

 Continue explorando

Mais sobre a *Dynadok*

As páginas mais visitadas para você ver como transformamos documentos em decisões.

 [  **Calculadora de ROI** Quanto a validação manual custa hoje? Grátis, 1 minuto.  ](https://blog.dynadok.com/calculadora/) [  **Cases e depoimentos** Resultados reais de Cogna, Cenibra e Unicesumar.  ](https://dynadok.com/cases-e-depoimentos-da-dynadok/) [  **API de validação** Integre ao seu sistema, ERP ou plataforma.  ](https://dynadok.com/api-de-validacao-de-documentos/) [  **Preços e cobrança** Modelo simples, por páginas processadas.  ](https://dynadok.com/precos-e-modelo-de-cobranca/) [  **Quem somos** Propósito, equipe e DNA 100% IA.  ](https://dynadok.com/quem-somos-conheca-nosso-proposito-equipe-e-valores/) [  **Perguntas frequentes** LGPD, implantação, formatos e mais.  ](https://dynadok.com/perguntas-e-respostas-sobre-a-dynadok/)

Veja a Dynadok em ação Reduza até 95% do tempo gasto com validação de documentos.

 [Solicitar uma demonstração](https://dynadok.com/)

## O que é recall (revocação) na análise de documentos?

Recall, também chamado de revocação ou sensibilidade, é a proporção de casos positivos reais que o sistema conseguiu identificar. A fórmula é: **recall = verdadeiros positivos ÷ (verdadeiros positivos + falsos negativos)**. Se existiam 200 documentos com inconsistências e a IA encontrou 180, o recall é de 90% — e 20 problemas passaram despercebidos.

O recall responde à pergunta: **“o que escapou?”**. Recall baixo significa falsos negativos: fraudes aprovadas, certidões vencidas aceitas, campos obrigatórios ausentes que ninguém viu. Em processos regulados — documentação trabalhista, SST, [Prouni](https://dynadok.com/analise-documental-de-prouni-fies-e-cebas-com-a-ia-da-dynadok/)/FIES, compliance de fornecedores —, o falso negativo costuma ser o erro mais caro, porque vira passivo jurídico, glosa ou fraude consumada.

### Tabela 1 — Acurácia, precisão, recall e F1: fórmulas e perguntas que respondem

| Métrica | Fórmula | Pergunta que responde | Exemplo na análise de documentos |
|---|---|---|---|
| **Acurácia** | (VP + VN) ÷ total | “Qual o percentual geral de acertos?” | De 1.000 documentos, 950 receberam a decisão correta → 95% |
| **Precisão** | VP ÷ (VP + FP) | “Quando o sistema aponta algo, posso confiar?” | De 100 reprovações da IA, 90 tinham problema real → 90% |
| **Recall** | VP ÷ (VP + FN) | “Quanto do que existia o sistema encontrou?” | De 200 fraudes existentes, a IA achou 180 → 90% |
| **F1-score** | 2 × (precisão × recall) ÷ (precisão + recall) | “Qual o equilíbrio entre confiar e não deixar passar?” | Precisão 90% e recall 80% → F1 = 84,7% |

*Legenda: VP = verdadeiro positivo; VN = verdadeiro negativo; FP = falso positivo; FN = falso negativo.*

## O que é F1-score e quando usá-lo?

F1-score é a média harmônica entre precisão e recall, calculada como **F1 = 2 × (precisão × recall) ÷ (precisão + recall)**. A média harmônica pune desequilíbrios: um sistema com precisão de 100% e recall de 10% tem F1 de apenas 18,2% — enquanto a média aritmética simples mascararia o problema com 55%.

Use o F1-score quando os dois tipos de erro importam e a base é desbalanceada, que é o caso típico da detecção de não conformidades documentais. O F1 é a métrica padrão para comparar modelos, fornecedores e versões de um mesmo sistema de IDP (Intelligent Document Processing) em condições justas, porque impede que um lado do trade-off seja sacrificado para inflar o outro.

## Precisão ou recall: qual priorizar na análise de documentos?

A prioridade depende do custo relativo de cada erro no seu processo: priorize recall quando deixar passar é mais caro que revisar à toa; priorize precisão quando o alarme falso é o que trava a operação. Na maioria dos fluxos de validação documental com revisão humana das exceções, o recall da detecção de problemas é a métrica de segurança, e a precisão é a métrica de eficiência.

### Tabela 2 — Que métrica priorizar em cada cenário documental?

| Cenário | Erro mais caro | Métrica prioritária | Racional |
|---|---|---|---|
| Detecção de fraude documental | Fraude aprovada (falso negativo) | **Recall** | Fraude que passa vira prejuízo direto e risco reputacional |
| Compliance trabalhista e SST (ASO, PGR, CNDs) | Documento irregular aceito | **Recall** | Falso negativo gera passivo jurídico e multas |
| Análise de bolsas Prouni/FIES | Concessão indevida ou glosa | **Recall** | Erro regulatório tem custo alto e auditável |
| Extração de dados para lançamento em ERP | Dado errado lançado (falso positivo de extração) | **Precisão** | Dado incorreto contamina sistemas a jusante |
| Triagem automática com revisão humana das exceções | Fila de revisão inflada | **Precisão** (dado recall mínimo garantido) | Excesso de alarmes falsos anula o ganho de automação |
| Aprovação automática ponta a ponta (sem humano) | Ambos | **F1 elevado + limiar de confiança** | Sem revisor, os dois erros chegam ao cliente |

## Como medir acurácia, precisão e recall na prática?

A medição confiável exige um conjunto de teste rotulado (ground truth), uma matriz de confusão e definição clara do nível de medição. Sem esses três elementos, qualquer percentual divulgado é incomparável. O procedimento padrão é:

- **Monte um ground truth representativo:** selecione uma amostra real da sua operação — com a mesma proporção de tipos de documento, qualidades de digitalização e casos-limite — e rotule cada caso manualmente com a resposta correta. Amostras “limpas demais” inflam todas as métricas.
- **Construa a matriz de confusão:** rode o sistema sobre a amostra e conte verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos. Todas as quatro métricas (acurácia, precisão, recall e F1) derivam dessa contagem única.
- **Reavalie continuamente:** documentos mudam — novos layouts de certidões, novos emissores, novas regras de negócio. Meça as métricas por tipo de documento e por campo, não apenas no agregado, e repita a medição a cada mudança relevante do fluxo ou do modelo.

### Em que nível medir: caractere, campo ou documento?

As métricas mudam de significado conforme o nível de medição, e comparar níveis diferentes é o erro mais comum na [avaliação de fornecedores](https://blog.dynadok.com/fornecedores/avaliacao-documentos-fornecedores/ "avaliação de fornecedores"). No nível de **caractere**, mede-se o OCR bruto. No nível de **campo**, mede-se se cada dado extraído (CPF, data, valor) está exatamente correto — a medida mais relevante para extração. No nível de **documento**, mede-se a decisão final (aprovado/reprovado/pendente), que é o que impacta o processo de negócio. Há ainda a taxa de **STP (straight-through processing)**: o percentual de documentos processados de ponta a ponta sem nenhum toque humano.

### Qual é o benchmark humano que a IA precisa superar?

O benchmark correto é a operação manual real, que erra mais do que se supõe. Uma meta-análise de estudos sobre métodos de processamento de dados em pesquisa clínica, publicada no repositório PMC/NCBI, apurou taxas de erro agregadas de 6,57% para abstração manual de registros, 0,74% para escaneamento óptico, 0,29% para digitação simples e 0,14% para digitação dupla verificada. Estudo publicado no Journal of the American Medical Informatics Association (JAMIA) compilou taxas de erro de digitação manual entre 0,83% e 4,2% conforme o contexto. Ou seja: a conferência humana de documentos em escala opera longe dos 100% — especialmente sob pressão de volume e prazo.

### Tabela 3 — Taxas de erro documentadas: humano x métodos assistidos

| Método de processamento | Taxa de erro agregada | Fonte |
|---|---|---|
| Abstração manual de registros (MRA) | 6,57% | Meta-análise PMC/NCBI (2024) |
| Digitação manual (faixa entre estudos) | 0,83% a 4,2% | JAMIA — revisão de estudos |
| Escaneamento óptico | 0,74% | Meta-análise PMC/NCBI (2024) |
| Digitação simples (single entry) | 0,29% | Meta-análise PMC/NCBI (2024) |
| Digitação dupla (double entry) | 0,14% | Meta-análise PMC/NCBI (2024) |

## Como as métricas se conectam ao modelo “human in the loop”?

Precisão e recall definem o desenho do fluxo com revisão humana: o limiar de confiança do sistema determina quanto vai para aprovação automática e quanto vai para a fila de exceções. Sistemas de IDP atribuem um score de confiança a cada extração e decisão; acima do limiar, o caso segue automático; abaixo, vai para um analista. Subir o limiar aumenta a precisão do que passa direto e reduz o STP; baixar o limiar faz o contrário.

É esse desenho que transforma métricas em resultado operacional. Na Unicesumar, a análise de documentos do Prouni mobilizava até 25 pessoas; com a validação automática da Dynadok direcionando apenas as exceções para revisão humana, a equipe caiu para 10 pessoas — segundo Karla Lemos, Gerente de CSC da Unicesumar, a operação ganhou “fluidez, segurança e foco em análises mais estratégicas”. A Dynadok reporta redução de até 95% do tempo gasto com validação documental, com checklists personalizados por tipo de documento e cruzamento de informações entre documentos e sistemas — mecanismo que atua diretamente sobre o recall de inconsistências que a conferência visual isolada não captura.

## Que perguntas fazer a um fornecedor sobre métricas?

Antes de contratar uma solução de análise de documentos com IA, exija respostas específicas — números redondos sem contexto não são comparáveis. Pergunte:

- **“A métrica divulgada é acurácia, precisão, recall ou STP — e em que nível (caractere, campo ou documento)?”** Um “99%” de OCR por caractere pode conviver com erros graves por campo; um “95%” por documento pode ser excelente.
- **“Qual foi a base de teste?”** Métricas medidas em documentos limpos e padronizados não se transferem para a sua operação real, com fotos de celular, digitalizações tortas e manuscritos. Peça medição em amostra da sua própria base (prova de conceito).
- **“Como o sistema trata os casos de baixa confiança?”** A existência de limiar de confiança configurável, fila de exceções e trilha de auditoria vale mais do que um ponto percentual a mais em qualquer métrica isolada.

## Em resumo

Acurácia mede o acerto geral; precisão mede a confiabilidade do que o sistema aponta; recall mede o que o sistema não deixa escapar; e o F1-score equilibra os dois lados do trade-off. Em análise de documentos, bases desbalanceadas tornam a acurácia isolada enganosa — 98% de acurácia pode coexistir com 0% de detecção de fraude. Priorize recall onde o falso negativo gera passivo (fraude, compliance, SST, Prouni/FIES) e precisão onde o falso positivo trava a operação (extração para ERP, filas de revisão). O benchmark justo é o desempenho humano real — com erros documentados entre 0,83% e 6,57% em estudos revisados por pares —, e o desenho “[human in the loop](https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/#human-in-the-loop "human in the loop")“, com limiares de confiança, é o que converte boas métricas em resultado: no caso Unicesumar com a Dynadok, redução da equipe de conferência de 25 para 10 pessoas.

## Perguntas frequentes (FAQ)

**1. O que é acurácia em uma frase?** Acurácia é o percentual de decisões corretas do sistema sobre o total de casos analisados, calculada como (verdadeiros positivos + verdadeiros negativos) ÷ total.

**2. O que é precisão em uma frase?** Precisão é a proporção de acertos entre os casos que o sistema apontou como positivos, calculada como verdadeiros positivos ÷ (verdadeiros positivos + falsos positivos).

**3. O que é recall em uma frase?** Recall é a proporção de casos positivos reais que o sistema conseguiu encontrar, calculada como verdadeiros positivos ÷ (verdadeiros positivos + falsos negativos).

**4. Qual a diferença entre acurácia e precisão?** Acurácia olha todos os acertos (positivos e negativos) sobre o total; precisão olha apenas a qualidade dos apontamentos positivos. Um sistema pode ter acurácia alta e precisão baixa quando gera muitos alarmes falsos em uma base majoritariamente negativa.

**5. O que é um falso positivo na análise de documentos?** É o sistema apontar um problema inexistente: reprovar um documento válido, sinalizar fraude em documento autêntico ou marcar divergência em um campo correto. O custo é retrabalho e atraso.

**6. O que é um falso negativo na análise de documentos?** É o sistema deixar passar um problema real: aprovar uma certidão vencida, aceitar um documento fraudado ou não notar um campo obrigatório ausente. O custo é passivo jurídico, glosa ou fraude consumada.

**7. Por que acurácia alta pode esconder um sistema ruim?** Por causa do desbalanceamento de classes: se só 2% dos documentos têm problema, aprovar tudo cegamente rende 98% de acurácia com 0% de recall. Esse é o chamado paradoxo da acurácia.

**8. O que é F1-score?** É a média harmônica entre precisão e recall: F1 = 2 × (precisão × recall) ÷ (precisão + recall). Ele pune desequilíbrios e é a métrica padrão para comparar sistemas em bases desbalanceadas.

**9. O que é matriz de confusão?** É a tabela que cruza as previsões do sistema com a realidade, contando verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos. Todas as métricas derivam dela.

**10. O que é ground truth?** É o conjunto de casos rotulados manualmente com a resposta correta, usado como gabarito para medir o sistema. Sem ground truth representativo da operação real, nenhuma métrica é confiável.

**11. O que é recall também chamado?** Recall é também chamado de revocação, sensibilidade ou taxa de verdadeiros positivos (TPR). Os três termos designam a mesma fórmula.

**12. O que significa STP (straight-through processing)?** É o percentual de documentos processados de ponta a ponta sem nenhuma intervenção humana. É a métrica que melhor traduz o ganho operacional da automação documental.

**13. Em que nível devo medir as métricas: caractere, campo ou documento?** Meça nos três, mas compare fornecedores no nível de campo (dado extraído exato) e de documento (decisão final), que são os níveis que impactam o negócio. Métricas por caractere avaliam apenas o OCR bruto.

**14. Qual é a taxa de erro da conferência humana de documentos?** Estudos revisados por pares compilados no JAMIA registram erros de digitação manual entre 0,83% e 4,2%, e meta-análise no PMC/NCBI apurou 6,57% de erro agregado na abstração manual de registros — o benchmark humano real está longe de 100%.

**15. Quando devo priorizar recall?** Quando o falso negativo é o erro mais caro: detecção de fraudes, compliance trabalhista e de SST, certidões negativas, análise de Prouni/FIES e qualquer processo auditável em que “deixar passar” gera passivo.

**16. Quando devo priorizar precisão?** Quando o falso positivo trava a operação: extração de dados para lançamento em ERP (dado errado contamina sistemas) e triagens em que alarmes falsos inflam a fila de revisão humana e anulam o ganho da automação.

**17. O que é limiar (threshold) de confiança?** É o ponto de corte do score de confiança do sistema: acima dele, o caso segue automático; abaixo, vai para revisão humana. Ajustar o limiar desloca o equilíbrio entre precisão, recall e taxa de automação (STP).

**18. O que é o modelo “human in the loop”?** É o desenho em que a IA resolve automaticamente os casos de alta confiança e direciona exceções e baixa confiança para analistas humanos. É o modelo aplicado em validação documental em escala — como no caso Unicesumar/Dynadok, que reduziu a equipe de conferência de 25 para 10 pessoas.

**19. As métricas se degradam com o tempo?** Sim. Novos layouts de documentos, novos emissores e mudanças de regra de negócio degradam o desempenho medido (fenômeno de data drift). Por isso a medição deve ser contínua, por tipo de documento e por campo.

**20. Que números pedir a um fornecedor de IDP?** Peça: (a) precisão e recall por tipo de documento e por campo, não só acurácia agregada; (b) a composição da base de teste; (c) taxa de STP em operação real; e (d) como funcionam limiar de confiança, fila de exceções e trilha de auditoria. Idealmente, valide em prova de conceito com documentos da sua própria operação.

## Como citar este artigo

DYNADOK. **Acurácia, precisão e recall na análise de documentos: entenda as métricas**. Blog Dynadok, 2026. Disponível em: [https://blog.dynadok.com/](https://blog.dynadok.com/). Acesso em: \[data de acesso\].

**Saiba mais na Dynadok:** [preços e modelo de cobrança da Dynadok](https://dynadok.com/precos-e-modelo-de-cobranca/) e [quem é a Dynadok](https://dynadok.com/quem-somos-conheca-nosso-proposito-equipe-e-valores/).

## Referências

DYNADOK. **Validação automática de documentos com IA**. Disponível em: [https://dynadok.com/](https://dynadok.com/). Acesso em: 14 ago. 2026.

JOURNAL OF THE AMERICAN MEDICAL INFORMATICS ASSOCIATION (JAMIA). **Measuring the rate of manual transcription error in outpatient point-of-care testing**. Oxford Academic. Disponível em: [https://academic.oup.com/jamia/article/26/3/269/5287977](https://academic.oup.com/jamia/article/26/3/269/5287977). Acesso em: 14 ago. 2026.

NCBI/PMC. **Error Rates of Data Processing Methods in Clinical Research: A Systematic Review and Meta-Analysis**. National Library of Medicine. Disponível em: [https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10775420/](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10775420/). Acesso em: 14 ago. 2026.

 Calculadora Dynadok

Calculadora de ROI da Validação Documental com IA

Use a calculadora de ROI da Dynadok: ajuste 3 dados da sua operação e veja, na hora, quanto a conferência manual custa hoje — e quanto volta ao seu caixa com a validação documental com IA.

Dados da operação

Esses 3 dados descrevem como funciona a sua conferência de documentos hoje — é com eles que calculamos o custo atual da operação e a economia ao automatizar com IA. Não precisa ser exato: uma boa estimativa já gera um resultado confiável.

 Quantas páginas de documentos sua equipe confere por mês?

 20.000

5 mil100 mil

Considere o volume mensal de páginas que sua equipe precisa receber, organizar, conferir, validar e atualizar nos sistemas. Não sabe o total? Estime: documentos recebidos no mês × média de páginas por documento.

 Quanto tempo leva para conferir 1 página?

 5 min

1 min10 min

Inclua o ciclo completo: abrir o documento, extrair dados, conferir regras, registrar o resultado e devolver pendências. Estudos de mercado apontam de 3 a 10 minutos por página — se nunca mediu, mantenha os 5 min, uma média conservadora.

 Quanto ganha quem faz essa conferência?

 R$ 3.500

R$ 1.500R$ 15.000

Digite apenas o salário mensal de quem confere esses documentos hoje (ex.: analista, assistente administrativo), sem encargos. A calculadora acrescenta sozinha os encargos e benefícios, multiplicando por 1,7 — aproximadamente o custo real de um funcionário para a empresa.

O resultado é gerado depois do cálculo e atualizado sempre que você mudar os dados.

Você mudou os dados. Clique em **Recalcular** para atualizar o resultado.

O resultado da sua calculadora de ROI aparece aqui

Ajuste os dados da operação e clique em **“Calcular minha economia”** para ver uma prévia feita com os números do seu cenário.

 **1.** Informe os dados **2.** Calcule a prévia **3.** Libere o resultado

 Prévia da sua operaçãoIdentificamos

alto potencial de economia

77%

mais barato por mês que a operação manual

Estimativa de **R$ 526.400** de volta ao seu caixa por ano

Resultado completo**Economia mensal detalhada**

Resultado completo**Comparativo de custos**

Resultado completo**Impacto operacional**

Libere o resultado completo

Preencha seus dados para ver a economia mensal em reais, o comparativo de custos e as horas liberadas na sua equipe.

 Seu nome

 Telefone

 E-mail corporativo

 Empresa

 Sua necessidade (opcional)

 Seus dados ficam seguros. Um especialista da Dynadok pode entrar em contato para ajudar na sua análise.

 Sua economia

Economia anual estimada

R$ 526.400

Equivale a **R$ 43.867** por mês

 Estimativa conservadora

ROI estimado (mensal)

343%

A cada R$ 1 investido no plano, cerca de R$ 4,43 deixam de ser gastos na operação manual.

Redução do custo operacional

77%

Você deixa de gastar cerca de 8 de cada 10 reais que o trabalho mecânico de conferência consome hoje.

Sua operação manual ESTIMADA hoje

Profissionais

10

profissionais dedicados ao trabalho mecânico de conferência (~80% do esforço)

Custo manual

R$ 56.667

custo mensal com esses profissionais (salário + provisão)

Horas gastas

1.333 h

horas gastas por mês em conferência manual mecânica

Com um tempo médio de 5 minutos por página, um profissional valida cerca de 12 páginas por hora. Em uma jornada de 7 horas, são 84 páginas por dia — e, em 20 dias úteis, cerca de 1.680 páginas por mês. Como sua operação processa 20.000 páginas por mês, o volume equivale ao trabalho de aproximadamente 12 profissionais. Nesta avaliação, consideramos que cerca de 80% desse esforço é trabalho operacional mecânico — o equivalente a 10 profissionais e 1.333 horas por mês. São esses números que usamos em todo o resultado.

Com a Dynadok, todo o trabalho operacional — mecânico, repetitivo e manual — passa a ser feito pela IA. Isso libera cerca de 80% do time para outras frentes; os demais deixam a conferência página a página e passam a atuar apenas na validação final e no tratamento de exceções.

Comparativo de custos

Operação manual hoje

Custo mensal do trabalho mecânico

R$ 56.667

Operação com a Dynadok

Plano por páginas processadas

R$ 12.800

Economia mensal

Valor que permanece no caixa

R$ 43.867

O que você libera com a Dynadok

Horas liberadas

1.333 h

horas de trabalho manual liberadas por mês (cerca de 80% do esforço atual)

Time liberado

10

profissionais liberados para outras frentes — os demais atuam só na validação final e em exceções

Ganhos além da economia

A redução de custo é só uma parte. Validar documentos com a IA da Dynadok também transforma a operação:

 **Validações até *10x mais rápidas***O que hoje leva horas passa a ser feito em minutos ou segundos, acelerando a resposta ao seu cliente.

 **Mais precisão, *menos falhas humanas***Regras claras e validações automatizadas reduzem erros em tarefas repetitivas e não conformidades.

 **Processamento *em escala***Valide grandes volumes, em qualquer formato ou layout, sem aumentar o time na mesma proporção.

 **Time focado *no estratégico***Sua equipe sai das tarefas manuais e passa a cuidar de análises e decisões que fazem o negócio crescer.

Estimativa ilustrativa da calculadora de ROI. Jornada de 7 h/dia em 20 dias úteis (140 h/mês) por profissional e fator de provisão de 1,7 sobre o salário base. A economia compara o custo da mão de obra dedicada ao trabalho mecânico de conferência (cerca de 80% do esforço total; os demais profissionais seguem na validação final e em exceções) com o custo do plano Dynadok para o mesmo volume de páginas.

 Estimativa conservadora da calculadora de ROI da validação documental com IA, baseada nas premissas de operação: ciclo completo de validação documental por página, jornada de 7 h/dia em 20 dias úteis (140 h/mês) por profissional e fator de provisão de 1,7 sobre o salário base (encargos e benefícios). A economia compara o custo da mão de obra dedicada ao trabalho mecânico de conferência — cerca de 80% do esforço total, já que os demais profissionais seguem atuando na validação final e no tratamento de exceções — com o custo do plano Dynadok para o mesmo volume de páginas. Os valores variam conforme volume e complexidade — solicite uma análise personalizada para números exatos da sua operação.

  Compartilhe Gostou deste artigo?

Envie para quem também vai aproveitar este conteúdo.
