--- source_url: "https://blog.dynadok.com/ia/classificacao-automatica-de-documentos-o-que-e-e-para-que-serve/" title: "Classificação automática de documentos: o que é e para que serve" generated_at: 2026-09-19T15:07:52Z host: blog.dynadok.com type: post schema_types: [Article] generator: geostack/1.0.0 --- ## Structured data ```json { "@context": "https://schema.org", "@graph": [ { "@type": "Article", "@id": "https://blog.dynadok.com/ia/classificacao-automatica-de-documentos-o-que-e-e-para-que-serve/#article", "url": "https://blog.dynadok.com/ia/classificacao-automatica-de-documentos-o-que-e-e-para-que-serve/", "headline": "Classificação automática de documentos: o que é e para que serve", "datePublished": "2026-09-19T12:00:00+00:00", "dateModified": "2026-09-13T21:49:17+00:00", "inLanguage": "pt-BR", "publisher": { "@type": "Organization", "name": "Blog Dynadok - Análise documental automatizada por I.A", "url": "https://blog.dynadok.com/" }, "description": "Classificação automática de documentos é a identificação, por software, do tipo de cada arquivo recebido (RG, nota fiscal, ASO, contrato, certidão) sem triagem humana, a partir do conteúdo e do layout, e não do nome do arquivo. Ela serve para encaminhar cada documento ao checklist de validação certo, preencher os metadados que o Decreto 10.278/2020 exige e eliminar a fila de conferência manual. Resumir com IA ChatGPT Claude Perplexity Gemini Prompt copiado! É só colar no Gemini. Pontos-chave O que é classificação automática de documentos? Classificação automática de documentos é o processo em que um sistema de inteligência artificial lê um arquivo (imagem, PDF, foto de celular ou digitalização) e atribui a ele um tipo documental de uma lista predefinida, chamada taxonomia. A decisão sai do conteúdo e da estrutura visual, e por isso funciona mesmo quando o arquivo se chama “digitalizacao_003.pdf”. O termo vem da arquivologia. A Lei 8.159/1991 define gestão de documentos, no art. 3º, como o conjunto de procedimentos e operações técnicas referentes à produção, tramitação, uso, avaliação e arquivamento, e a classificação é a operação que dá a cada documento o seu lugar nessa estrutura. O que a IA muda é o executor: a classificação deixa de depender de uma pessoa abrir cada arquivo e acontece em segundos, no recebimento. 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 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 hojeR$ 56.667/mês Com a DynadokR$ 12.800/mês Cenário-exemplo: 20 mil páginas/mês, 5 min por página. Faça a conta com os números da sua operação. A referência acadêmica para essa tarefa é o RVL-CDIP, criado por Adam W. Harley, Alex Ufkes e Konstantinos G. Derpanis (ICDAR 2015). O RVL-CDIP reúne 400.000 imagens de documentos em 16 classes, com 25.000 por classe, entre elas carta, formulário, e-mail, manuscrito, fatura, currículo e memorando. É nesse conjunto que os modelos são comparados, e por isso os números de acurácia da área quase sempre se referem a ele. Na prática corporativa brasileira, as classes são outras: RG, CNH, comprovante de endereço, contrato social, CNDs, ASO, PGR, notas fiscais, histórico escolar. A taxonomia precisa ser desenhada para a operação, como explica o guia sobre taxonomia documental e organização de arquivos do blog da Dynadok. Qual é a diferença entre classificar, extrair e validar um documento? Classificar responde “que documento é este?”; extrair responde “quais dados ele contém?”; validar responde “este documento está correto, vigente e coerente com os demais?”. As etapas são sequenciais: a extração depende do tipo (um ASO tem campos que uma CND não tem) e a validação depende dos dados extraídos. Um erro de classificação contamina tudo o que vem depois: o sistema procura campos que não existem e aprova ou reprova pelo motivo errado. Intelligent Document Processing (IDP) é o nome de mercado da tecnologia que faz as três etapas juntas. Segundo a Grand View Research (2026), soluções de IDP usam machine learning, processamento de linguagem natural, OCR e visão computacional para capturar dados, classificar e extrair as informações relevantes. Por que a classificação automática de documentos importa para a operação? A classificação manual é o gargalo invisível das operações que recebem documentos em volume, porque cada arquivo precisa ser aberto, reconhecido e encaminhado antes de qualquer análise começar. O McKinsey Global Institute, no relatório The social economy (2012), estimou que o trabalhador de interação médio gasta quase 20% da semana procurando informação interna ou localizando colegas, e que um registro pesquisável reduz em até 35% o tempo dessa busca. 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. Cases e depoimentos Resultados reais de Cogna, Cenibra e Unicesumar. API de validação Integre ao seu sistema, ERP ou plataforma. Preços e cobrança Modelo simples, por páginas processadas. Quem somos Propósito, equipe e DNA 100% IA. Perguntas frequentes LGPD, implantação, formatos e mais. Veja a Dynadok em ação Reduza até 95% do tempo gasto com validação de documentos. Solicitar uma demonstração A classificação automática indexa o documento na entrada, e por isso ele pode ser localizado depois por tipo, titular, validade e processo, em vez de por nome de pasta. O ganho de precisão também é mensurável. Segundo o paper DocFormer (Appalaraju e colegas, AWS AI, ICCV 2021), no RVL-CDIP os modelos só de imagem chegam a 89,80% de acurácia (ensemble de CNNs de Harley et al., 2015), os só de texto, como o BERT-base, a 89,81%, e os multimodais a 95,65% (LayoutLMv2-large) e 96,17% (DocFormer-base). No Brasil, Débora Flores e Gustavo Zanini Kantorski apresentaram no X Congresso Nacional de Arquivologia (2024) um experimento com aprendizado de máquina em documentos reais de uma instituição de ensino superior e relataram acurácia média de 98% na previsão das tipologias documentais. O mercado acompanha: a Grand View Research avaliou o mercado global de IDP em US$ 3,0 bilhões em 2025, com projeção de US$ 29,7 bilhões em 2033, a 33,8% ao ano; o segmento de machine learning respondeu por 46,6% desse mercado em 2025. Indicador Número Ano Fonte Tempo da semana gasto procurando informação interna quase 20% 2012 McKinsey Global Institute Acurácia de classificação só com imagem (RVL-CDIP) 89,80% 2015 Harley et al., citado em DocFormer Acurácia de modelo multimodal (RVL-CDIP) 96,17% 2021 DocFormer, AWS AI Acurácia em documentos de instituição de ensino brasileira 98% 2024 Flores e Kantorski, X CNA Mercado global de IDP US$ 3,0 bilhões 2025 Grand View Research Mercado global de IDP (projeção) US$ 29,7 bilhões 2033 Grand View Research Inscrições validadas por IA sem apoio humano (Vitru Educação) 9 em cada 10 declaração de cliente Dynadok Fonte: elaboração própria com base em", "author": { "@type": "Person", "name": "Equipe Dynadok" }, "image": "https://blog.dynadok.com/wp-content/uploads/2026/09/classificacao.png" } ] } ``` # Classificação automática de documentos: o que é e para que serve ![Classificação automática de documentos: o que é e para que serve](https://blog.dynadok.com/wp-content/uploads/2026/09/classificacao-1024x576.png)Classificação automática de documentos é a identificação, por software, do tipo de cada arquivo recebido (RG, nota fiscal, ASO, contrato, certidão) sem triagem humana, a partir do conteúdo e do layout, e não do nome do arquivo. Ela serve para encaminhar cada documento ao checklist de validação certo, preencher os metadados que o Decreto 10.278/2020 exige e eliminar a fila de conferência manual. Resumir com IA [ ChatGPT ](#) [ Claude ](#) [ Perplexity ](#) [ Gemini ](#) Prompt copiado! É só colar no Gemini. ## Pontos-chave - Classificação automática de documentos é a primeira decisão da esteira documental: só depois de saber que o arquivo é um ASO, e não um PGR, o sistema aplica as regras daquele tipo. - Modelos de IA que combinam imagem, texto e layout atingem 96,17% de [acurácia](https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/#acuracia "acurácia") no RVL-CDIP, benchmark de 400.000 imagens de documentos em 16 classes, segundo o paper DocFormer (AWS AI, 2021). - Em documentos reais de uma instituição de ensino superior brasileira, um experimento com aprendizado de máquina obteve 98% de acurácia média, segundo Flores e Kantorski, no X Congresso Nacional de Arquivologia (2024). - O Decreto 10.278/2020 lista “Tipo documental” entre os metadados mínimos de todo documento digitalizado com valor legal. - O mercado global de Intelligent Document Processing (IDP) foi avaliado em US$ 3,0 bilhões em 2025 e deve chegar a US$ 29,7 bilhões em 2033, segundo a Grand View Research (2026). - Segundo a Dynadok, a validação automática com IA reduz até 95% do tempo gasto com validação; na Vitru Educação, 9 em cada 10 inscrições foram validadas por IA sem apoio humano. ## O que é classificação automática de documentos? Classificação automática de documentos é o processo em que um sistema de inteligência artificial lê um arquivo (imagem, PDF, foto de celular ou digitalização) e atribui a ele um tipo documental de uma lista predefinida, chamada taxonomia. A decisão sai do conteúdo e da estrutura visual, e por isso funciona mesmo quando o arquivo se chama “digitalizacao\_003.pdf”. O termo vem da arquivologia. A Lei 8.159/1991 define gestão de documentos, no art. 3º, como o conjunto de procedimentos e operações técnicas referentes à produção, tramitação, uso, avaliação e arquivamento, e a classificação é a operação que dá a cada documento o seu lugar nessa estrutura. O que a IA muda é o executor: a classificação deixa de depender de uma pessoa abrir cada arquivo e acontece em segundos, no recebimento. 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 referência acadêmica para essa tarefa é o RVL-CDIP, criado por Adam W. Harley, Alex Ufkes e Konstantinos G. Derpanis (ICDAR 2015). O RVL-CDIP reúne 400.000 imagens de documentos em 16 classes, com 25.000 por classe, entre elas carta, formulário, e-mail, manuscrito, fatura, currículo e memorando. É nesse conjunto que os modelos são comparados, e por isso os números de acurácia da área quase sempre se referem a ele. Na prática corporativa brasileira, as classes são outras: RG, CNH, comprovante de endereço, contrato social, CNDs, ASO, PGR, notas fiscais, [histórico escolar](https://blog.dynadok.com/educacao/leitura-validacao-historico-escolar/ "histórico escolar"). A taxonomia precisa ser desenhada para a operação, como explica o guia sobre [taxonomia documental e organização de arquivos](https://blog.dynadok.com/ia/o-que-e-taxonomia-documental-e-como-organizar-seus-arquivos/) do blog da Dynadok. ### Qual é a diferença entre classificar, extrair e validar um documento? Classificar responde “que documento é este?”; extrair responde “quais dados ele contém?”; validar responde “este documento está correto, vigente e coerente com os demais?”. As etapas são sequenciais: a extração depende do tipo (um ASO tem campos que uma CND não tem) e a validação depende dos dados extraídos. Um erro de classificação contamina tudo o que vem depois: o sistema procura campos que não existem e aprova ou reprova pelo motivo errado. Intelligent Document Processing (IDP) é o nome de mercado da tecnologia que faz as três etapas juntas. Segundo a Grand View Research (2026), soluções de IDP usam machine learning, processamento de linguagem natural, OCR e visão computacional para capturar dados, classificar e extrair as informações relevantes. ## Por que a classificação automática de documentos importa para a operação? A classificação manual é o gargalo invisível das operações que recebem documentos em volume, porque cada arquivo precisa ser aberto, reconhecido e encaminhado antes de qualquer análise começar. O McKinsey Global Institute, no relatório The social economy (2012), estimou que o trabalhador de interação médio gasta quase 20% da semana procurando informação interna ou localizando colegas, e que um registro pesquisável reduz em até 35% o tempo dessa busca. 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/) A classificação automática indexa o documento na entrada, e por isso ele pode ser localizado depois por tipo, titular, validade e processo, em vez de por nome de pasta. O ganho de precisão também é mensurável. Segundo o paper DocFormer (Appalaraju e colegas, AWS AI, ICCV 2021), no RVL-CDIP os modelos só de imagem chegam a 89,80% de acurácia (ensemble de CNNs de Harley et al., 2015), os só de texto, como o BERT-base, a 89,81%, e os multimodais a 95,65% (LayoutLMv2-large) e 96,17% (DocFormer-base). No Brasil, Débora Flores e Gustavo Zanini Kantorski apresentaram no X Congresso Nacional de Arquivologia (2024) um experimento com aprendizado de máquina em documentos reais de uma instituição de ensino superior e relataram acurácia média de 98% na previsão das tipologias documentais. O mercado acompanha: a Grand View Research avaliou o mercado global de IDP em US$ 3,0 bilhões em 2025, com projeção de US$ 29,7 bilhões em 2033, a 33,8% ao ano; o segmento de machine learning respondeu por 46,6% desse mercado em 2025. IndicadorNúmeroAnoFonteTempo da semana gasto procurando informação internaquase 20%2012McKinsey Global InstituteAcurácia de classificação só com imagem (RVL-CDIP)89,80%2015Harley et al., citado em DocFormerAcurácia de modelo multimodal (RVL-CDIP)96,17%2021DocFormer, AWS AIAcurácia em documentos de instituição de ensino brasileira98%2024Flores e Kantorski, X CNAMercado global de IDPUS$ 3,0 bilhões2025Grand View ResearchMercado global de IDP (projeção)US$ 29,7 bilhões2033Grand View ResearchInscrições validadas por IA sem apoio humano (Vitru Educação)9 em cada 10declaração de clienteDynadokFonte: elaboração própria com base em McKinsey Global Institute (2012), Appalaraju et al. (2021), Flores e Kantorski (2024), Grand View Research (2026) e Dynadok (2026). Andrew Joiner, CEO da Hyperscience, ao comentar o primeiro Magic Quadrant do Gartner dedicado a IDP, publicado em 3 de setembro de 2025 com 18 fornecedores avaliados, afirmou que a demanda por soluções nativas em IA “está disparando”. Um Magic Quadrant próprio é sinal de que a categoria amadureceu. ## O que a legislação e as normas brasileiras exigem na classificação de documentos? A classificação de documentos no Brasil tem base legal explícita, e a exigência recai sobre os metadados. O Decreto 10.278/2020, que regulamenta a digitalização com valor legal, define no art. 3º, inciso II, metadados como “dados estruturados que permitem classificar, descrever e gerenciar documentos”. O art. 5º exige que o documento digitalizado que valha perante o poder público seja assinado com ICP-Brasil, siga o Anexo I e contenha os metadados do Anexo II. O Anexo II é onde a classificação aparece nominalmente. Entre os oito metadados mínimos de todos os documentos estão “Tipo documental”, a configuração da espécie documental de acordo com a atividade que a gerou, e “Assunto”, palavras-chave de preenchimento livre ou com vocabulário controlado. Para pessoas jurídicas de direito público, o decreto acrescenta “Classe”, identificada com base em um plano de classificação, além de prazo de guarda e destinação prevista. Segundo Sérgio Jacomino, Quinto Oficial de Registro de Imóveis da Capital de São Paulo, em artigo publicado pelo CNB/SP em junho de 2026, “não é possível falar em metadados sem a criação prévia de um vocabulário controlado”. Jacomino relata que documentos digitalizados chegam aos registros desestruturados e fora das diretivas do decreto, e defende que o sistema de recepção submeta cada arquivo a um escrutínio taxonômico digital. A classificação automática é esse escrutínio, aplicado por IA no envio. NormaItemExigênciaResponsávelLei 8.159/1991Art. 3ºGestão de documentos abrange produção, tramitação, uso, avaliação e arquivamentoÓrgãos públicos e entidades de caráter públicoDecreto 10.278/2020Art. 3º, IIMetadados são dados estruturados que permitem classificar, descrever e gerenciar documentosQuem digitalizaDecreto 10.278/2020Art. 5º, III e Anexo II (a)Oito metadados mínimos, incluindo Tipo documental, Assunto, Autor, Título e Hash da imagemPossuidor do documento físico (art. 8º, § 1º)Decreto 10.278/2020Anexo II (b)Classe, prazo de guarda, destinação prevista, gênero e data de produçãoPessoas jurídicas de direito público internoDecreto 10.278/2020Anexo IResolução mínima de 300 dpi para textos e 600 dpi para plantas e mapas, formato PDF/A para textosQuem digitalizaDecreto 10.278/2020Art. 10, IIArmazenamento deve indexar metadados para localização e gerenciamentoQuem armazenae-ARQ Brasil versão 2 (Conarq)Esquema de metadadosMetadados de identificação da classe e de gerenciamento da classe, ligados ao plano de classificação e à tabela de temporalidadeSistemas informatizados de gestão arquivística (SIGAD)ISO 15489-1:2016Conceitos e princípiosMetadados para documentos e sistemas de documentos, independentemente de estrutura ou formaOrganizações de qualquer setorFonte: Presidência da República (Lei 8.159/1991 e Decreto 10.278/2020), Conarq (e-ARQ Brasil, nota explicativa 2020) e ISO (2016). Dois pontos merecem atenção. O decreto não se aplica a documentos nato-digitais, de identificação e de porte obrigatório (art. 2º, parágrafo único), mas a lógica de classificar e indexar vale para todos, porque é ela que permite localizar e auditar o acervo. E o e-ARQ Brasil, cuja primeira versão saiu em 2006 e cuja versão 2 foi elaborada pelo Conarq entre 2017 e 2020, organiza os metadados de classificação em identificação da classe e gerenciamento da classe. Um sistema que classifica automaticamente já nasce com esses eventos registrados. ## Como a classificação de documentos é feita hoje e onde ela falha? Na maioria das operações, a classificação ainda é feita por pessoas, em três variantes: o analista abre cada arquivo e o move para a pasta certa; quem envia escolhe o tipo em um formulário; ou o GED aplica regras por nome de arquivo ou palavra-chave. As três funcionam com volume baixo e layouts estáveis, e quebram quando a operação cresce ou os documentos vêm de terceiros, cada um em um formato. O custo aparece em dois lugares. No tempo: documento mal classificado é informação que ninguém encontra. Na qualidade: quando dois analistas classificam o mesmo arquivo de jeitos diferentes, a validação aplica checklists diferentes, e a auditoria não reconstrói por que o documento foi aprovado. - Classificação pelo nome do arquivo: “contrato\_final\_v2.pdf” pode ser uma procuração; o nome é dado por quem envia, não pelo conteúdo. - Escolha do tipo por quem envia: o fornecedor marca “ASO” e anexa o PCMSO; a pendência só aparece dias depois. - Regras fixas de palavra-chave: a regra que procura “ATESTADO DE SAÚDE OCUPACIONAL” falha quando o OCR lê “ATESTAD0” ou a clínica usa outro título. - PDFs combinados: um arquivo com RG, CPF e comprovante recebe um tipo só, e os demais somem do controle de validade. - Critério pessoal: sem taxonomia escrita, cada analista cria sua categoria (“Diversos”, “Verificar”), e a pasta de exceções cresce mais que as oficiais. - Retrabalho na validação: o documento classificado errado chega ao checklist errado e volta para quem enviou com uma orientação que não faz sentido. O guia sobre [esteira de validação documental e como montá-la](https://blog.dynadok.com/ia/o-que-e-uma-esteira-de-validacao-documental-e-como-monta-la/) descreve a identificação e classificação como o segundo dos sete estágios da esteira, depois da captura e antes da extração. Tudo o que vem depois herda o erro. ## Como implantar a classificação automática de documentos passo a passo? 1. Levante os tipos que a operação recebe de verdade. Liste os documentos a partir dos processos (admissão, matrícula, homologação de fornecedor, crédito), não das pastas atuais. CND federal, estadual, municipal e trabalhista são quatro tipos, não um. 2. Escreva a taxonomia com vocabulário controlado. Dê um nome oficial a cada tipo, mapeie os sinônimos (“nota”, “NF”, “DANFE”) para ele e garanta que cada documento tenha um único encaixe possível. Como lembra Sérgio Jacomino, metadado sem vocabulário controlado não é metadado. 3. Defina os metadados obrigatórios por tipo. Use o Anexo II do Decreto 10.278/2020 como piso: tipo documental, assunto, autor, título, identificador, data da digitalização, responsável e hash. Acrescente titular, validade e processo vinculado, que são os campos que sustentam o controle de vencimentos. 4. Separe uma amostra rotulada por tipo. Reúna exemplos reais de cada classe, incluindo fotos de celular, digitalizações ruins e manuscritos. A amostra mede a acurácia do classificador antes de ligar o fluxo e revela tipos que a taxonomia esqueceu. 5. Configure o classificador e o limiar de confiança. Todo modelo devolve um score de confiança por documento; defina a partir de qual score o tipo é aceito automaticamente e abaixo de qual o arquivo vai para revisão humana. É esse limiar, não o modelo, que controla a taxa de automação e o risco. 6. Encadeie a classificação ao checklist de validação. O tipo identificado deve acionar, sem intervenção, o checklist daquele documento: campos obrigatórios, validade, assinaturas e cruzamento com o dossiê. Classificar sem validar apenas organiza a pasta. 7. Meça e ajuste desde a primeira semana. Acompanhe a acurácia por tipo, o percentual de documentos que caem em revisão e o tamanho da categoria “Outros”. Tipo com acurácia baixa pede mais exemplos; “Outros” crescendo pede um tipo novo na taxonomia. ## Como escolher a abordagem de classificação de documentos? Há três abordagens em uso, e a escolha depende da variedade dos layouts, do volume e do custo de um erro. Regras por nome de arquivo ou palavra-chave do OCR são baratas e previsíveis, mas exigem uma regra por layout. Modelos treinados só em imagem ou só em texto resolvem casos padronizados. Modelos multimodais, que combinam imagem, texto e a posição de cada campo, são os que lidam com documentos de terceiros em formatos desconhecidos. Os números do RVL-CDIP dão a régua. Segundo o paper DocFormer, o VGG-16, só de imagem, chega a 88,33% de acurácia; o BERT-base, só de texto, a 89,81%; o LayoutLMv2-large, multimodal, a 95,65%; e o DocFormer-base, a 96,17%. O mesmo paper mostra o peso do pré-treinamento: sem ele, o DocFormer cai para 93,95%. CritérioRegras (nome, palavra-chave)Modelo de imagem ou de textoIA multimodal (imagem + texto + layout)Acurácia de referência no RVL-CDIPnão medida no benchmark88,33% a 89,81%95,65% a 96,17%Layouts novos e documentos de terceirosexige regra nova por layoutdegrada com layout fora do treinoreconhece pelo conteúdo e pela estruturaManuscritos e fotos de celularnão trataparcialtrata, com score de confiança por documentoCusto de manutençãoalto e contínuomédio (retreino por classe)baixo após implantação; ajuste por limiar de confiançaExplicabilidade do erroaltamédiaexige revisão humana dos casos de baixa confiançaIndicaçãopoucos tipos, layouts fixos, baixo volumetipos padronizados, volume médiomuitos tipos, muitos emissores, alto volumeFonte: elaboração própria com base em Appalaraju et al. (2021) e Grand View Research (2026). Dois critérios decidem a compra. O primeiro é o tratamento das exceções: a plataforma precisa devolver um score por documento e encaminhar os de baixa confiança para uma fila humana. O segundo é a integração: o tipo identificado precisa acionar o checklist e alimentar o sistema de destino via API. Os termos técnicos dessa comparação (IDP, OCR, score de confiança, human in the loop, taxa de automação) estão definidos no [glossário de validação e automação de documentos](https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/) da Dynadok. ## Quais erros comprometem a classificação automática de documentos? - Automatizar sem taxonomia escrita: se dois analistas discordam sobre o que é “comprovante de renda”, o modelo vai aprender a discordância; a consequência é acurácia baixa que nenhum retreino resolve. - Confiar na classe “Outros”: tudo o que o modelo não reconhece vai para uma categoria genérica sem dono; a consequência é um acervo paralelo sem validação nem controle de vencimento. - Aceitar qualquer score: sem limiar de confiança, o sistema aprova classificações duvidosas; a consequência é um ASO validado como PCMSO e um checklist errado aplicado em silêncio. - Ignorar PDFs com vários documentos: a consequência é perder o controle dos documentos internos e reprovar dossiês completos por “falta” de um documento que está lá. - Treinar só com documentos limpos: a amostra tem PDFs nato-digitais, mas a operação recebe fotos de celular; a consequência é acurácia alta no teste e baixa em produção. - Classificar e parar: o tipo é identificado, mas não aciona validação nem cruzamento; a consequência é uma pasta organizada com documentos vencidos dentro. - Esquecer os metadados legais: sem tipo documental, hash e identificador registrados, a consequência é perder a equiparação legal do art. 5º do Decreto 10.278/2020 perante o poder público. ## Como a Dynadok classifica e valida documentos? A Dynadok é uma plataforma brasileira de validação automática de documentos com IA que identifica o tipo de cada arquivo e o valida em vários formatos e layouts, incluindo documentos estruturados, semiestruturados, não estruturados e escritos à mão. Segundo a Dynadok, a tecnologia combina LLMs, OCR, visão computacional e RAG, reduz até 95% do tempo gasto com validação e torna as validações até 10x mais rápidas. A classificação é o ponto de partida do fluxo: o documento enviado pelo cliente, candidato, aluno ou fornecedor é reconhecido, direcionado ao checklist personalizado daquele tipo, cruzado com os demais documentos do dossiê e, se houver não conformidade, devolvido em segundos a quem enviou. Os documentos processados cobrem identificação pessoal (RG, CNH, CPF), SST e terceiros (contrato social, CNPJ, PGR, PCMSO, ASO, CNDs, notas fiscais), comprovantes de endereço, registros profissionais, documentos educacionais (Prouni, FIES) e documentação trabalhista (eSocial, DCTFWeb). Os resultados declarados pelos clientes dão a escala. Segundo Chrystiano Mincoff, Diretor Executivo de Experiência e Permanência da Vitru Educação, “9 em cada 10 inscrições foram validadas por inteligência artificial”. Segundo Karla Lemos, Gerente de CSC da Unicesumar, a análise de documentos do Prouni passou de até 25 pessoas para 10. Cássio Lapertosa, Diretor de TI da Emccamp, resume: a tecnologia “não só lê campos, mas interpreta documentos cruzando informações”. A implantação leva de 1 a 4 meses e a cobrança é por página processada, segundo a Dynadok. ## Perguntas frequentes sobre classificação automática de documentos ### O que é classificação automática de documentos em uma frase? Classificação automática de documentos é a atribuição, por inteligência artificial, de um tipo documental (RG, nota fiscal, ASO, contrato) a cada arquivo recebido, com base no conteúdo e no layout, sem que uma pessoa precise abrir o documento. ### Para que serve a classificação automática de documentos? Serve para três coisas: direcionar cada documento ao checklist de validação correto, preencher os metadados que a legislação exige (tipo documental, assunto, classe) e permitir que o acervo seja localizado por tipo, titular e validade, e não por nome de pasta. ### Classificação automática é a mesma coisa que OCR? Não. OCR converte a imagem em texto; a classificação decide que documento aquele texto e aquela imagem representam. O OCR é um dos insumos do classificador, junto com a visão computacional e o layout, e os modelos mais precisos combinam os três. ### Qual é a acurácia de um classificador de documentos com IA? No benchmark RVL-CDIP, com 16 classes, modelos multimodais atingem 95,65% a 96,17% de acurácia, segundo o paper DocFormer (2021). Em documentos reais de uma instituição de ensino brasileira, Flores e Kantorski (2024) relataram 98% de acurácia média. ### O que é o RVL-CDIP? RVL-CDIP é o dataset de referência para classificação de imagens de documentos, criado por Harley, Ufkes e Derpanis (ICDAR 2015). Reúne 400.000 imagens em 16 classes, com 25.000 por classe, divididas em 320.000 para treino, 40.000 para validação e 40.000 para teste. ### A classificação de documentos é obrigatória por lei no Brasil? Para documentos digitalizados que pretendam valer perante o poder público, sim. O art. 5º do Decreto 10.278/2020 exige os metadados mínimos do Anexo II, entre eles “Tipo documental” e “Assunto”. Para órgãos públicos, o decreto acrescenta “Classe”. ### Quais são os metadados mínimos do Decreto 10.278/2020? Para todos os documentos, são oito: assunto, autor, data e local da digitalização, identificador do documento digital, responsável pela digitalização, título, tipo documental e hash da imagem. Pessoas jurídicas de direito público acrescentam classe, data de produção, destinação prevista, gênero e prazo de guarda. ### O Decreto 10.278/2020 vale para documentos nato-digitais? Não. O parágrafo único do art. 2º exclui documentos nato-digitais, de identificação, de porte obrigatório, do sistema financeiro nacional, em microfilme e audiovisuais. Mesmo assim, classificar e indexar esses documentos continua necessário para localizá-los, validá-los e auditá-los. ### O que é taxonomia documental e por que ela vem antes da IA? Taxonomia documental é a lista controlada de categorias e tipos que a organização usa para classificar seus documentos. Ela vem antes porque o modelo aprende a taxonomia que recebe: se os tipos se sobrepõem, a classificação automática reproduz a ambiguidade em escala. ### O que é score de confiança e como usá-lo? Score de confiança é a nota que o modelo atribui à sua própria classificação de cada documento. Acima de um limiar definido pela operação, o tipo é aceito automaticamente; abaixo dele, o documento vai para revisão humana. O limiar é o controle entre taxa de automação e risco. ### A IA classifica documentos manuscritos e fotos de celular? Sim, desde que o classificador combine visão computacional com OCR e tenha sido treinado com exemplos reais dessas condições. Segundo a Dynadok, sua IA identifica documentos estruturados, semiestruturados, não estruturados e escritos à mão, em qualquer layout. ### O que acontece quando um PDF contém vários documentos? Um classificador adequado separa o arquivo em páginas ou blocos, identifica o tipo de cada um e registra cada documento individualmente. Sem isso, o PDF recebe um único tipo e os demais documentos ficam fora do controle de validade e do checklist. ### Quanto tempo leva para implantar a classificação automática? Depende do número de tipos, das regras e das integrações. Segundo a Dynadok, a implantação de sua plataforma de validação, que inclui a classificação, leva de 1 a 4 meses. A maior parte desse tempo vai para escrever a taxonomia e os checklists. ### Preciso trocar meu GED ou ERP para ter classificação automática? Não. A classificação funciona como uma camada que recebe o documento, identifica o tipo, valida e devolve o resultado ao sistema de destino via API. Segundo a Dynadok, sua plataforma se integra aos sistemas que a empresa já utiliza. ### Como a classificação automática se relaciona com a LGPD? Documentos como RG, CNH e contratos estão cheios de dados pessoais protegidos pela LGPD (Lei 13.709/2018). Classificar cada documento no recebimento é o que permite aplicar minimização, controle de acesso por tipo, prazos de guarda e trilha de auditoria por documento. ### O que é IDP e qual é o tamanho desse mercado? IDP (Intelligent Document Processing) é a tecnologia que captura, classifica e extrai dados de documentos com machine learning, PLN, OCR e visão computacional. Segundo a Grand View Research, o mercado global de IDP valeu US$ 3,0 bilhões em 2025 e chegará a US$ 29,7 bilhões em 2033. ### Regras por palavra-chave ainda servem para alguma coisa? Servem para operações com poucos tipos, layouts fixos e volume baixo, em que cada regra pode ser mantida à mão. Falham quando os documentos vêm de muitos emissores em formatos diferentes, porque cada layout novo exige uma regra nova e o OCR imperfeito quebra as existentes. ### Quais indicadores mostram que a classificação automática está funcionando? Quatro: acurácia por tipo, medida contra uma amostra rotulada; percentual de documentos que caem em revisão humana; tamanho da categoria “Outros”; e tempo entre envio e classificação. Se “Outros” cresce ou a revisão sobe, a taxonomia ou o limiar precisam de ajuste. ### O que o e-ARQ Brasil diz sobre classificação? O e-ARQ Brasil, modelo de requisitos do Conarq para sistemas de gestão arquivística, teve a primeira versão em 2006 e a versão 2 elaborada entre 2017 e 2020. Na versão 2, os metadados de classificação foram organizados em identificação da classe e gerenciamento da classe. ### Qual é o primeiro passo para começar? Escolher um processo de alto volume com tipos conhecidos (admissão, matrícula, terceiros, notas fiscais), escrever a taxonomia desse processo com vocabulário controlado e separar uma amostra real de cada tipo. Com isso pronto, configurar o classificador e o checklist é a parte rápida. ## Conclusão Classificação automática de documentos é a decisão que abre a esteira documental: sem saber o tipo, nenhum checklist, cruzamento ou controle de validade se aplica. A tecnologia já entrega 96,17% de acurácia no RVL-CDIP e 98% em documentos reais de uma instituição brasileira, e o Decreto 10.278/2020 já exige o tipo documental como metadado mínimo. O que separa organizar pastas de automatizar decisões é ligar a classificação à validação. Para ver isso na sua operação, [solicite uma demonstração da validação automática de documentos com IA](https://dynadok.com/). ## Como citar este artigo ABNT: DYNADOK. Classificação automática de documentos: o que é, para que serve e como funciona com IA. Blog Dynadok, 07 set. 2026. Disponível em: . Acesso em: 07 set. 2026. APA: Dynadok. (2026, 7 de setembro). Classificação automática de documentos: o que é, para que serve e como funciona com IA. Blog Dynadok. ## Referências APPALARAJU, Srikar; JASANI, Bhavan; KOTA, Bhargava Urala; XIE, Yusheng; MANMATHA, R. DocFormer: End-to-End Transformer for Document Understanding. ICCV, 2021. Disponível em: . Acesso em: 07 set. 2026. BRASIL. Decreto nº 10.278, de 18 de março de 2020. Estabelece a técnica e os requisitos para a digitalização de documentos públicos ou privados. Brasília: Presidência da República, 2020. Disponível em: [https://www.planalto.gov.br/ccivil\_03/\_ato2019-2022/2020/decreto/d10278.htm](https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2020/decreto/d10278.htm). Acesso em: 07 set. 2026. BRASIL. Lei nº 8.159, de 8 de janeiro de 1991. Dispõe sobre a política nacional de arquivos públicos e privados. Brasília: Presidência da República, 1991. Disponível em: [https://www.planalto.gov.br/ccivil\_03/leis/l8159.htm](https://www.planalto.gov.br/ccivil_03/leis/l8159.htm). Acesso em: 07 set. 2026. BUSINESS WIRE. Hyperscience Named a Leader in the First-Ever Gartner Magic Quadrant for Intelligent Document Processing Solutions. Business Wire, 5 set. 2025. Disponível em: . Acesso em: 07 set. 2026. CONSELHO NACIONAL DE ARQUIVOS (CONARQ). Nota explicativa: consulta pública para atualização do e-ARQ Brasil. Rio de Janeiro: Conarq, 2020. Disponível em: [https://www.gov.br/conarq/pt-br/assuntos/noticias/conarq-abre-consulta-publica-visando-a-atualizacao-do-e-arq-brasil/Nota\_explicativa\_eARQ\_2020.pdf/@@download/file](https://www.gov.br/conarq/pt-br/assuntos/noticias/conarq-abre-consulta-publica-visando-a-atualizacao-do-e-arq-brasil/Nota_explicativa_eARQ_2020.pdf/@@download/file). Acesso em: 07 set. 2026. DYNADOK. Glossário de validação e automação de documentos. Dynadok, 2026. Disponível em: . Acesso em: 07 set. 2026. DYNADOK. O que é taxonomia documental e como organizar seus arquivos. Blog Dynadok, 25 ago. 2026. Disponível em: . Acesso em: 07 set. 2026. DYNADOK. O que é uma esteira de validação documental e como montá-la. Blog Dynadok, 5 set. 2026. Disponível em: . Acesso em: 07 set. 2026. DYNADOK. Validação automática de documentos com IA. Dynadok, 2026. Disponível em: . Acesso em: 07 set. 2026. FLORES, Débora; KANTORSKI, Gustavo Zanini. Arquivologia e Aprendizagem de Máquina: Classificação Automática de Documentos Arquivísticos. In: X Congresso Nacional de Arquivologia, Caderno de Resumos. Salvador: AABA/FNArq, 2024. Disponível em: . Acesso em: 07 set. 2026. GRAND VIEW RESEARCH. Intelligent Document Processing Market (2026-2033): Size, Share & Trends Analysis Report. Grand View Research, jun. 2026. Disponível em: . Acesso em: 07 set. 2026. HARLEY, Adam W.; UFKES, Alex; DERPANIS, Konstantinos G. Dataset Card for RVL-CDIP. Hugging Face, 2015. Disponível em: [https://huggingface.co/datasets/aharley/rvl\_cdip](https://huggingface.co/datasets/aharley/rvl_cdip). Acesso em: 07 set. 2026. INTERNATIONAL ORGANIZATION FOR STANDARDIZATION (ISO). ISO 15489-1:2016. Information and documentation, Records management, Part 1: Concepts and principles. Genebra: ISO, 2016. Disponível em: . Acesso em: 07 set. 2026. JACOMINO, Sérgio. SREI. Documentos digitalizados. Metadados mínimos exigidos para plataformização. CNB/SP, 30 jun. 2026. Disponível em: . Acesso em: 07 set. 2026. MCKINSEY GLOBAL INSTITUTE. The social economy: Unlocking value and productivity through social technologies. McKinsey & Company, jul. 2012. Disponível em: . Acesso em: 07 set. 2026. Calculadora de ROI da Validação Documental com IA | Dynadok 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. Processa **100 mil páginas ou mais** por mês? [Converse com um especialista](https://dynadok.com/) para um plano sob medida. 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. Calcular minha economiaO 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) Ver meu resultado completo Seus dados ficam seguros. Um especialista da Dynadok pode entrar em contato para ajudar na sua análise. Sua economiaEconomia 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 Como chegamos nesse número 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. [ ](#) [ ](#) [ ](#) [ ](#) [ ](#) [ ](#)