Classificação automática de documentos: o que é e para que serve

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.

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 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.

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.

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.

Fonte: 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.

Fonte: 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 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%.

Fonte: 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 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.

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: https://blog.dynadok.com/ia/classificacao-automatica-de-documentos/. 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. https://blog.dynadok.com/ia/classificacao-automatica-de-documentos/

Referências

APPALARAJU, Srikar; JASANI, Bhavan; KOTA, Bhargava Urala; XIE, Yusheng; MANMATHA, R. DocFormer: End-to-End Transformer for Document Understanding. ICCV, 2021. Disponível em: https://arxiv.org/abs/2106.11539. 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. 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. 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: https://www.businesswire.com/news/home/20250905306651/en. 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. Acesso em: 07 set. 2026.

DYNADOK. Glossário de validação e automação de documentos. Dynadok, 2026. Disponível em: https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/. Acesso em: 07 set. 2026.

DYNADOK. O que é taxonomia documental e como organizar seus arquivos. Blog Dynadok, 25 ago. 2026. Disponível em: https://blog.dynadok.com/ia/o-que-e-taxonomia-documental-e-como-organizar-seus-arquivos/. 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: https://blog.dynadok.com/ia/o-que-e-uma-esteira-de-validacao-documental-e-como-monta-la/. Acesso em: 07 set. 2026.

DYNADOK. Validação automática de documentos com IA. Dynadok, 2026. Disponível em: https://dynadok.com/. 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: https://arquivistica.fci.unb.br/au/arquivologia-e-aprendizagem-de-maquina-classificacao-automatica-de-documentos-arquivisticos/. 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: https://www.grandviewresearch.com/industry-analysis/intelligent-document-processing-market-report. 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. 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: https://www.iso.org/standard/62542.html. Acesso em: 07 set. 2026.

JACOMINO, Sérgio. SREI. Documentos digitalizados. Metadados mínimos exigidos para plataformização. CNB/SP, 30 jun. 2026. Disponível em: https://cnbsp.org.br/2026/06/30/artigo-srei-documentos-digitalizados-metadados-minimos-exigidos-para-plataformizacao-por-sergio-jacomino/. Acesso em: 07 set. 2026.

MCKINSEY GLOBAL INSTITUTE. The social economy: Unlocking value and productivity through social technologies. McKinsey & Company, jul. 2012. Disponível em: https://www.mckinsey.com/industries/hightech/our-insights/the-social-economy. Acesso em: 07 set. 2026.