--- source_url: "https://blog.dynadok.com/ia/fine-tuning-prompt-regras-novo-documento/" title: "Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento" generated_at: 2026-11-14T00:26:01Z 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/fine-tuning-prompt-regras-novo-documento/#article", "url": "https://blog.dynadok.com/ia/fine-tuning-prompt-regras-novo-documento/", "headline": "Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento", "datePublished": "2026-11-13T17:00:00+00:00", "dateModified": "2026-10-16T13:00:18+00:00", "inLanguage": "pt-BR", "publisher": { "@type": "Organization", "name": "Blog Dynadok - Análise documental automatizada por I.A", "url": "https://blog.dynadok.com/" }, "description": "Fine-tuning, prompt engineering com few-shot ou regras? Veja quantos exemplos cada abordagem exige e como ensinar um novo tipo de documento à IA.", "author": { "@type": "Person", "name": "Equipe Dynadok" }, "image": "https://blog.dynadok.com/wp-content/uploads/2026/10/capa-fine-tuning-prompt-regras-novo-documento.png" } ] } ``` # Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento ![Capa do blog Dynadok com ícones de validação de documentos: Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento](https://blog.dynadok.com/wp-content/uploads/2026/10/capa-fine-tuning-prompt-regras-novo-documento.png)Uma IA aprende um novo tipo de documento por três caminhos que se combinam: prompt engineering com poucos exemplos (few-shot), fine-tuning (reajuste dos pesos do modelo com documentos rotulados) e regras de negócio explícitas que conferem o resultado. O prompt resolve muitos casos com 3 a 5 exemplos, o fine-tuning entra com volume e variação de layout, e as regras garantem a decisão auditável. Resumir com IA [ ChatGPT ](#) [ Claude ](#) [ Perplexity ](#) [ Gemini ](#) Prompt copiado! É só colar no Gemini. ## Pontos-chave - O GPT-3, com 175 bilhões de parâmetros, executou tarefas novas só com instruções e exemplos no texto, sem fine-tuning, segundo Brown et al. (2020). - A Anthropic recomenda incluir de 3 a 5 exemplos no prompt para obter os melhores resultados com o Claude. - O Google Document AI indica de 0 a 50+ documentos para um modelo de fundação ajustado e de 10 a 100+ documentos para um modelo customizado tradicional. - A Microsoft exige no mínimo 5 documentos rotulados para treinar um modelo customizado no Azure Document Intelligence. - O LayoutLM, que aprende texto e layout juntos, elevou a compreensão de formulários no FUNSD de 70,72 para 79,27. - O LoRA reduz em 10.000 vezes os parâmetros treináveis do fine-tuning, segundo a Microsoft (Hu et al.). - Regras explícitas são a camada que transforma extração em decisão auditável, e a LGPD limita o uso de dados pessoais ao “mínimo necessário” para a finalidade. ## O que significa “ensinar” um novo tipo de documento a uma IA? Ensinar um novo tipo de documento a uma IA significa fazer o sistema reconhecer o documento, localizar os campos que interessam, extrair os valores no formato certo e dizer se o conteúdo atende aos critérios da operação. Um novo tipo pode ser um laudo de uma clínica que nunca apareceu antes, um modelo novo de nota de débito ou um certificado emitido por outro órgão. Para a IA, a novidade está no layout, no vocabulário e nas regras de validade. Existem três formas de transmitir esse conhecimento. A primeira altera o que o modelo recebe na entrada (o prompt). A segunda altera o próprio modelo (os pesos). A terceira fica fora do modelo, em regras determinísticas que conferem a saída. Cada uma tem custo, prazo e risco diferentes, e as plataformas maduras usam as três em camadas. ### O que é fine-tuning? 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. Fine-tuning é o processo de continuar o treinamento de um modelo já pré-treinado com exemplos rotulados de uma tarefa específica, para que os pesos internos passem a refletir aquele domínio. No caso de documentos, os exemplos são pares de entrada e saída: a imagem ou o PDF e os campos corretos extraídos. A OpenAI lista entre os métodos disponíveis o fine-tuning supervisionado, o fine-tuning de visão (com imagens como entrada), o DPO (com respostas certas e erradas) e o fine-tuning por reforço, restrito a modelos de raciocínio. Segundo a documentação de otimização de modelos da OpenAI, o fine-tuning permite fornecer mais exemplos do que cabem em uma janela de contexto, usar prompts mais curtos (o que reduz custo de tokens e latência em escala), treinar com dados proprietários sem enviá-los a cada requisição e treinar um modelo menor e mais barato para uma tarefa específica. A mesma página informa que a OpenAI está encerrando a plataforma de fine-tuning para novos usuários. ### O que é prompt engineering com few-shot? Prompt engineering é a técnica de escrever instruções, contexto e exemplos para orientar um modelo sem alterar seus pesos. Few-shot (ou multishot) é a variante em que o prompt traz alguns pares de exemplo, como “documento X gera o JSON Y”. O artigo “Language Models are Few-Shot Learners”, de Tom B. Brown e outros 30 autores da OpenAI, publicado em maio de 2020, mostrou que o GPT-3 executava tarefas especificadas “puramente por interação de texto”, sem nenhuma atualização de gradiente. Para documentos, o prompt normalmente contém a descrição do tipo de documento, a lista de campos com formato esperado, de 3 a 5 exemplos resolvidos e instruções sobre o que fazer quando um campo não existe. Um modelo multimodal lê o PDF ou a imagem diretamente; um modelo só de texto depende de OCR antes. A leitura combinada com busca em base de conhecimento é explicada em detalhe no texto sobre [RAG e LLMs multimodais na leitura inteligente de documentos](https://blog.dynadok.com/ia/rag-e-llms-multimodais-como-funciona-a-leitura-inteligente-de-documentos/). ### O que são regras de negócio na validação documental? Regras de negócio são verificações determinísticas, escritas por pessoas, que conferem se o dado extraído atende a um critério: data de emissão dentro do prazo aceito pela operação, CNPJ com dígito verificador válido, nome do titular igual ao do cadastro, assinatura presente. As regras não aprendem nada sozinhas, mas também não alucinam. Elas transformam a saída probabilística do modelo em uma decisão que pode ser auditada linha por linha. 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/) ## Por que a escolha da abordagem muda custo, prazo e acurácia? A escolha entre fine-tuning, prompt e regras define quanto tempo um tipo de documento leva para entrar em produção, quanto custa cada página processada e qual acurácia a operação consegue sustentar. A pesquisa acadêmica em compreensão de documentos mostra que layout importa: o LayoutLM, de Yiheng Xu e colegas, ganhou mais de 8 pontos no FUNSD ao modelar texto e posição juntos, de 70,72 para 79,27. Os benchmarks públicos ajudam a medir o tamanho do desafio. O DocVQA, criado por Minesh Mathew, Dimosthenis Karatzas e C. V. Jawahar, reúne 50.000 perguntas sobre mais de 12.000 imagens de documentos. Os humanos acertam 94,36%, e os modelos avaliados no lançamento ficaram bem abaixo disso, principalmente nas perguntas que exigem entender a estrutura do documento. O FUNSD, de Guillaume Jaume, Hazım Kemal Ekenel e Jean-Philippe Thiran, mostra outro limite: o conjunto tem apenas 199 formulários anotados, com 31.485 palavras, 9.743 entidades semânticas e 5.312 relações. Bases rotuladas de documentos reais são pequenas porque rotular é caro, e isso pesa contra o fine-tuning tradicional em operações que recebem tipos novos todo mês. Benchmark ou estudoO que medeNúmero de referênciaFonte e anoDocVQAPerguntas sobre imagens de documentos50.000 perguntas, mais de 12.000 imagens, humanos com 94,36%Mathew, Karatzas e Jawahar, 2020FUNSDCompreensão de formulários digitalizados com ruído199 formulários, 31.485 palavras, 9.743 entidadesJaume, Ekenel e Thiran, 2019LayoutLM no FUNSDGanho ao modelar texto e layoutDe 70,72 para 79,27Xu et al., 2019LayoutLM em recibos (SROIE)Extração de campos de recibosDe 94,02 para 95,24Xu et al., 2019LayoutLM no RVL-CDIPClassificação de imagens de documentosDe 93,07 para 94,42Xu et al., 2019LoRACusto do fine-tuning eficiente10.000 vezes menos parâmetros treináveis, 3 vezes menos memória de GPUHu et al., Microsoft, 2021Fonte: elaboração própria com base em Mathew et al. (2020), Jaume et al. (2019), Xu et al. (2019) e Hu et al. (2021). O custo do fine-tuning caiu com técnicas como o LoRA (Low-Rank Adaptation), que treina apenas matrizes pequenas acopladas ao modelo original. Segundo Edward Hu e colegas da Microsoft, o LoRA reduz em 10.000 vezes o número de parâmetros treináveis e em 3 vezes a memória de GPU, na comparação com o fine-tuning completo do GPT-3 175B com o otimizador Adam. Mesmo assim, continua sendo preciso coletar, rotular e versionar os dados de treino. ## Quantos exemplos cada abordagem exige para um documento novo? A quantidade de exemplos é a diferença prática mais visível entre as abordagens. Few-shot pede poucos exemplos no próprio prompt, enquanto o fine-tuning de um modelo de extração tradicional pede dezenas ou centenas de documentos rotulados. As documentações oficiais dos fornecedores deixam esses números explícitos. Segundo a Anthropic, na documentação de prompting do Claude, o recomendado é incluir de 3 a 5 exemplos para os melhores resultados, com exemplos relevantes, diversos e separados das instruções por tags. Segundo a Microsoft, no Azure Document Intelligence, “custom models (template and neural) require a labeled dataset of at least five documents”. O Google Document AI separa três métodos no Custom Extractor. O modelo de fundação com IA generativa pede de 0 a 50+ documentos para qualidade de produção e é indicado para contratos, faturas e extratos, com alta variação de layout. O modelo customizado pede de 10 a 100+ documentos, para formulários parecidos entre si. O template pede 3 documentos, para formulários de layout fixo. O Google recomenda o modelo de fundação como primeira opção quando o layout varia. Abordagem ou produtoExemplos exigidosQuando é indicadoFonteFew-shot no ClaudeDe 3 a 5 exemplos no promptFormato de saída, tom e estruturaAnthropic, documentação de multishot promptingTemplate no Google Document AI3 documentosFormulários de layout fixoGoogle Cloud, Custom extractor overviewModelo de fundação ajustado no Google Document AIDe 0 a 50+ documentosLayouts muito variáveis, como contratos e extratosGoogle Cloud, Custom extractor overviewModelo customizado no Google Document AIDe 10 a 100+ documentosFormulários parecidos, pouca variação de layoutGoogle Cloud, Custom extractor overviewModelo customizado no Azure Document IntelligenceMínimo de 5 documentos rotuladosTemplate ou neural, com dataset balanceadoMicrosoft Learn, Custom labels v4.0Modelo neural no Azure com muitas variaçõesMais de 15 variações pede vários modelos compostosFamílias de documentos com layouts distintosMicrosoft Learn, Custom labels v4.0Fonte: elaboração própria com base na documentação de Anthropic, Google Cloud e Microsoft, consultada em 2026. ## Onde cada abordagem falha quando aparece um documento novo? Cada abordagem tem um modo de falha característico diante de um tipo de documento inédito. O fine-tuning falha por falta de dados e por demora; o prompt falha por inconsistência e por alucinação; as regras falham por rigidez. Conhecer essas falhas é o que define qual camada precisa reforço em cada caso. O estudo de Marius Mosbach, Tiago Pimentel, Shauli Ravfogel, Dietrich Klakow e Yanai Elazar, de 2023, comparou few-shot fine-tuning e aprendizado em contexto em condições controladas, com modelos de 125 milhões a 30 bilhões de parâmetros. A conclusão foi que modelos ajustados também generalizam bem fora do domínio, e que as duas abordagens variam muito conforme o tamanho do modelo e o número de exemplos. Os gargalos mais frequentes quando a operação recebe um documento novo são estes: - O fine-tuning exige dezenas de documentos rotulados que a operação ainda não tem no primeiro mês, e o tipo novo fica parado na fila manual enquanto a base é montada. - O modelo ajustado precisa ser retreinado e revalidado a cada mudança de layout do emissor, o que gera ciclos de semanas para uma alteração pequena. - O prompt com exemplos pouco diversos faz o modelo copiar padrões indesejados dos exemplos, como sempre preencher um campo opcional. - O modelo de linguagem, sem regra de conferência, pode devolver um valor plausível que não está no documento, o que configura alucinação. - As regras escritas para o layout antigo quebram em silêncio quando o emissor muda a posição de um campo ou o formato de uma data. - O OCR de baixa qualidade propaga erros de leitura para a extração e para a regra, e o erro só aparece na auditoria. O caso da alucinação merece atenção especial, porque o valor errado vem com aparência de certo. O texto sobre [alucinação de IA na leitura de documentos e como as plataformas evitam](https://blog.dynadok.com/ia/alucinacao-de-ia-na-leitura-de-documentos-o-que-e-e-como-as-plataformas-evitam/) detalha as técnicas de contenção, entre elas a conferência por regra e a revisão humana dos casos de baixa confiança. ## Como ensinar um novo tipo de documento à IA, passo a passo? Ensinar um novo tipo de documento à IA é um processo de engenharia com começo, meio e fim, e começa pela definição do que significa “documento válido” para a operação. O roteiro abaixo parte do método mais barato (prompt) e só sobe para o mais caro (fine-tuning) quando as métricas pedem. 1. Defina o objetivo e os campos do documento. Liste os campos que precisam ser extraídos, o formato de cada um e o que torna o documento aceito ou recusado. Sem essa definição, nenhuma das três abordagens tem como ser avaliada. 2. Reúna uma amostra real e separe um conjunto de teste. Colete documentos reais do novo tipo, incluindo digitalizados, fotografados e digitais, e reserve parte deles apenas para medir o resultado. A Microsoft recomenda que o conjunto represente todas as variações típicas do documento. 3. Escreva o prompt com instruções e de 3 a 5 exemplos. Descreva o documento, os campos e o formato de saída, e inclua exemplos resolvidos que cubram casos de borda, como campo ausente e data em formato diferente. Essa é a recomendação da Anthropic para o Claude. 4. Crie as regras de negócio que conferem a extração. Escreva verificações determinísticas para validade, consistência entre campos e cruzamento com cadastro ou base oficial. O guia de [como montar um checklist de validação para cada tipo de documento](https://blog.dynadok.com/implantacao/como-montar-um-checklist-de-validacao-para-cada-tipo-de-documento/) mostra como organizar essas regras por tipo. 5. Meça o resultado no conjunto de teste. Compare a saída com o gabarito campo a campo e registre acurácia, taxa de campos vazios e taxa de documentos que vão para revisão humana. A decisão de investir em fine-tuning depende desses números, não de impressão. 6. Avalie o fine-tuning só se o prompt não atingir a meta. Se o volume justificar e houver documentos rotulados suficientes, ajuste um modelo, de preferência com técnicas eficientes como o LoRA. Confira antes se os dados de treino respeitam a finalidade e a necessidade previstas na LGPD. 7. Coloque em produção com revisão humana nos casos incertos. Encaminhe para um analista os documentos em que o modelo tem baixa confiança ou em que uma regra falha. Cada correção humana vira exemplo novo para o prompt ou para o próximo ciclo de treino. 8. Monitore e versione continuamente. Acompanhe as métricas por tipo de documento e por emissor, porque mudanças de layout derrubam a acurácia sem aviso. Versione prompts, regras e modelos para conseguir explicar qualquer decisão passada. ## Como escolher entre fine-tuning, prompt engineering e regras? A escolha entre fine-tuning, prompt engineering e regras depende de cinco fatores: volume de documentos, variação de layout, disponibilidade de exemplos rotulados, exigência de auditoria e prazo para entrar em produção. Segundo a OpenAI, na documentação de otimização de modelos, “the prompt engineering process may be all you need” para obter bons resultados em muitos casos de uso. A comparação abaixo resume os critérios práticos. Ela não coloca as abordagens como concorrentes, porque em validação documental elas operam juntas: o modelo extrai, as regras conferem e o fine-tuning só entra quando o ganho compensa o custo de manutenção. CritérioPrompt engineering com few-shotFine-tuningRegras de negócioExemplos necessáriosDe 3 a 5 no prompt (Anthropic)De 5 a 100+ documentos rotulados (Microsoft, Google)Nenhum exemplo, só a especificaçãoPrazo para um tipo novoHoras ou diasSemanas, com rotulagem e validaçãoHoras, se o critério estiver claroAdaptação a mudança de layoutAlta, basta ajustar instruções e exemplosBaixa, exige retreinoBaixa, exige reescrever a regraCusto por documento em escalaMaior, por causa dos tokens de exemploMenor, com prompts curtos e modelo menor (OpenAI)Muito baixoAuditabilidade da decisãoMédia, a saída é probabilísticaMédia, a saída é probabilísticaAlta, cada verificação é explícitaFonte: elaboração própria com base em OpenAI, Anthropic, Google Cloud e Microsoft (documentações consultadas em 2026). ## Quais erros mais comuns ao adaptar a IA a um documento novo? Os erros mais comuns ao adaptar a IA a um novo tipo de documento vêm de pular etapas: treinar antes de medir, confiar no modelo sem regra e ignorar a proteção de dados. Cada erro abaixo tem uma consequência concreta na operação. - Começar pelo fine-tuning sem testar o prompt consome semanas de rotulagem e infraestrutura para um ganho que poucos exemplos no prompt talvez já entregassem. - Usar exemplos pouco diversos no prompt faz o modelo repetir padrões dos exemplos, e documentos fora do padrão saem com campos errados ou inventados. - Treinar com documentos reais sem [anonimização](https://dynadok.com/glossario-de-validacao-e-automacao-de-documentos/#anonimizacao "anonimização") viola o princípio da necessidade da LGPD, que limita o tratamento ao mínimo necessário para a finalidade. - Deixar o modelo decidir sozinho, sem regra de conferência, abre espaço para alucinação aprovada automaticamente e para fraudes que exploram a confiança no sistema. - Não reservar um conjunto de teste impede medir acurácia, e a operação só descobre o problema quando o erro chega ao cliente ou à auditoria. - Esquecer de versionar prompts, regras e modelos impede explicar uma decisão antiga quando um regulador ou um cliente pede justificativa. A LGPD é o ponto mais negligenciado. Segundo o art. 12 da Lei nº 13.709/2018, dados anonimizados não são considerados dados pessoais, salvo quando a anonimização puder ser revertida com esforços razoáveis. Anonimizar a base de treino antes do fine-tuning reduz o risco jurídico de usar documentos de clientes para ensinar o modelo. ## Como a Dynadok lida com novos tipos de documento? A Dynadok é uma plataforma de validação documental com IA que identifica, extrai e valida documentos em vários formatos e layouts, de imagens a PDFs. Segundo o site da empresa, a plataforma combina “diferentes modelos de IA, LLMs, OCR, visão computacional, RAG” e afirma que “não importa o tipo de documento, formato ou tamanho”. Para um tipo novo de documento, a Dynadok trabalha com a camada de regras como parte do produto: o cliente cria fluxos de validação e checklists sob medida, com regras, campos obrigatórios e validações específicas do seu processo. A plataforma também consulta 27 documentos e bases oficiais, segundo a Dynadok, e se integra a outros sistemas por API. Os resultados declarados pela empresa são de redução de até 95% do tempo gasto com validação manual e validações 10x mais rápidas, segundo a Dynadok. Segundo Chrystiano Mincoff, Diretor Executivo de Experiência e Permanência da Vitru Educação, a operação chegou a 90% de assertividade, com 9 de cada 10 cadastros validados pela IA. **Leia também no blog da Dynadok:** - [O que é captura inteligente de documentos? Conceito e exemplos](https://blog.dynadok.com/ia/o-que-e-captura-inteligente-de-documentos-conceito-e-exemplos/) - [Como medir a acurácia e a assertividade de uma IA na análise de documentos](https://blog.dynadok.com/ia/como-medir-a-acuracia-e-a-assertividade-de-uma-ia-na-analise-de-documentos/) - [Como automatizar a extração de dados de PDFs? IA reduz a burocracia empresarial](https://blog.dynadok.com/ia/como-automatizar-extracao-dados-pdfs/) - [A IA processa documentos longos e digitalizados de baixa qualidade?](https://blog.dynadok.com/ia/a-ia-processa-documentos-longos-e-digitalizados-de-baixa-qualidade/) - [Acurácia, precisão e recall na análise de documentos: entenda as métricas](https://blog.dynadok.com/ia/acuracia-precisao-e-recall-na-analise-de-documentos-entenda-as-metricas/) ## Perguntas frequentes sobre fine-tuning, prompt engineering e regras em documentos ### Fine-tuning é obrigatório para a IA ler um documento novo? Não. Fine-tuning não é obrigatório. Modelos de linguagem atuais executam tarefas novas apenas com instruções e exemplos no prompt, como demonstrou o artigo de Brown et al. (2020) com o GPT-3. O fine-tuning entra quando o prompt não atinge a meta de acurácia ou de custo. ### Quantos exemplos colocar no prompt para um novo tipo de documento? A Anthropic recomenda de 3 a 5 exemplos no prompt para os melhores resultados com o Claude. Os exemplos devem espelhar o caso real, cobrir casos de borda, como campo ausente, e ficar separados das instruções por tags, para o modelo não confundir exemplo com ordem. ### Quantos documentos são necessários para treinar um modelo customizado? Depende do produto. O Azure Document Intelligence exige no mínimo 5 documentos rotulados. O Google Document AI indica 3 documentos para template, de 10 a 100+ para modelo customizado e de 0 a 50+ para o modelo de fundação ajustado com IA generativa. ### O que é few-shot learning? Few-shot learning é a capacidade de um modelo executar uma tarefa a partir de poucos exemplos fornecidos no próprio prompt, sem alterar os pesos. O termo ganhou força com o artigo “Language Models are Few-Shot Learners”, de 2020, que apresentou o GPT-3 com 175 bilhões de parâmetros. ### Qual a diferença entre fine-tuning e prompt engineering? O fine-tuning altera os pesos do modelo com exemplos rotulados e gera um modelo novo. O prompt engineering mantém o modelo intacto e muda apenas a entrada, com instruções e exemplos. O fine-tuning exige mais dados e tempo; o prompt é mais rápido de ajustar. ### Regras de negócio ainda são necessárias com LLMs? Sim. Regras de negócio continuam necessárias porque a saída de um LLM é probabilística e pode conter alucinação. Regras determinísticas conferem validade, consistência entre campos e cruzamento com bases oficiais, e tornam cada decisão auditável, o que o modelo sozinho não garante. ### O que é LoRA no fine-tuning? LoRA (Low-Rank Adaptation) é uma técnica de fine-tuning eficiente que treina apenas matrizes pequenas acopladas ao modelo. Segundo Hu et al., da Microsoft, o LoRA reduz em 10.000 vezes os parâmetros treináveis e em 3 vezes a memória de GPU frente ao fine-tuning completo do GPT-3 175B. ### O que é o LayoutLM? O LayoutLM é um modelo pré-treinado que aprende texto e posição na página ao mesmo tempo. No artigo de Xu et al., o LayoutLM elevou a compreensão de formulários de 70,72 para 79,27 e a extração de recibos de 94,02 para 95,24. ### O que é o Donut na leitura de documentos? O Donut (OCR-free Document Understanding Transformer) é um modelo que lê a imagem do documento sem depender de OCR. Os autores, liderados por Geewook Kim, apontam que o OCR traz alto custo computacional, pouca flexibilidade a idiomas e tipos de documento e propagação de erros. ### O que é o benchmark DocVQA? O DocVQA é um conjunto de dados de perguntas e respostas sobre imagens de documentos, com 50.000 perguntas sobre mais de 12.000 imagens. O desempenho humano é de 94,36% de acurácia, e os modelos avaliados no lançamento ficaram bem abaixo, sobretudo em perguntas de estrutura. ### O que é o FUNSD? O FUNSD é um conjunto de dados para compreensão de formulários digitalizados com ruído, criado por pesquisadores da EPFL e da Universidade Técnica de Istambul. O FUNSD tem 199 formulários totalmente anotados, 31.485 palavras, 9.743 entidades semânticas e 5.312 relações entre elas. ### Fine-tuning reduz o custo por documento? Pode reduzir. Segundo a OpenAI, o fine-tuning permite usar prompts mais curtos, o que economiza tokens e reduz latência em escala, e treinar um modelo menor e mais barato para uma tarefa específica. O custo de rotular, treinar e manter o modelo precisa entrar na conta. ### A OpenAI ainda oferece fine-tuning? A documentação da OpenAI informa que a empresa está encerrando a plataforma de fine-tuning, que não está mais aberta a novos usuários. Usuários existentes podem criar treinos por mais alguns meses, e modelos ajustados seguem disponíveis até a descontinuação do modelo base. ### Few-shot fine-tuning generaliza pior que o prompt? Não necessariamente. O estudo de Mosbach et al. (2023), com modelos de 125 milhões a 30 bilhões de parâmetros, concluiu que modelos ajustados também generalizam bem fora do domínio, e que as duas abordagens variam muito conforme o tamanho do modelo e o número de exemplos. ### Quando vale treinar vários modelos em vez de um só? Segundo a Microsoft, no Azure Document Intelligence, um modelo neural único resolve conjuntos com por volta de 15 variações de layout ou menos. Acima de 15 variações, a recomendação é treinar vários modelos e compô-los em um modelo composto que escolhe o certo para cada documento. ### Posso usar documentos de clientes para treinar a IA? Pode, com cuidado jurídico. A LGPD exige finalidade específica e limita o tratamento ao mínimo necessário. Segundo o art. 12 da Lei nº 13.709/2018, dados anonimizados de forma irreversível deixam de ser dados pessoais, o que reduz o risco do treino. ### O que fazer quando o emissor muda o layout do documento? Quando o emissor muda o layout, ajuste os exemplos e as instruções do prompt, revise as regras que dependiam da posição dos campos e meça de novo no conjunto de teste. Se houver modelo ajustado, inclua documentos do novo layout no próximo retreino. ### Prompt engineering funciona com documentos digitalizados de baixa qualidade? Funciona com limites. Modelos multimodais leem a imagem diretamente, mas digitalização ruim reduz a acurácia de qualquer abordagem. Incluir exemplos digitalizados no prompt e encaminhar casos de baixa confiança para revisão humana reduz o impacto da baixa qualidade. ### Quem define as regras de validação de um documento novo? As regras de validação de um documento novo são definidas pela área de negócio dona do processo, como cadastro, crédito ou compliance, com apoio de quem configura a plataforma. A IA executa e mede as regras, mas o critério de aceite é decisão da operação. ### Como medir se a IA aprendeu o novo tipo de documento? Meça a saída da IA contra um conjunto de teste com gabarito, campo a campo. Registre acurácia por campo, taxa de campos vazios e taxa de documentos enviados para revisão humana, e repita a medição a cada mudança de prompt, regra ou modelo. ## Conclusão Uma IA aprende um novo tipo de documento de forma mais rápida e segura quando a operação combina as três camadas: prompt com 3 a 5 exemplos para entrar em produção em dias, regras de negócio para tornar cada decisão auditável e fine-tuning apenas quando volume e métricas justificam. Os benchmarks mostram que layout e estrutura ainda separam máquinas de humanos, como os 94,36% humanos no DocVQA. Para ver como a Dynadok aplica regras e checklists sob medida a novos documentos, [solicite uma demonstração da plataforma Dynadok](https://dynadok.com). ## Como citar este artigo ABNT: DYNADOK. Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento. Blog Dynadok, 16 out. 2026. Disponível em: https://blog.dynadok.com/ia/fine-tuning-prompt-regras-novo-documento/. Acesso em: 16 out. 2026. APA: Dynadok. (2026, 16 de outubro). Fine-tuning x prompt engineering x regras: como uma IA aprende um novo tipo de documento. Blog Dynadok. https://blog.dynadok.com/ia/fine-tuning-prompt-regras-novo-documento/ ## Referências ANTHROPIC. Use examples (multishot prompting) to guide Claude’s behavior. Claude Docs, 2026. Disponível em: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/multishot-prompting. Acesso em: 16 out. 2026. BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br/ccivil\_03/\_ato2015-2018/2018/lei/l13709.htm. Acesso em: 16 out. 2026. BROWN, Tom B. et al. Language Models are Few-Shot Learners. arXiv, 28 maio 2020. Disponível em: https://arxiv.org/abs/2005.14165v2. Acesso em: 16 out. 2026. DYNADOK. Plataforma de validação documental com IA. Dynadok, 2026. Disponível em: https://dynadok.com. Acesso em: 16 out. 2026. GOOGLE CLOUD. Custom extractor overview. Document AI Documentation, 2026. Disponível em: https://docs.cloud.google.com/document-ai/docs/custom-extractor-overview. Acesso em: 16 out. 2026. HU, Edward et al. LoRA: Low-Rank Adaptation of Large Language Models. arXiv, 2021. Disponível em: https://ar5iv.labs.arxiv.org/html/2106.09685. Acesso em: 16 out. 2026. JAUME, Guillaume; EKENEL, Hazım Kemal; THIRAN, Jean-Philippe. FUNSD: A Dataset for Form Understanding in Noisy Scanned Documents. arXiv, 2019. Disponível em: https://ar5iv.arxiv.org/html/1905.13538. Acesso em: 16 out. 2026. KIM, Geewook et al. OCR-free Document Understanding Transformer. arXiv, 30 nov. 2021. Disponível em: https://arxiv.org/abs/2111.15664v4. Acesso em: 16 out. 2026. MATHEW, Minesh; KARATZAS, Dimosthenis; JAWAHAR, C. V. DocVQA: A Dataset for VQA on Document Images. arXiv, 1 jul. 2020. Disponível em: https://arxiv.org/abs/2007.00398v3. Acesso em: 16 out. 2026. MICROSOFT. Custom labels: Document Intelligence v4.0. Microsoft Learn, 2026. Disponível em: https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/train/custom-labels?view=doc-intel-4.0.0. Acesso em: 16 out. 2026. MOSBACH, Marius et al. Few-shot Fine-tuning vs. In-context Learning: A Fair Comparison and Evaluation. arXiv, 26 maio 2023. Disponível em: https://arxiv.org/abs/2305.16938v2. Acesso em: 16 out. 2026. OPENAI. Model optimization. OpenAI API Docs, 2026. Disponível em: https://developers.openai.com/api/docs/guides/model-optimization. Acesso em: 16 out. 2026. XU, Yiheng et al. LayoutLM: Pre-training of Text and Layout for Document Image Understanding. arXiv, 31 dez. 2019. Disponível em: https://arxiv.org/abs/1912.13318v3. Acesso em: 16 out. 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. [ ](#) [ ](#) [ ](#) [ ](#) [ ](#) [ ](#)