--- source_url: "https://blog.dynadok.com/ia/ia-documental-em-portugues/" title: "IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros" generated_at: 2026-11-14T17:13:52Z 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/ia-documental-em-portugues/#article", "url": "https://blog.dynadok.com/ia/ia-documental-em-portugues/", "headline": "IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros", "datePublished": "2026-11-14T17:00:00+00:00", "dateModified": "2026-10-16T13:00:19+00:00", "inLanguage": "pt-BR", "publisher": { "@type": "Organization", "name": "Blog Dynadok - Análise documental automatizada por I.A", "url": "https://blog.dynadok.com/" }, "description": "Modelos treinados em inglês erram em RG, CNH e CPF. Veja dados do MMLU, BLUEX e Common Crawl e como validar documentos brasileiros com IA.", "author": { "@type": "Person", "name": "Equipe Dynadok" }, "image": "https://blog.dynadok.com/wp-content/uploads/2026/10/capa-ia-documental-em-portugues.png" } ] } ``` # IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros ![Capa do blog Dynadok com ícones de validação de documentos: IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros](https://blog.dynadok.com/wp-content/uploads/2026/10/capa-ia-documental-em-portugues.png)Modelos de IA treinados majoritariamente em inglês erram em documentos brasileiros porque viram pouco português, pouco contexto do Brasil e quase nenhum RG, CNH ou CPF real durante o treino. O efeito aparece em benchmarks: no MMLU, o GPT-4o cai de 0,8870 em inglês para 0,8427 em português do Brasil, segundo a OpenAI. A solução é combinar modelos fortes em português com regras brasileiras de validação e revisão humana. Resumir com IA [ ChatGPT ](#) [ Claude ](#) [ Perplexity ](#) [ Gemini ](#) Prompt copiado! É só colar no Gemini. ## Pontos-chave - O português responde por 2,4899% das páginas HTML do Common Crawl CC-MAIN-2026-39, contra 41,8620% do inglês, segundo as estatísticas oficiais do Common Crawl. - No MMLU traduzido por profissionais, o GPT-4o fez 0,8870 em inglês e 0,8427 em português do Brasil, segundo o OpenAI o1 System Card (dezembro de 2024). - No benchmark BLUEX, com 1.095 questões de vestibulares da UNICAMP e da USP, 132 questões (12%) exigem conhecimento específico do Brasil, segundo Almeida et al. (2023). - O Sabiá-65B, com pré-treino adicional em 10,4 bilhões de tokens em português, chegou a 69,2 de NPM nos datasets nativos do Poeta, contra 59,1 do LLaMA-65B, segundo a Maritaca AI. - O mesmo texto traduzido pode gerar até 15 vezes mais tokens em um idioma do que em outro, segundo Petrov et al. (NeurIPS 2023), o que encarece e encurta o contexto. - O BID Dataset, primeiro conjunto público de documentos de identificação brasileiros, tem 28.800 imagens de RG, CNH e CPF, todas com dados falsos para respeitar a lei de proteção de dados. ## O que é IA documental em português e por que o idioma do treino importa? IA documental em português é o uso de modelos de linguagem, visão computacional e OCR para ler, classificar, extrair e validar documentos escritos em português, como RG, CNH, CPF, comprovantes, certidões e notas fiscais. O resultado depende de três fatores: quanto português o modelo viu no treino, quanto contexto brasileiro ele absorveu e quantos documentos parecidos com os brasileiros passaram pelos dados de treinamento. A maioria dos grandes modelos de linguagem (LLMs, do inglês Large Language Models) aprende a partir de textos coletados da web. Uma das principais bases públicas é o Common Crawl, e nele o inglês domina: no recorte CC-MAIN-2026-39, 41,8620% das páginas HTML têm o inglês como idioma principal, enquanto o português aparece em 2,4899%, segundo a própria Common Crawl. O português fica atrás de russo, alemão, espanhol e chinês nessa contagem. ### O que significa “modelo treinado em inglês”? 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. Modelo treinado em inglês é o LLM cujo corpus de pré-treino tem o inglês como idioma amplamente majoritário, mesmo que o modelo responda em dezenas de línguas. Esse modelo fala português com fluência razoável, mas aprendeu menos sobre instituições, leis, formatos e siglas brasileiras. A fluência no idioma esconde a lacuna de conhecimento local. Os pesquisadores da Maritaca AI chegaram a essa conclusão ao treinar o Sabiá. No artigo “Sabiá: Portuguese Large Language Models” (2023), Ramon Pires, Hugo Abonizio, Thales Sales Almeida e Rodrigo Nogueira concluem que o principal ganho do pré-treino em português é injetar conhecimento de domínio sobre a cultura brasileira, e não apenas melhorar a proficiência no idioma. O ENEM, que cobra história, geografia e literatura do Brasil, ficou entre os maiores ganhos. ### Por que documento brasileiro é um caso à parte? Documento brasileiro combina idioma, layout e regra local. Um RG tem formato diferente em cada estado emissor, a CNH tem campos e siglas próprios, e o CPF virou identificador único do cidadão nos bancos de dados públicos pela Lei 14.534/2023. Um modelo que nunca viu esses padrões tende a confundir campos, inventar valores ou ignorar inconsistências que um analista brasileiro percebe na hora. Para entender a etapa de leitura antes da interpretação, vale conhecer [os limites do OCR na leitura de documentos](https://blog.dynadok.com/ia/ocr-o-que-e-como-funciona-e-quais-sao-os-limites-da-tecnologia/), porque boa parte dos erros em português nasce na transcrição do texto da imagem. ## Quanto os modelos perdem quando saem do inglês para o português? Os modelos de fronteira perdem poucos pontos em testes de conhecimento geral traduzidos, mas perdem muito mais quando a tarefa exige contexto brasileiro. No MMLU com tradução humana profissional para 14 idiomas, o GPT-4o fez 0,8870 em inglês e 0,8427 em português do Brasil, uma queda de 4,43 pontos percentuais, segundo o OpenAI o1 System Card. O o1 caiu de 0,9230 para 0,8952. 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/) Testes de conhecimento geral traduzidos medem a capacidade de raciocinar em português, não o domínio do Brasil. O benchmark BLUEX, criado por pesquisadores da UNICAMP, da Maritaca AI e da NeuralMind, usa 1.095 questões dos vestibulares da UNICAMP e da USP entre 2018 e 2023. Nas 638 questões sem imagem, o GPT-4 acertou 0,748, o GPT-3.5-Turbo 0,582 e o LLaMA 7B 0,255, perto do acaso de 0,220. IndicadorResultadoFonte e anoPáginas em português no Common Crawl2,4899% (inglês: 41,8620%)Common Crawl, CC-MAIN-2026-39MMLU, GPT-4o, inglês x português do Brasil0,8870 x 0,8427OpenAI o1 System Card, 2024MMMLU, GPT-4o-2024-11-20, português do Brasil0,836 (média de 14 idiomas: 0,814)OpenAI simple-evals, 2024BLUEX sem imagens, GPT-4 x LLaMA 65B0,748 x 0,542Almeida et al., 2023Poeta, datasets nativos, Sabiá-65B x LLaMA-65B69,2 x 59,1 de NPMPires et al., 2023Provas brasileiras, Sabiá-2 Medium x GPT-4 Turbo65,6% x 74,6% (38 provas)Almeida et al., 2024Fonte: elaboração própria com base em Common Crawl (2026), OpenAI (2024), Almeida et al. (2023 e 2024) e Pires et al. (2023). ### Por que a diferença cresce em conteúdo nativo brasileiro? A diferença cresce porque benchmarks traduzidos carregam conteúdo pensado em inglês. No Poeta, conjunto de 14 datasets em português, o LLaMA-65B fez 68,4 de NPM nos datasets traduzidos e só 59,1 nos datasets nativos, enquanto o Sabiá-65B, especializado em português, manteve 69,6 e 69,2. O tombo do LLaMA aparece justamente no texto escrito originalmente por brasileiros. ### Quanto custa processar português em tokens? Processar português custa mais tokens do que processar inglês na maioria dos modelos. Token é o pedaço de texto que o modelo lê e cobra; quanto mais tokens por palavra, maior o custo e menor o espaço de contexto. Petrov et al. (NeurIPS 2023) mostraram que o mesmo texto traduzido pode ter comprimento tokenizado até 15 vezes maior de um idioma para outro, e Ahia et al. (EMNLP 2023), ao analisar a API da OpenAI em 22 idiomas, concluíram que falantes de muitos idiomas pagam mais e recebem resultados piores. No português, o relatório do Tucano 2 (2026) mediu a fertilidade, ou tokens por palavra, em 600.000 palavras: o tokenizador do Llama-3.2 gerou 1,91 token por palavra, o do Qwen3 gerou 1,93 e o do Granite-3.3 gerou 2,29, contra 1,51 do Tucano2, treinado para o português. O Llama-3.2 precisou de 1.147.831 tokens para o mesmo texto que o Tucano2 codificou em 906.049. ## O que os documentos brasileiros exigem de uma IA? Os documentos brasileiros exigem que a IA reconheça layouts estaduais, siglas nacionais e regras de identificação definidas em lei. O exemplo mais direto é o CPF. A Lei 14.534, de 11 de janeiro de 2023, estabelece o CPF “como número único e suficiente para identificação do cidadão nos bancos de dados de serviços públicos” (art. 1º). Uma IA que valida cadastro no Brasil precisa tratar o CPF como chave de cruzamento entre documentos. A mesma lei determina, no §1º do art. 1º, que o número do CPF conste dos cadastros e dos documentos de órgãos públicos, e o art. 9º deu 12 meses para a adequação de sistemas e 24 meses para a interoperabilidade entre bases a partir do CPF. Na prática, documentos emitidos em datas diferentes podem trazer ou não o CPF impresso, e a IA precisa entender as duas situações sem acusar fraude onde só existe mudança de regra. Elemento do documento brasileiroO que a IA precisa fazerBaseCPF como identificador únicoUsar o CPF como chave para cruzar RG, CNH, comprovantes e cadastrosLei 14.534/2023, art. 1ºCPF impresso em documentos públicosAceitar documentos com e sem CPF conforme a data de emissãoLei 14.534/2023, art. 1º, §1ºPrazos de adequação dos órgãosConsiderar 12 meses para sistemas e 24 meses para interoperabilidadeLei 14.534/2023, art. 9ºRG, CNH e CPF em frente, verso ou frente e versoClassificar o tipo e a face antes de extrair os camposBID Dataset, 8 classes, 2020Fotos com iluminação e qualidade variáveisExtrair campos da CNH mesmo com imagem imperfeitaMattos et al., SEMISH 2025Fonte: elaboração própria com base na Lei 14.534/2023, em Soares et al. (2020) e em Mattos et al. (2025). ### Por que faltam dados de documentos brasileiros para treinar IA? Faltam dados porque documentos de identificação carregam dados pessoais e quase nunca são publicados. O BID Dataset, apresentado no SIBGRAPI 2020 por Álysson Soares, Ricardo das Neves Junior e Byron Bezerra, se descreve como o primeiro conjunto público de documentos de identificação brasileiros e só existe porque todas as informações nele são falsas, para cumprir a lei de proteção de dados pessoais. O BID reúne 28.800 imagens, com 3.600 amostras em cada uma das 8 classes: CNH frente, verso e frente e verso; CPF frente e verso; RG frente, verso e frente e verso. Os autores apontam classificação do tipo de documento e leitura dos campos como as tarefas que o conjunto ajuda a automatizar. Se o principal conjunto público tem dados fictícios, os modelos genéricos viram ainda menos documentos brasileiros reais durante o treino. ## Como os erros aparecem na prática e onde o processo falha? Os erros de modelos treinados em inglês aparecem como campos trocados, valores inventados e regras brasileiras ignoradas. A leitura parece correta à primeira vista, porque o texto de saída é fluente, e por isso o erro passa pela revisão apressada. Uma IA generalista que lê “Órgão Emissor: SSP/SP” sem conhecer a sigla pode descartar o campo ou preenchê-lo em outro lugar do cadastro. Os gargalos mais frequentes na leitura de documentos brasileiros por IA genérica são: - Confusão entre RG, CPF e número de registro da CNH, porque os três aparecem como sequências numéricas no mesmo documento e o modelo genérico não conhece a hierarquia definida pela Lei 14.534/2023. - Datas no formato dia, mês e ano interpretadas como mês, dia e ano, o padrão americano dominante nos dados de treino em inglês. - Acentos, cedilhas e til perdidos no OCR, que mudam nomes próprios e endereços e quebram o cruzamento com bases oficiais. - Siglas de órgãos emissores, estados e categorias de habilitação tratadas como texto livre, sem validação contra listas brasileiras. - Valores e campos preenchidos por inferência quando a imagem está ruim, o que o setor chama de alucinação, com aparência de dado lido. - Custo e latência maiores em português, porque o mesmo texto ocupa mais tokens, como mostraram Petrov et al. (2023) e Ahia et al. (2023). Para o risco de alucinação, vale entender [como as plataformas evitam a alucinação de IA na leitura de documentos](https://blog.dynadok.com/ia/alucinacao-de-ia-na-leitura-de-documentos-o-que-e-e-como-as-plataformas-evitam/) ajuda a desenhar a etapa de conferência. A especialização reduz parte desses erros. Segundo Rodrigo Nogueira, fundador e CEO da Maritaca AI, em entrevista ao SBT News em 2024, “ao especializar essas linguagens para o português, o desempenho melhorava ainda mais”. ## Como avaliar e implantar IA documental em português, passo a passo? Avaliar IA documental em português significa testar o modelo nos documentos reais da operação, em português, antes de confiar nele em produção. 1. Monte uma amostra com os documentos brasileiros da sua operação. Inclua RG de vários estados, CNH, comprovantes, certidões e fotos de celular com qualidade variada. Use dados anonimizados ou fictícios, como fez o BID Dataset, para respeitar a proteção de dados pessoais. 2. Defina o gabarito campo a campo antes de testar. Anote o valor correto de cada campo (nome, CPF, data de nascimento, órgão emissor) para medir acerto por campo, e não só por documento. Sem gabarito, a fluência do texto de saída mascara o erro. 3. Compare modelos generalistas e modelos especializados em português. Teste ao menos um modelo de fronteira e um modelo treinado ou ajustado para o português, como a família Sabiá. O artigo do Sabiá-2 mostrou que a especialização igualou ou superou o GPT-4 em 23 de 64 provas brasileiras. 4. Meça o custo em tokens com textos brasileiros reais. Rode os mesmos documentos em cada modelo e registre tokens consumidos, latência e custo. O relatório do Tucano 2 mostra que a fertilidade em português varia de 1,51 a 2,29 tokens por palavra conforme o tokenizador. 5. Adicione regras brasileiras depois da extração. Valide o CPF como chave de cruzamento, confira datas no formato dia, mês e ano e compare siglas com listas oficiais. A Lei 14.534/2023 torna o CPF o eixo natural dessa conferência. 6. Crie um limiar de confiança e uma fila de revisão humana. Defina quais campos e quais níveis de confiança vão direto e quais seguem para um analista. A revisão humana trata as exceções, e o volume dela é a métrica de maturidade do processo. 7. Monitore o desempenho em produção por tipo de documento. Acompanhe acerto por campo, taxa de revisão e falsos alertas para cada tipo (RG, CNH, comprovante). Reavalie os modelos a cada nova versão, porque os resultados nos benchmarks mudam de uma geração para outra. ## Qual abordagem escolher para ler documentos brasileiros com IA? A melhor abordagem para documentos brasileiros combina extração com um modelo forte em português e uma camada de regras locais com revisão humana. OCR isolado transcreve, mas não interpreta; um LLM generalista interpreta, mas pode inventar e não conhece todas as regras brasileiras; um modelo especializado em português reduz o custo em tokens e melhora o contexto local, como mostram os resultados do Sabiá no Poeta. O custo também pesa na escolha. O artigo do Sabiá-2 informa preço por token 10 vezes menor que o do GPT-4, e o relatório técnico do Sabiá-3 afirma desempenho médio comparável ao de modelos de fronteira com custo por token três a quatro vezes menor. Esses números são declarados pela Maritaca AI, desenvolvedora dos modelos. AbordagemLida com contexto brasileiro?Risco principalQuando usarOCR tradicional (por exemplo, Tesseract)Não, só transcreve o textoAcentos perdidos e campos sem significadoDocumentos digitais limpos com layout fixoLLM generalista treinado em inglêsParcialmente, depende do treinoAlucinação e siglas brasileiras ignoradasTriagem e textos gerais, com revisãoLLM especializado em portuguêsMelhor, com conhecimento local injetado no treinoMenor cobertura de outros idiomasVolume alto de textos e documentos em portuguêsPlataforma de validação documental com regras brasileirasSim, com regras e cruzamentos explícitosExige configuração de regras por documentoOnboarding, KYC, crédito e cadastros reguladosFonte: elaboração própria com base em Pires et al. (2023), Almeida et al. (2024), Abonizio et al. (2024) e Mattos et al. (2025). A comparação entre tecnologias de leitura está detalhada no guia sobre [quando usar OCR, IDP ou LLMs para analisar documentos](https://blog.dynadok.com/ia/ocr-idp-ou-llms-qual-tecnologia-usar-para-ler-e-analisar-documentos/). ## Quais erros evitar ao usar IA em documentos em português? O erro mais caro é confiar em benchmark de inglês para decidir sobre documentos brasileiros. O GPT-4o perde 4,43 pontos percentuais do inglês para o português no MMLU, segundo a OpenAI, e a perda é maior em conteúdo nativo, como mostram o BLUEX e o Poeta. Os erros abaixo aparecem com frequência em projetos de IA documental no Brasil: - Escolher o modelo pelo ranking em inglês: o desempenho real em documentos brasileiros fica abaixo do esperado e o problema só aparece em produção. - Testar com documentos de exemplo estrangeiros ou genéricos: a avaliação ignora RG estadual, CNH e CPF, e a taxa de erro real fica escondida. - Ignorar o custo em tokens do português: a fatura e a latência sobem, porque o mesmo texto consome mais tokens em português do que em inglês. - Usar o LLM sem regras de validação brasileiras: o sistema aceita CPF inconsistente, datas invertidas e siglas inválidas sem alerta. - Eliminar a revisão humana nos casos de baixa confiança: valores alucinados entram no cadastro como se fossem lidos do documento. - Treinar ou testar com dados pessoais reais sem base legal: a empresa se expõe à lei de proteção de dados, o mesmo motivo que levou o BID Dataset a usar apenas dados falsos. ## Como a Dynadok resolve a leitura de documentos brasileiros? 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. A plataforma aplica regras e checklists personalizados, cruza informações entre documentos e oferece API para integrar a validação aos sistemas da empresa. Segundo a Dynadok, a plataforma reduz até 95% do tempo gasto com validação manual. A abordagem da Dynadok segue a lógica deste artigo: extração com IA generativa, conferência por regras brasileiras e revisão humana para exceções. Segundo a Dynadok, a plataforma emite ou consulta automaticamente 27 documentos e consultas oficiais, como CNPJ, certidões fiscais e trabalhistas e listas de sanções, o que permite cruzar o documento enviado com a fonte oficial. Clientes relatam o efeito no site da empresa. Segundo Chrystiano Mincoff, Diretor Executivo de Experiência e Permanência, a IA valida “9 em cada 10 inscrições”, e só uma segue para revisão humana. Karla Lemos, Gerente de CSC, relata que a análise documental do Prouni passou de 25 para 10 pessoas. Cássio Lapertosa, Diretor de TI, destaca que a IA interpreta documentos, e não apenas lê campos. **Leia também no blog da Dynadok:** - [A IA entende carimbos, rasuras e assinaturas? O que esperar da leitura de documentos reais](https://blog.dynadok.com/ia/a-ia-entende-carimbos-rasuras-e-assinaturas-o-que-esperar-da-leitura-de-documentos-reais/) - [A Dynadok já tem experiência no meu tipo de processo? Como avaliar](https://blog.dynadok.com/ia/a-dynadok-ja-tem-experiencia-no-meu-tipo-de-processo-como-avaliar/) - [Burocracia no Brasil: quanto tempo as empresas perdem com papelada?](https://blog.dynadok.com/ia/burocracia-no-brasil-quanto-tempo-as-empresas-perdem-com-papelada/) - [Quanto custa a fraude documental para as empresas brasileiras?](https://blog.dynadok.com/antifraude/quanto-custa-a-fraude-documental-para-as-empresas-brasileiras/) - [RAG e LLMs multimodais: como funciona a leitura inteligente de documentos](https://blog.dynadok.com/ia/rag-e-llms-multimodais-como-funciona-a-leitura-inteligente-de-documentos/) ## Perguntas frequentes sobre IA documental em português ### O ChatGPT entende documentos brasileiros? Sim, em boa parte, mas com perda em relação ao inglês. No MMLU com tradução profissional, o GPT-4o fez 0,8427 em português do Brasil contra 0,8870 em inglês, segundo a OpenAI. Em documentos brasileiros, a perda tende a ser maior, porque exige siglas, layouts e regras locais que o modelo viu pouco. ### Por que modelos de IA têm menos português nos dados de treino? Porque a web, principal fonte de treino, tem pouco português. No Common Crawl CC-MAIN-2026-39, o português responde por 2,4899% das páginas HTML e o inglês por 41,8620%, segundo a Common Crawl. Modelos que aprendem com a web absorvem essa proporção, salvo quando recebem pré-treino extra em português. ### O que é o benchmark BLUEX? BLUEX é um benchmark de vestibulares brasileiros criado por pesquisadores da UNICAMP, da Maritaca AI e da NeuralMind. Ele reúne 1.095 questões de múltipla escolha da UNICAMP e da USP aplicadas entre 2018 e 2023, das quais 132 exigem conhecimento específico do Brasil e 457 dependem de imagens, segundo Almeida et al. (2023). ### O que é o benchmark Poeta? Poeta é um conjunto de 14 datasets em português, metade nativos e metade traduzidos, usado pela Maritaca AI para avaliar o Sabiá. No Poeta, o Sabiá-65B fez 69,4 de NPM no total, contra 67,0 do GPT-3.5-turbo e 63,7 do LLaMA-65B, segundo Pires et al. (2023). ### O que é o MMMLU? MMMLU é a versão multilíngue do MMLU publicada pela OpenAI, com o teste traduzido por profissionais para 14 idiomas. No repositório simple-evals, o GPT-4o-2024-11-20 fez 0,836 em português do Brasil e média de 0,814 entre os idiomas, enquanto o o1 fez 0,895 em português, segundo a OpenAI. ### Um modelo especializado em português é sempre melhor? Não, depende da tarefa. O Sabiá-2 Medium igualou ou superou o GPT-4 em 23 de 64 provas brasileiras, mas teve média de 65,6% contra 74,6% do GPT-4 Turbo em 38 provas recentes, segundo a Maritaca AI. A especialização ajuda no contexto local; o tamanho e a geração do modelo continuam pesando. ### Escrever em português gasta mais tokens? Sim, na maioria dos tokenizadores. O relatório do Tucano 2 mediu 1,91 token por palavra em português no Llama-3.2 e 1,93 no Qwen3, contra 1,51 no Tucano2, treinado para o português. Mais tokens significam custo maior por documento, mais latência e menos espaço de contexto disponível. ### Quanto a tokenização pode variar entre idiomas? A tokenização pode variar até 15 vezes entre idiomas para o mesmo texto traduzido, segundo Petrov et al., da Universidade de Oxford, em artigo apresentado na NeurIPS 2023. Os autores afirmam que essa diferença faz algumas comunidades pagarem mais por serviços de IA, esperarem mais pela resposta e terem menos contexto disponível. ### O que é o BID Dataset? O BID Dataset é o primeiro conjunto público de imagens de documentos de identificação brasileiros, apresentado no SIBGRAPI 2020. Ele tem 28.800 imagens de RG, CNH e CPF, divididas em 8 classes de 3.600 amostras, e todas as informações são falsas para respeitar a lei de proteção de dados pessoais. ### Por que é difícil treinar IA com documentos brasileiros reais? Porque RG, CNH e CPF carregam dados pessoais e quase nunca podem ser publicados. Os autores do BID Dataset afirmam que conjuntos públicos de documentos de identificação são escassos e que pesquisadores dependem de parcerias com instituições ou de dados próprios. Por isso o BID usa apenas dados fictícios. ### O que a Lei 14.534/2023 muda para a IA documental? A Lei 14.534/2023 torna o CPF o número único e suficiente para identificar o cidadão nos bancos de dados de serviços públicos. Para a IA documental, o CPF vira a chave natural de cruzamento entre RG, CNH, comprovantes e cadastros, e a validação deve considerar documentos emitidos antes e depois da regra. ### Quais prazos a Lei 14.534/2023 deu aos órgãos públicos? A Lei 14.534/2023 deu, no art. 9º, 12 meses para os órgãos adequarem sistemas e atendimento ao CPF como número de identificação e 24 meses para garantirem a interoperabilidade entre cadastros e bases de dados a partir do CPF. A lei foi publicada em 11 de janeiro de 2023. ### OCR resolve a leitura de documentos em português? Não sozinho. O OCR transcreve o texto da imagem, mas não interpreta campos nem aplica regras brasileiras, e falha com acentos, carimbos e fotos ruins. O estudo do IFES no SEMISH 2025, que comparou TrOCR, Tesseract e modelos GPT em CNHs, apontou iluminação e qualidade de imagem como desafios centrais. ### A IA inventa dados ao ler documentos? Sim, pode inventar. Quando a imagem está ruim ou o campo não é reconhecido, um LLM pode preencher valores plausíveis em vez de indicar a dúvida, fenômeno chamado de alucinação. Regras de validação, limiar de confiança e revisão humana nos casos duvidosos são as defesas mais usadas contra esse erro. ### Benchmark traduzido automaticamente serve para avaliar português? Sim, para conhecimento geral. Um estudo da UFAL apresentado na BRACIS 2025 comparou traduções do MMLU por Google Translate, GPT-3.5, GPT-4o e tradutores humanos e encontrou diferenças pequenas, com ganho de 0,85% a 1,52% para a tradução do GPT-4o. Para documentos brasileiros, o teste com material nativo continua necessário. ### Pré-treino em português melhora o modelo em quê? Melhora principalmente o conhecimento sobre o Brasil. Os autores do Sabiá concluíram que o maior ganho do pré-treino em 10,4 bilhões de tokens em português foi injetar conhecimento cultural e de domínio, e não só proficiência no idioma. O ENEM, que cobra história, geografia e literatura brasileiras, ficou entre os maiores ganhos. ### Quanto custou treinar o Sabiá? O artigo do Sabiá estima 9.000 dólares para o pré-treino adicional do Sabiá-7B e 80.000 dólares para o Sabiá-65B, com base no preço de TPUs sob demanda. Os dois partiram do LLaMA e receberam 10,4 bilhões de tokens em português, segundo Pires et al. (2023). ### Como testar se uma IA lê bem os documentos da minha empresa? Monte uma amostra com documentos reais anonimizados, defina o valor correto de cada campo e meça o acerto por campo, não só por documento. Compare um modelo generalista e um especializado em português, registre tokens e custo, e acompanhe a taxa de revisão humana por tipo de documento. ### A IA substitui o analista na validação de documentos? Não totalmente. A IA automatiza a maior parte dos casos e envia as exceções para revisão humana. No site da Dynadok, Chrystiano Mincoff, Diretor Executivo de Experiência e Permanência, relata que 9 em cada 10 inscrições são validadas pela IA e uma segue para revisão humana. ### Quais documentos brasileiros a IA documental consegue validar? A IA documental valida documentos de identificação (RG, CNH, CPF), comprovantes, certidões, notas fiscais e documentos de empresas, desde que treinada ou configurada para os layouts brasileiros. Segundo a Dynadok, a plataforma também emite ou consulta automaticamente 27 documentos e consultas oficiais, como CNPJ, certidões fiscais e trabalhistas e listas de sanções. ## Conclusão Modelos treinados em inglês erram em documentos brasileiros porque o português é minoria nos dados de treino (2,4899% do Common Crawl), porque o contexto brasileiro pesa mais do que a fluência no idioma e porque quase não há documentos brasileiros públicos para aprender. A resposta é avaliar com documentos reais em português, combinar o modelo com regras brasileiras, como o CPF da Lei 14.534/2023, e manter revisão humana nas exceções. Para ver essa abordagem aplicada aos seus documentos, [solicite uma demonstração da Dynadok](https://dynadok.com). ## Como citar este artigo ABNT: DYNADOK. IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros. Blog Dynadok, 16 out. 2026. Disponível em: https://blog.dynadok.com/ia/ia-documental-em-portugues/. Acesso em: 16 out. 2026. APA: Dynadok. (2026, 16 de outubro). IA documental em português: por que modelos treinados em inglês erram em documentos brasileiros. Blog Dynadok. https://blog.dynadok.com/ia/ia-documental-em-portugues/ ## Referências ABONIZIO, Hugo et al. Sabiá-3 Technical Report. arXiv, 2024. Disponível em: https://arxiv.org/abs/2410.12049v4. Acesso em: 16 out. 2026. AHIA, Orevaoghene et al. Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models. In: EMNLP 2023. Singapura: ACL, 2023. p. 9904-9923. Disponível em: https://preview.aclanthology.org/nschneid-patch-1/2023.emnlp-main.614. Acesso em: 16 out. 2026. ALMEIDA, Thales Sales et al. BLUEX: A benchmark based on Brazilian Leading Universities Entrance eXams. arXiv, 2023. Disponível em: https://arxiv.org/pdf/2307.05410. Acesso em: 16 out. 2026. ALMEIDA, Thales Sales et al. Sabiá-2: A New Generation of Portuguese Large Language Models. arXiv, 2024. Disponível em: https://arxiv.org/pdf/2403.09887. Acesso em: 16 out. 2026. BRASIL. Lei nº 14.534, de 11 de janeiro de 2023. Adota número único para os documentos que especifica. Brasília: Presidência da República, 2023. Disponível em: https://www.planalto.gov.br/ccivil\_03/\_ato2023-2026/2023/lei/L14534.htm. Acesso em: 16 out. 2026. COELHO, Cido. Pesquisadores da Unicamp desenvolvem “ChatGPT” e “DALL-E” brasileiros. SBT News, 2 abr. 2024. Disponível em: https://sbtnews.sbt.com.br/noticia/tecnologia/mirando-a-open-ai-pesquisadores-da-unicamp-desenvolvem-chat-gpt-e-dall-e-brasileiros. Acesso em: 16 out. 2026. COMMON CRAWL. Statistics of Common Crawl Monthly Archives: distribution of languages. 2026. Disponível em: https://commoncrawl.github.io/cc-crawl-statistics/plots/languages. Acesso em: 16 out. 2026. CORREA, Nicholas Kluge et al. Tucano 2 Cool: Better Open Source LLMs for Portuguese. arXiv, 2026. Disponível em: https://arxiv.org/pdf/2603.03543. Acesso em: 16 out. 2026. DYNADOK. Validação documental com IA. 2026. Disponível em: https://dynadok.com. Acesso em: 16 out. 2026. MATTOS, Suziane L. R. R.; BOLDT, Francisco de A.; PAIXÃO, Thiago M. Comparative Evaluation of Text Recognition Methods for Field Extraction in Brazilian National Driver’s Licenses. In: SEMISH 2025. Porto Alegre: SBC, 2025. Disponível em: https://sol.sbc.org.br/index.php/semish/article/view/36801. Acesso em: 16 out. 2026. OPENAI. Multilingual MMLU benchmark results. simple-evals, GitHub, 2024. Disponível em: https://github.com/openai/simple-evals/blob/main/multilingual\_mmlu\_benchmark\_results.md. Acesso em: 16 out. 2026. OPENAI. OpenAI o1 System Card. arXiv, 2024. Disponível em: https://arxiv.org/pdf/2412.16720. Acesso em: 16 out. 2026. PEDROSA, Taígo Ítalo de Moraes; COSTA, Evandro de Barros; SANTOS, Robério José Rogério dos. Is Machine-Translation Enough? Understanding Impacts in LLM Benchmarking. In: BRACIS 2025. Porto Alegre: SBC, 2025. Disponível em: https://sol.sbc.org.br/index.php/bracis/article/view/40812. Acesso em: 16 out. 2026. PETROV, Aleksandar et al. Language Model Tokenizers Introduce Unfairness Between Languages. In: NeurIPS 2023. Disponível em: https://proceedings.neurips.cc/paper\_files/paper/2023/hash/74bb24dca8334adce292883b4b651eda-Abstract.html. Acesso em: 16 out. 2026. PIRES, Ramon et al. Sabiá: Portuguese Large Language Models. arXiv, 2023. Disponível em: https://arxiv.org/pdf/2304.07880. Acesso em: 16 out. 2026. SOARES, Álysson; NEVES JUNIOR, Ricardo das; BEZERRA, Byron. BID Dataset: a challenge dataset for document processing tasks. In: SIBGRAPI 2020, Anais Estendidos. Porto Alegre: SBC, 2020. p. 143-146. Disponível em: https://sol.sbc.org.br/index.php/sibgrapi\_estendido/article/view/12997. Acesso em: 16 out. 2026. SOARES, Álysson; NEVES JUNIOR, Ricardo das; BEZERRA, Byron. Brazilian Identity Document Dataset. GitHub, 2020. Disponível em: https://github.com/ricardobnjunior/Brazilian-Identity-Document-Dataset. 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. [ ](#) [ ](#) [ ](#) [ ](#) [ ](#) [ ](#)