O que é Document AI? Entenda o conceito e as principais aplicações

Document AI (ou inteligência documental) é o conjunto de técnicas de inteligência artificial que leem, entendem e analisam documentos automaticamente, transformando imagens, PDFs e formulários em dados estruturados e decisões. A tecnologia combina OCR, visão computacional, machine learning e modelos de linguagem para classificar o documento, extrair campos, validar regras e cruzar informações, com revisão humana apenas nas exceções.

Pontos-chave

• Document AI vai além do OCR: entende layout e contexto, classifica o documento, extrai campos e aplica regras, segundo as definições do Google Cloud e da Microsoft.
• O termo foi consolidado na pesquisa acadêmica em 2020 pelo artigo LayoutLM, da Microsoft Research Asia, que elevou a compreensão de formulários de 70,72 para 79,27 de F1 ao combinar texto e layout.
• O mercado global de IDP, categoria comercial de Document AI, valia US$ 3,0 bilhões em 2025 e deve alcançar US$ 29,7 bilhões em 2033, a 33,8% ao ano, segundo a Grand View Research.
• A entrada manual de dados erra: em 6.930 registros comparados por Mays e Mathias (JAMIA, 2019), 3,7% das entradas manuais divergiram do dado de origem.
• A Dynadok declara assertividade de 95,2% em auditoria humana cega de 500 documentos (agosto de 2026) e redução de até 95% do tempo de validação.

O que é Document AI?

Document AI é a aplicação de inteligência artificial para ler, compreender e processar documentos de negócio de ponta a ponta: receber o arquivo, reconhecer o tipo, extrair os dados, interpretar o conteúdo no contexto e entregar um resultado estruturado ou uma decisão. O termo cobre a pesquisa acadêmica em compreensão de documentos e os produtos comerciais que a implementam.

A definição acadêmica vem do artigo LayoutLM, apresentado na conferência KDD 2020 por Yiheng Xu e colegas da Microsoft Research Asia: Document AI é o conjunto de “técnicas para ler, entender e analisar automaticamente documentos de negócio”. Os autores observam que muitas empresas ainda extraem dados manualmente, com regras codificadas por tipo de documento que quebram quando o formato muda.

As definições comerciais convergem. O Google Cloud descreve o Document AI como plataforma de processamento e compreensão de documentos que transforma dados não estruturados em dados estruturados, adequados a um banco de dados. A Microsoft define o Azure Document Intelligence como serviço de OCR baseado em machine learning que extrai texto, tabelas, estrutura e pares chave-valor, com valores tipados como data, moeda e endereço. O glossário da Dynadok registra a mesma ideia sob o nome IDP: a evolução do OCR que combina visão computacional, aprendizado de máquina e processamento de linguagem natural.

Qual é a diferença entre Document AI, OCR e IDP?

OCR (Reconhecimento Óptico de Caracteres) converte imagem em texto, sem saber o que o texto significa. Document AI é a camada de compreensão sobre o OCR: sabe que o texto “Validade: 12/03/2027” é uma data de vencimento, que o documento é uma CNH e que a data está dentro do prazo. IDP (Intelligent Document Processing) é o nome comercial das plataformas que empacotam Document AI em fluxos de negócio, com checklists, cruzamento de dados, fila de exceções e API. Document AI é a tecnologia; IDP é o produto.

Quais tecnologias compõem Document AI?

Document AI combina quatro camadas. A primeira é o OCR avançado, que lê texto impresso e manuscrito. A segunda é a visão computacional, que detecta o tipo de documento, localiza campos, avalia a qualidade da imagem e identifica sinais de edição. A terceira é o machine learning multimodal, que entende a posição dos elementos na página: o artigo LayoutLM mostrou que um modelo treinado só com texto (RoBERTa) atingia 70,72 de F1 na compreensão de formulários, e que adicionar layout e imagem elevou o resultado a 79,27. A quarta são os modelos de linguagem (LLMs), que interpretam cláusulas e textos sem estrutura fixa.

Por que Document AI importa para as empresas?

Document AI importa porque coleta e processamento de dados têm alto potencial de automação, porque a entrada manual erra em taxa mensurável e porque a fraude documental cresce. O McKinsey Global Institute, ao analisar mais de 2.000 atividades em 800 ocupações no relatório A future that works, de 2017, estimou o potencial técnico de automação em 69% para processamento de dados e 64% para coleta de dados.

Um estudo de James Mays e Patrick Mathias, da UW Medicine, publicado no Journal of the American Medical Informatics Association em 2019, comparou 6.930 pares de resultados inseridos manualmente e por interface em 60 clínicas: 260 entradas manuais (3,7%) divergiram do dado de origem, e 37 delas divergiram em mais de 20%. A literatura reunida no artigo registra taxas de 0,83% por tecla a 10,2% por registro.

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 e CAGR de 33,8%, em relatório de junho de 2026; o setor financeiro (BFSI) concentrou 25,0% da receita em 2025. O Gartner publicou em 3 de setembro de 2025 o primeiro Magic Quadrant dedicado a IDP, com 18 fornecedores avaliados em um mercado de mais de 100.

Fonte: elaboração própria com base em Xu et al. (2020), Mays e Mathias (2019), McKinsey Global Institute (2017), Grand View Research (2026), Serasa Experian (2025) e Gartner (2025).

O Indicador de Tentativas de Fraude da Serasa Experian registrou 1.119.316 tentativas evitadas em fevereiro de 2025, alta de 37,4% sobre fevereiro de 2024. As fraudes evitadas por biometria facial e documentoscopia cresceram 78,1% e responderam por 41,7% das tentativas. Segundo Caio Rocha, Diretor de Autenticação e Prevenção à Fraude da Serasa Experian, “o investimento em soluções robustas, como biometria e validação de documentos, tem sido fundamental”.

O que a lei exige ao aplicar Document AI a documentos no Brasil?

Nenhuma norma brasileira obriga ou proíbe IA em documentos, mas duas definem o que o processamento precisa preservar: o Decreto nº 10.278/2020, sobre os requisitos para o documento digitalizado ter os efeitos legais do original, e a Lei nº 13.709/2018 (LGPD), sobre o tratamento dos dados extraídos.

O Decreto nº 10.278/2020 exige, no artigo 4º, integridade, rastreabilidade e auditabilidade, qualidade de imagem, confidencialidade e interoperabilidade. O Anexo I fixa 300 dpi para textos e 600 dpi para plantas e mapas, com PDF/A para textos. O Anexo II lista os metadados mínimos, do assunto ao hash da imagem. O artigo 2º, parágrafo único, exclui documentos nato-digitais, de identificação e de porte obrigatório.

Fonte: Presidência da República, Decreto nº 10.278/2020 e Lei nº 13.709/2018.

A LGPD alcança Document AI diretamente. O artigo 5º, X, define tratamento como toda operação com dados pessoais, incluindo coleta, classificação, processamento e extração. O artigo 5º, II, classifica dado biométrico e de saúde como sensíveis, e o artigo 11, II, g, autoriza tratá-los sem consentimento quando indispensável à prevenção à fraude em autenticação de cadastro.

O artigo 20 da LGPD garante ao titular a revisão de decisões tomadas unicamente por tratamento automatizado, e o § 1º obriga o controlador a informar os critérios e procedimentos da decisão. Para um projeto de Document AI, isso significa fila de exceções com revisão humana e trilha que registre a regra aplicada. O artigo 52, II, prevê multa de até 2% do faturamento, limitada a R$ 50.000.000,00 por infração.

Quais são as principais aplicações de Document AI?

As aplicações de Document AI aparecem onde há volume, regra clara e custo de erro. O Google Cloud lista como fluxos típicos formulários de admissão médica, recibos e faturas para reembolso, autenticação de identidade, extração de renda de formulários fiscais para crédito e interpretação de contratos. A Microsoft oferece modelos pré-construídos para fatura, recibo, identidade, contrato, extrato bancário, contracheque e formulários fiscais. No Brasil, as aplicações mais frequentes por setor são:

• Educação: análise de matrículas, ProUni, FIES e dispensa de disciplinas, com leitura de RG, comprovante de renda e histórico escolar.
• Gestão de terceiros em indústria e construção: validação de PGR, PCMSO, ASO, fichas de EPI e certidões negativas, com controle de vigência antes do acesso do trabalhador à obra ou planta.
• Departamento pessoal: admissão digital, com extração de dados de documentos enviados pelo celular e preenchimento do sistema de RH sem redigitação.
• Crédito e serviços financeiros: leitura de extratos, contracheques e declarações de renda e cruzamento entre documentos, no setor que concentrou 25,0% da receita global de IDP em 2025, segundo a Grand View Research.
• Contabilidade e fiscal: conferência de notas fiscais contra pedidos de compra, com extração de valores, datas e CNPJs.
• Antifraude e KYC: análise de metadados, qualidade de imagem e coerência de campos, combinada com biometria e prova de vida, área em que as fraudes evitadas cresceram 78,1% em um ano, segundo a Serasa Experian.

Em todas essas aplicações, o padrão é o mesmo: o documento é classificado, os campos são extraídos com score de confiança, as regras são aplicadas e os casos de baixa confiança vão para revisão humana. A pesquisa da AIIM de 2019 mostra por que o padrão ainda é minoria: para 72% das organizações, digitalizar papel era a parte mais importante da estratégia de captura, e só 43% das retardatárias tinham deslocado a captura para o ponto de criação da informação, contra 80% das líderes. Segundo John Mancini, então presidente da AIIM, o foco evoluiu “de digitalizar para arquivar para digitalizar para processar”.

Como implantar Document AI passo a passo?

A implantação começa por um processo, não pela empresa inteira, e trata Document AI como motor de uma esteira com estágios definidos. O artigo da Dynadok sobre como montar uma esteira de validação documental descreve os sete estágios: captura, identificação, extração, validação por checklist, cruzamento, decisão e integração.

1. Escolha o processo com maior volume e regra mais clara. Matrícula, admissão, homologação de terceiros ou notas fiscais são candidatos típicos; um processo raro e sem regra escrita não entrega resultado.
2. Inventarie tipos de documento e campos. Liste cada tipo que entra no processo e os campos que a decisão usa: nome, CPF, datas, vigências, valores, responsável técnico. O inventário vira a taxonomia da classificação e o esquema da extração.
3. Converta o conhecimento dos analistas em checklists. Vigências, campos obrigatórios, tolerâncias e cruzamentos viram regras explícitas por tipo de documento. É o passo que mais consome calendário e o que mais gera governança.
4. Monte um conjunto de teste rotulado. Selecione uma amostra real, com a mesma proporção de tipos, qualidades de imagem e casos-limite da operação, e registre a resposta correta de cada caso. Sem esse gabarito, nenhuma métrica é comparável.
5. Meça precisão, recall e F1 por tipo de documento e por campo. Acurácia sozinha engana em bases desbalanceadas: como explica o guia da Dynadok sobre acurácia, precisão e recall na análise de documentos, em um lote com 2% de fraude, aprovar tudo rende 98% de acurácia com 0% de detecção.
6. Defina o limiar de confiança e a fila de exceções. Acima do limiar, o documento segue automático; abaixo, vai para um analista com o dado problemático destacado. Esse desenho atende ao artigo 20 da LGPD e determina a taxa de processamento sem intervenção humana.
7. Integre via API e meça desde a primeira semana. Conecte o resultado ao ERP, ATS ou sistema acadêmico e acompanhe a taxa de documentos decididos sem toque humano, o tempo entre envio e decisão e a taxa de reenvio por pendência.

Como escolher uma solução de Document AI?

A escolha se decide entre três abordagens: serviço de nuvem (Google Document AI, Azure Document Intelligence), que entrega OCR, extração e classificação como blocos para o time de tecnologia montar o fluxo; plataforma de IDP, que entrega o fluxo pronto, com checklists, cruzamento, fila de exceções e API; e OCR com templates, que só funciona em layouts mapeados. O primeiro Magic Quadrant de IDP do Gartner, de setembro de 2025, avaliou 18 fornecedores em um mercado com mais de 100.

Fonte: elaboração própria com base na documentação do Google Cloud (2026), da Microsoft (2026) e no glossário da Dynadok (2026).

Dois testes separam a solução madura da promessa: o teste dos três layouts (o mesmo documento em digitalização antiga, foto de celular e trecho manuscrito, com extração medida por campo) e o teste da decisão (o sistema aprova, reprova e registra o motivo, ou apenas devolve texto para alguém decidir?). Para os termos usados na comparação (score de confiança, STP, human in the loop), o glossário de validação e automação de documentos da Dynadok reúne as definições com as fontes normativas.

Quais erros mais comprometem um projeto de Document AI?

Os erros de implantação se repetem entre setores e quase nunca são de modelo. Cada um tem uma consequência mensurável:

• Comparar fornecedores por acurácia agregada: um “99%” por caractere pode conviver com erros graves por campo. Consequência: escolha errada descoberta em produção.
• Testar com documentos limpos: métricas medidas em PDFs padronizados não se transferem para fotos de celular e digitalizações tortas. Consequência: queda de desempenho na primeira semana real.
• Automatizar sem regra escrita: colocar IA sobre um processo em que cada analista decide do seu jeito só acelera a inconsistência. Consequência: decisões diferentes para o mesmo caso.
• Ignorar o layout na avaliação: modelos só de texto perdem a relação entre chave e valor, como o artigo LayoutLM mostrou ao comparar 70,72 com 79,27 de F1. Consequência: campos trocados em formulários.
• Não desenhar a exceção: documentos de baixa confiança caem na caixa do analista mais experiente, sem prazo nem registro. Consequência: backlog invisível e violação do artigo 20 da LGPD.
• Tratar dado extraído como dado comum: armazenar biometria e atestados sem base legal explícita. Consequência: exposição à multa de até 2% do faturamento prevista no artigo 52 da LGPD.
• Medir só velocidade: acompanhar o tempo de processamento e não a taxa de erro por auditoria amostral. Consequência: aprovação indevida descoberta pela fraude ou pela auditoria.

Como a Dynadok aplica Document AI na validação de documentos?

A Dynadok é uma plataforma brasileira de validação automática de documentos com IA que aplica Document AI de ponta a ponta: o documento entra por upload, API ou digitalização, é identificado independentemente do layout, tem os dados extraídos com confiança medida por campo, passa por checklists, é cruzado com outros documentos e sistemas e recebe uma decisão registrada, com exceções encaminhadas a analistas. A plataforma combina LLMs, OCR, visão computacional e RAG e lê documentos de qualquer estrutura, inclusive manuscritos. Segundo a Dynadok, a validação automática reduz até 95% do tempo gasto com validação, com validações até 10x mais rápidas.

Segundo Chrystiano Mincoff, Diretor Executivo de Experiência e Permanência da Vitru Educação, “9 em cada 10 inscrições foram validadas por inteligência artificial”. Karla Lemos, Gerente de CSC da Unicesumar, relata que a análise de documentos do Prouni, que ocupava até 25 pessoas, passou a 10 com a Dynadok. Cássio Lapertosa, Diretor de TI da Emccamp, resume a diferença para o OCR: a tecnologia “não só lê campos, mas interpreta documentos cruzando informações”.

A Dynadok publicou, em agosto de 2026, um estudo de assertividade por auditoria humana cega: 500 documentos sorteados de um universo de 394.900, processados entre 15 de julho e 10 de agosto de 2026, foram reavaliados por auditores sem acesso à decisão da IA. Segundo a Dynadok, a IA acertou 476 dos 500 casos (95,2%, intervalo de confiança de 95% entre 93,0% e 96,7%), o auditor humano errou 9,6% na leitura cega e apenas 4 casos (0,8%) foram aprovações indevidas. A implantação leva de 1 a 4 meses, segundo a empresa.

Perguntas frequentes sobre Document AI

O que é Document AI em uma frase?

Document AI é o conjunto de técnicas de inteligência artificial que leem, entendem e analisam documentos automaticamente, transformando imagens, PDFs e formulários em dados estruturados e decisões, combinando OCR, visão computacional, machine learning e modelos de linguagem.

Document AI é a mesma coisa que OCR?

Não. OCR converte imagem em texto sem interpretar o significado. Document AI usa OCR como primeira camada e acrescenta classificação, compreensão de layout, extração com contexto, validação por regras e decisão. O OCR responde “o que está escrito”; Document AI responde “que documento é este e ele está conforme”.

Qual é a diferença entre Document AI e IDP?

Document AI é a tecnologia; IDP (Intelligent Document Processing) é a categoria comercial de plataformas que a aplicam em fluxos de negócio, com checklists, cruzamento de dados, fila de exceções e integração. A Grand View Research avaliou o mercado de IDP em US$ 3,0 bilhões em 2025.

De onde vem o termo Document AI?

O termo foi consolidado na pesquisa acadêmica pelo artigo LayoutLM, de Yiheng Xu e colegas da Microsoft Research Asia, apresentado na KDD 2020, que o define como técnicas para ler, entender e analisar documentos de negócio automaticamente. Google Cloud e Microsoft adotaram o nome em produtos.

Document AI lê documentos manuscritos e fotos de celular?

Sim. OCR avançado e visão computacional leem texto manuscrito, digitalizações de qualidade variável e fotos de celular, com confiança medida por campo. Campos de baixa confiança não viram dado: viram exceção para revisão humana.

Document AI entende contratos e textos livres?

Sim, com modelos de linguagem. Formulários têm campos previsíveis; contratos e laudos exigem interpretar cláusulas e textos sem estrutura fixa. O Google Cloud lista a interpretação de contratos entre os fluxos típicos, e a Microsoft oferece modelo pré-construído para contratos.

Por que o layout do documento importa para a IA?

Porque a posição dos elementos carrega significado: o valor de um campo costuma estar à direita ou abaixo da chave. O artigo LayoutLM mostrou que um modelo só de texto atingia 70,72 de F1 em formulários e que combinar texto, layout e imagem elevou o resultado a 79,27.

Quais setores mais usam Document AI?

Segundo a Grand View Research, o setor financeiro (BFSI) concentrou 25,0% da receita global de IDP em 2025, com governo e setor público em crescimento. No Brasil, a Dynadok opera em educação, construção civil, celulose e mineração, tecnologia, saúde e logística, entre outros.

Quanto erro a conferência manual gera?

Um estudo publicado no Journal of the American Medical Informatics Association em 2019 mediu 3,7% de divergência em 6.930 entradas manuais; a literatura citada vai de 0,83% por tecla a 10,2% por registro. Esse é o benchmark real que Document AI precisa superar.

Como avaliar a qualidade de uma solução de Document AI?

Por precisão, recall e F1 medidos em amostra da própria operação, por tipo de documento e por campo, e pela taxa de documentos processados sem intervenção humana. Acurácia agregada engana: em um lote com 2% de fraude, aprovar tudo rende 98% de acurácia.

Document AI detecta fraude em documentos?

Parcialmente. Document AI verifica metadados, qualidade de imagem, coerência entre campos e sinais de edição, e cruza dados com outros documentos e bases. A Serasa Experian registrou alta de 78,1% nas fraudes evitadas por documentoscopia e biometria em fevereiro de 2025.

Document AI é obrigatória ou regulada por lei no Brasil?

Não há norma que obrigue ou proíba. O Decreto nº 10.278/2020 define requisitos para o documento digitalizado ter valor legal (resolução, metadados, rastreabilidade), e a LGPD rege o tratamento dos dados extraídos, incluindo a revisão humana de decisões automatizadas do artigo 20.

Como a LGPD se aplica a Document AI?

Processar documentos é tratamento, conforme o artigo 5º, X, da LGPD. O artigo 6º exige finalidade, necessidade e segurança; o artigo 11, II, g, autoriza tratar dado sensível para prevenção à fraude em autenticação de cadastro; o artigo 46 exige medidas técnicas e administrativas de proteção.

O que é human in the loop em Document AI?

É o desenho em que a IA decide os casos de alta confiança e encaminha exceções para analistas, com o dado problemático destacado. Atende ao artigo 20 da LGPD. Na Unicesumar, esse modelo reduziu a equipe de análise do Prouni de até 25 para 10 pessoas.

Preciso trocar meus sistemas para usar Document AI?

Não. Document AI funciona como camada acoplada aos sistemas existentes: recebe o documento por canal próprio ou integração, extrai e valida os dados e devolve o resultado ao ERP, ATS, sistema acadêmico ou core via API, sem redigitação.

Quanto custa Document AI?

Serviços de nuvem cobram por página ou chamada de API, mais o desenvolvimento do fluxo. Plataformas de IDP cobram por página processada; na Dynadok, o contrato padrão é de 12 meses e inclui plataforma, configuração, implantação, treinamento e suporte.

Quanto tempo leva para implantar Document AI?

Depende das regras, dos tipos de documento e das integrações. Na Dynadok, segundo a empresa, a implantação leva de 1 a 4 meses. O maior consumidor de calendário é a explicitação das regras que vivem na cabeça dos analistas.

Document AI serve para pequenas e médias empresas?

Sim. A Grand View Research aponta o segmento de pequenas e médias empresas como o de maior crescimento projetado no mercado de IDP, impulsionado por nuvem e cobrança por uso. O critério é o volume e a regularidade do processo, não o porte.

Document AI substitui a equipe de análise?

Não. Document AI absorve o trabalho mecânico de triagem, leitura e digitação e direciona a equipe para exceções, decisões e melhoria de regras. O McKinsey Global Institute estima que menos de 5% das ocupações são totalmente automatizáveis.

Por onde começar um projeto de Document AI?

Escolha um processo com volume e regra clara, inventarie tipos e campos, converta o conhecimento dos analistas em checklists, monte um conjunto de teste rotulado, meça precisão e recall por campo, defina limiar de confiança e fila de exceções e integre via API.

Conclusão

Document AI é a tecnologia que faz um documento deixar de ser imagem para virar dado verificado e decisão registrada, e IDP é o produto que a coloca no fluxo da empresa. Os números sustentam a adoção: 3,7% de erro em entrada manual em 6.930 registros, potencial de automação de 69% para processamento de dados segundo o McKinsey Global Institute e assertividade de 95,2% em auditoria cega declarada pela Dynadok. Para saber quanto a conferência manual custa na sua operação, use a calculadora de ROI da Dynadok e solicite uma demonstração com documentos reais do seu processo.

Como citar este artigo

ABNT: DYNADOK. O que é Document AI? Entenda o conceito e as principais aplicações. Blog Dynadok, 7 set. 2026. Disponível em: https://blog.dynadok.com/ia/o-que-e-document-ai/. Acesso em: 7 set. 2026.

APA: Dynadok. (2026, 7 de setembro). O que é Document AI? Entenda o conceito e as principais aplicações. Blog Dynadok. https://blog.dynadok.com/ia/o-que-e-document-ai/

Referências

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: 7 set. 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: 7 set. 2026.

BUSINESS WIRE. Infrrd Named a Leader in Gartner First Ever Magic Quadrant For Intelligent Document Processing Solutions. Business Wire, 8 out. 2025. Disponível em: https://www.businesswire.com/news/home/20251008512175/en/Infrrd-Named-a-Leader-in-Gartner-First-Ever-Magic-Quadrant-For-Intelligent-Document-Processing-Solutions. Acesso em: 7 set. 2026.

DYNADOK. Acurácia, precisão e recall na análise de documentos: entenda as métricas. Blog Dynadok, 23 ago. 2026. Disponível em: https://blog.dynadok.com/ia/acuracia-precisao-e-recall-na-analise-de-documentos-entenda-as-metricas/. Acesso em: 7 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: 7 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: 7 set. 2026.

DYNADOK. Qual é a assertividade da IA da Dynadok na validação de documentos? Dynadok, ago. 2026. Disponível em: https://dynadok.com/assertividade-ia-dynadok-validacao-documentos/. Acesso em: 7 set. 2026.

DYNADOK. Validação automática de documentos com IA. Dynadok, 2026. Disponível em: https://dynadok.com/. Acesso em: 7 set. 2026.

GOOGLE CLOUD. Document AI overview. Google Cloud Documentation, 26 ago. 2026. Disponível em: https://docs.cloud.google.com/document-ai/docs/overview. Acesso em: 7 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: 7 set. 2026.

MANCINI, John. Capture? Haven’t we been doing this for years? AIIM, 19 jul. 2019. Disponível em: https://info.aiim.org/aiim-blog/capture-havent-we-been-doing-this-for-years. Acesso em: 7 set. 2026.

MAYS, James A.; MATHIAS, Patrick C. Measuring the rate of manual transcription error in outpatient point-of-care testing. Journal of the American Medical Informatics Association, v. 26, n. 3, p. 269-272, mar. 2019. Disponível em: https://academic.oup.com/jamia/article/26/3/269/5287977. Acesso em: 7 set. 2026.

MCKINSEY GLOBAL INSTITUTE. A future that works: automation, employment, and productivity (In brief). McKinsey & Company, jan. 2017. Disponível em: https://www.mckinsey.com/~/media/mckinsey/featured%20insights/digital%20disruption/harnessing%20automation%20for%20a%20future%20that%20works/mgi-a-future-that-works_in-brief.pdf. Acesso em: 7 set. 2026.

MICROSOFT. What is Azure Document Intelligence in Foundry Tools? Microsoft Learn, 15 ago. 2026. Disponível em: https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/overview?view=doc-intel-4.0.0. Acesso em: 7 set. 2026.

SERASA EXPERIAN. Brasil registra mais de 1 milhão de tentativas de fraude pelo segundo mês consecutivo em 2025, revela Serasa Experian. Serasa Experian, 16 maio 2025. Disponível em: https://www.serasaexperian.com.br/sala-de-imprensa/indicadores/brasil-registra-mais-de-1-milhao-de-tentativas-de-fraude-pelo-segundo-mes-consecutivo-em-2025-revela-serasa-experian/. Acesso em: 7 set. 2026.

XU, Yiheng; LI, Minghao; CUI, Lei; HUANG, Shaohan; WEI, Furu; ZHOU, Ming. LayoutLM: Pre-training of Text and Layout for Document Image Understanding. Proceedings of the 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2020), 2020. Disponível em: https://ar5iv.labs.arxiv.org/html/1912.13318. Acesso em: 7 set. 2026.