A evolução do OCR: como a inteligência artificial transformou a leitura de documentos no MFCHECK
Do ChatPDF ao Claude Sonnet e aos modelos especializados de 2026, veja como a extração de dados documentais evoluiu no MFCHECK e o que isso muda para análises de crédito em escala.
Quando começamos a trabalhar com extração de dados de documentos no MFCHECK, em 2024, o cenário era muito diferente do que vemos hoje.
Um dos primeiros recursos que utilizamos foi o ChatPDF. Para a época, era uma solução impressionante, permitindo conversar com documentos e localizar informações rapidamente. Porém, quando o objetivo era extrair dados de forma estruturada para análises de crédito, as limitações ficavam evidentes.
Para obter um conjunto mínimo de informações, era necessário criar prompts extensos, com diversas instruções e solicitações específicas. Frequentemente precisávamos fazer várias perguntas sobre o mesmo documento para encontrar todos os dados necessários. Mesmo assim, alguns campos eram ignorados e, ocasionalmente, informações incorretas eram retornadas.
O desafio ficava ainda maior em documentos complexos, como declarações de Imposto de Renda Pessoa Física (IRPF). Diferentes informações estavam espalhadas por dezenas de páginas, tabelas e anexos. Patrimônio, dívidas, rendimentos e participações societárias exigiam múltiplas consultas e validações manuais para garantir a qualidade da extração.
2025: o salto de qualidade com o Claude Sonnet
Em 2025, a chegada de modelos mais avançados trouxe uma mudança significativa.
Entre eles, o Claude Sonnet se destacou pela capacidade de interpretar documentos extensos, compreender tabelas e extrair informações com um nível de precisão muito superior ao que estávamos acostumados.
Pela primeira vez, tornou-se possível confiar em grande parte da extração documental sem depender de inúmeras interações ou revisões manuais. Para documentos financeiros e declarações de IRPF, a diferença de qualidade foi notável.
O principal obstáculo, entretanto, era o custo. Embora a precisão fosse excelente, o processamento de grandes volumes de documentos ainda representava um investimento considerável para empresas que precisavam operar em escala.
2026: a democratização do OCR
Em 2026, o mercado passou por uma transformação ainda mais profunda.
Modelos especializados em OCR e compreensão documental começaram a surgir com desempenho comparável aos melhores modelos do mercado, porém com custos muito menores. Um dos exemplos mais interessantes é o GLM-OCR, desenvolvido pela empresa chinesa Z.ai: uma solução gratuita e precisa, que rapidamente ganhou destaque pela combinação de qualidade, velocidade e baixo custo operacional.
Além disso, muitos desses sistemas já retornam os dados estruturados em JSON ou Markdown, prontos para integração com sistemas corporativos.
Isso muda o jogo para quem analisa crédito e risco: extrair informações de documentos densos deixa de ser um processo lento e caro e passa a ser uma etapa mais previsível, escalável e integrada ao fluxo da consulta.
Próximo passo
Se você quer ver como o MFCHECK aplica leitura documental inteligente às análises de crédito, risco e compliance, faça um teste na plataforma ou fale com o time comercial.