OCR moderno: Azure Doc Intelligence, Textract, LandingAI

⏱ 12 min·⭐ 50 XP

Pré-requisitos (0/1)0%

⬜👁️ Vision models: Claude Vision, GPT-4V, Gemini(Voice, Vision & Multimodal)

Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.

Três gerações coexistem

Geração	Forte em	Fraca em	Custo
Local e gratuita	Texto impresso limpo, dado que não pode sair	Digitalização ruim, manuscrito, tabela	Zero por página
Serviço estruturado em nuvem	Formulário, tabela, confiança por campo	Layout muito criativo	Por página
Baseada em modelo de visão	Manuscrito, layout difícil, saída já estruturada	Custo e latência	Mais alto por página
Sanduíche: extrair e depois raciocinar	Auditabilidade com flexibilidade	Duas peças para manter	Controlado — o modelo caro lê pouco texto

GeraçãoLocal e gratuita

Forte emTexto impresso limpo, dado que não pode sair

Fraca emDigitalização ruim, manuscrito, tabela

CustoZero por página

GeraçãoServiço estruturado em nuvem

Forte emFormulário, tabela, confiança por campo

Fraca emLayout muito criativo

CustoPor página

GeraçãoBaseada em modelo de visão

Forte emManuscrito, layout difícil, saída já estruturada

Fraca emCusto e latência

CustoMais alto por página

GeraçãoSanduíche: extrair e depois raciocinar

Forte emAuditabilidade com flexibilidade

Fraca emDuas peças para manter

CustoControlado — o modelo caro lê pouco texto

OCR não é um mercado uniforme. Três gerações convivem em 2026. Tesseract (CLI local, gratuito) cobre texto impresso simples. OCR estruturado cloud (Azure Document Intelligence, AWS Textract, Google Document AI) entrega schema tipado com confidence. LLM-powered Agentic OCR (LandingAI, Mistral OCR, Reducto) usa vision LLM por baixo e é melhor em layouts irregulares e handwriting. Cada um tem seu nicho real.

Tesseract: quando local e grátis importam

Sempre descartado cedo demais. Para texto impresso limpo em volume baixo ou dados que não podem sair do ambiente, Tesseract + preprocessing resolve.

import cv2
import pytesseract

img = cv2.imread('boleto.png')
# Preprocessing melhora muito o resultado
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                cv2.THRESH_BINARY, 31, 2)

texto = pytesseract.image_to_string(thresh, lang='por', config='--psm 6')
# psm 6: assume um único bloco uniforme de texto
# psm 4: colunas; psm 11: linha esparsa

⚠️

Tesseract cai muito em scan ruim. Se accuracy importa e você não controla a qualidade do scan, suba para serviço cloud — o custo por página se paga em horas de correção manual economizadas.

Azure Document Intelligence: forms e tabelas sérias

Azure Doc Intelligence oferece modelos pré-treinados (prebuilt-invoice, prebuilt-receipt, prebuilt-idDocument, prebuilt-layout) e suporte a custom models. Output JSON tipado, confidence por campo, bounding boxes.

import DocumentIntelligence, { getLongRunningPoller } from '@azure-rest/ai-document-intelligence';
import { AzureKeyCredential } from '@azure/core-auth';

const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));

const init = await client
  .path('/documentModels/{modelId}:analyze', 'prebuilt-invoice')
  .post({ contentType: 'application/json', detail: { urlSource: pdfUrl } });

const poller = getLongRunningPoller(client, init);
const result = (await poller.pollUntilDone()).body.analyzeResult;

for (const doc of result.documents ?? []) {
  const total = doc.fields?.['InvoiceTotal'];
  console.log('Total:', total?.valueCurrency, 'confidence:', total?.confidence);
}

AWS Textract: ecossistema AWS

Se sua stack está na AWS, Textract integra com S3 event triggers, Step Functions e SageMaker. Bom em tabelas e forms, operation AnalyzeExpense específica para notas fiscais.

import { TextractClient, AnalyzeDocumentCommand } from '@aws-sdk/client-textract';

const client = new TextractClient({ region: 'us-east-1' });

const resp = await client.send(new AnalyzeDocumentCommand({
  Document: { S3Object: { Bucket: 'docs-in', Name: 'fatura.pdf' } },
  FeatureTypes: ['FORMS', 'TABLES'],
}));

// Blocks: KEY_VALUE_SET, TABLE, CELL, WORD — reconstrua a estrutura

LandingAI Agentic OCR e Mistral OCR: nova geração

A onda de 2025 trouxe OCR feito em cima de vision LLM com raciocínio sobre layout. LandingAI Agentic Document Extraction e Mistral OCR processam handwriting, layouts criativos e documentos escaneados ruins melhor que a geração anterior — a custo mais alto, mas muitas vezes substituindo pipeline manual.

# Mistral OCR API
from mistralai import Mistral

client = Mistral(api_key=api_key)

resp = client.ocr.process(
    model='mistral-ocr-latest',
    document={'type': 'document_url', 'document_url': pdf_url},
    include_image_base64=False,
)

for page in resp.pages:
    print('Page', page.index, 'markdown:\n', page.markdown)
    # Saída já em markdown estruturado, preservando tabelas e ordem de leitura

💡

Novidade importante: muitos desses serviços entregam Markdown pronto (tabelas preservadas, hierarquia de títulos). Isso é ótimo para RAG — pula a etapa de reconstruir estrutura do output cru.

Quiz rápido

Qual é o padrão de produção descrito para extração de documentos, e por que ele separa as responsabilidades?

Árvore de decisão prática

documento_limpo_impresso:
  volume_baixo_local: tesseract + opencv preprocess
  volume_alto_cloud: azure doc intelligence (prebuilt) ou textract

forms_com_checkboxes_e_assinaturas:
  - azure doc intelligence prebuilt-document
  - textract FORMS
  (ambos retornam selection marks + signature detection)

handwriting_ou_layout_irregular:
  - mistral ocr
  - landingai agentic extraction
  - vision llm (claude/gpt-4o) com schema forçado

tabelas_complexas_celulas_mescladas:
  - azure doc intelligence prebuilt-layout
  - landingai (state of art)
  + validar com LLM por cima

pipeline_rag_conteudo_em_pdf:
  - mistral ocr -> markdown -> chunker
  - ou textract -> raw text -> llm layout-aware chunker

Sandwich OCR + LLM: o padrão 2026

O arquétipo de produção hoje é: OCR especializado extrai → LLM raciocina sobre o JSON extraído. Benefícios: extração auditável (confidence por campo), reasoning flexível do LLM, custo controlado, separação de responsabilidades para debug.

// Etapa 1: extração estruturada (Azure Doc Intelligence)
const extracted = await extractInvoice(pdfBuffer);
// => { vendor, total, lineItems, dueDate, ... } com confidence

// Etapa 2: LLM decide regra de negócio com base no JSON + política
const decision = await anthropic.messages.create({
  model: 'claude-3-5-sonnet-20241022',
  max_tokens: 512,
  messages: [{
    role: 'user',
    content: 'Política de reembolso:\n' + policyText + '\n\nFatura extraída:\n' +
             JSON.stringify(extracted) + '\n\nRetorne JSON { reembolsavel: boolean, motivo: string }',
  }],
});

Fechamento

✅

OCR em 2026 é escolher a ferramenta certa por caso: Tesseract local, Azure/Textract para estrutura, LandingAI/Mistral para layout difícil. Sandwich OCR + LLM é padrão. Nunca confie em accuracy sem medir no seu dataset real — confidence score do provider é guia, não garantia.

Perguntas frequentes

❓ OCR tradicional ou serviço de inteligência de documento?

Tradicional para texto simples e volume, com custo próximo de zero. Serviço de documento quando há tabela, formulário e layout — ele devolve estrutura, não só texto, e é isso que economiza o pós-processamento que costuma ser a maior parte do trabalho.

❓ Como medir qualidade de extração de documento?

Por acerto no CAMPO que importa, não por taxa de caractere: número da nota, valor, data, identificação. Métrica agregada de caractere pode estar ótima com o campo crítico errado — e é esse campo que alimenta a decisão financeira.

❓ O que fazer com o campo de confiança baixa?

Encaminhar para revisão humana em vez de aceitar. Definir o limiar por campo, conforme o custo do erro, é o que torna o sistema auditável — e o caminho explícito de revisão precisa existir no desenho, não como exceção improvisada.

Fixando

Quiz rápido

Quando a ferramenta local e gratuita ainda é a escolha certa?

Quiz rápido

Serviços recentes devolvem o documento já em Markdown, com tabelas e hierarquia preservadas. Por que isso interessa a quem monta busca aumentada por recuperação?

Terminou de ler?

Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.

Próximos passos sugeridos

🏁

Capstone: assistente de voz end-to-end

Voice, Vision & Multimodal · 20 min · +90 XP

→

Temas deste módulo

Agentes e orquestração

Discussão

Carregando comentários…

OCR moderno: Azure Doc Intelligence, Textract, LandingAI

⏱ 12 min·⭐ 50 XP

Pré-requisitos (0/1)0%

⬜👁️ Vision models: Claude Vision, GPT-4V, Gemini(Voice, Vision & Multimodal)

Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.

Três gerações coexistem

Geração	Forte em	Fraca em	Custo
Local e gratuita	Texto impresso limpo, dado que não pode sair	Digitalização ruim, manuscrito, tabela	Zero por página
Serviço estruturado em nuvem	Formulário, tabela, confiança por campo	Layout muito criativo	Por página
Baseada em modelo de visão	Manuscrito, layout difícil, saída já estruturada	Custo e latência	Mais alto por página
Sanduíche: extrair e depois raciocinar	Auditabilidade com flexibilidade	Duas peças para manter	Controlado — o modelo caro lê pouco texto

GeraçãoLocal e gratuita

Forte emTexto impresso limpo, dado que não pode sair

Fraca emDigitalização ruim, manuscrito, tabela

CustoZero por página

GeraçãoServiço estruturado em nuvem

Forte emFormulário, tabela, confiança por campo

Fraca emLayout muito criativo

CustoPor página

GeraçãoBaseada em modelo de visão

Forte emManuscrito, layout difícil, saída já estruturada

Fraca emCusto e latência

CustoMais alto por página

GeraçãoSanduíche: extrair e depois raciocinar

Forte emAuditabilidade com flexibilidade

Fraca emDuas peças para manter

CustoControlado — o modelo caro lê pouco texto

Tesseract: quando local e grátis importam

Sempre descartado cedo demais. Para texto impresso limpo em volume baixo ou dados que não podem sair do ambiente, Tesseract + preprocessing resolve.

import cv2
import pytesseract

img = cv2.imread('boleto.png')
# Preprocessing melhora muito o resultado
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                cv2.THRESH_BINARY, 31, 2)

texto = pytesseract.image_to_string(thresh, lang='por', config='--psm 6')
# psm 6: assume um único bloco uniforme de texto
# psm 4: colunas; psm 11: linha esparsa

⚠️

Tesseract cai muito em scan ruim. Se accuracy importa e você não controla a qualidade do scan, suba para serviço cloud — o custo por página se paga em horas de correção manual economizadas.

Azure Document Intelligence: forms e tabelas sérias

import DocumentIntelligence, { getLongRunningPoller } from '@azure-rest/ai-document-intelligence';
import { AzureKeyCredential } from '@azure/core-auth';

const client = DocumentIntelligence(endpoint, new AzureKeyCredential(key));

const init = await client
  .path('/documentModels/{modelId}:analyze', 'prebuilt-invoice')
  .post({ contentType: 'application/json', detail: { urlSource: pdfUrl } });

const poller = getLongRunningPoller(client, init);
const result = (await poller.pollUntilDone()).body.analyzeResult;

for (const doc of result.documents ?? []) {
  const total = doc.fields?.['InvoiceTotal'];
  console.log('Total:', total?.valueCurrency, 'confidence:', total?.confidence);
}

AWS Textract: ecossistema AWS

Se sua stack está na AWS, Textract integra com S3 event triggers, Step Functions e SageMaker. Bom em tabelas e forms, operation AnalyzeExpense específica para notas fiscais.

import { TextractClient, AnalyzeDocumentCommand } from '@aws-sdk/client-textract';

const client = new TextractClient({ region: 'us-east-1' });

const resp = await client.send(new AnalyzeDocumentCommand({
  Document: { S3Object: { Bucket: 'docs-in', Name: 'fatura.pdf' } },
  FeatureTypes: ['FORMS', 'TABLES'],
}));

// Blocks: KEY_VALUE_SET, TABLE, CELL, WORD — reconstrua a estrutura

LandingAI Agentic OCR e Mistral OCR: nova geração

# Mistral OCR API
from mistralai import Mistral

client = Mistral(api_key=api_key)

resp = client.ocr.process(
    model='mistral-ocr-latest',
    document={'type': 'document_url', 'document_url': pdf_url},
    include_image_base64=False,
)

for page in resp.pages:
    print('Page', page.index, 'markdown:\n', page.markdown)
    # Saída já em markdown estruturado, preservando tabelas e ordem de leitura

💡

Novidade importante: muitos desses serviços entregam Markdown pronto (tabelas preservadas, hierarquia de títulos). Isso é ótimo para RAG — pula a etapa de reconstruir estrutura do output cru.

Quiz rápido

Qual é o padrão de produção descrito para extração de documentos, e por que ele separa as responsabilidades?

Árvore de decisão prática

documento_limpo_impresso:
  volume_baixo_local: tesseract + opencv preprocess
  volume_alto_cloud: azure doc intelligence (prebuilt) ou textract

forms_com_checkboxes_e_assinaturas:
  - azure doc intelligence prebuilt-document
  - textract FORMS
  (ambos retornam selection marks + signature detection)

handwriting_ou_layout_irregular:
  - mistral ocr
  - landingai agentic extraction
  - vision llm (claude/gpt-4o) com schema forçado

tabelas_complexas_celulas_mescladas:
  - azure doc intelligence prebuilt-layout
  - landingai (state of art)
  + validar com LLM por cima

pipeline_rag_conteudo_em_pdf:
  - mistral ocr -> markdown -> chunker
  - ou textract -> raw text -> llm layout-aware chunker

Sandwich OCR + LLM: o padrão 2026

// Etapa 1: extração estruturada (Azure Doc Intelligence)
const extracted = await extractInvoice(pdfBuffer);
// => { vendor, total, lineItems, dueDate, ... } com confidence

// Etapa 2: LLM decide regra de negócio com base no JSON + política
const decision = await anthropic.messages.create({
  model: 'claude-3-5-sonnet-20241022',
  max_tokens: 512,
  messages: [{
    role: 'user',
    content: 'Política de reembolso:\n' + policyText + '\n\nFatura extraída:\n' +
             JSON.stringify(extracted) + '\n\nRetorne JSON { reembolsavel: boolean, motivo: string }',
  }],
});

Fechamento

✅

Perguntas frequentes

❓ OCR tradicional ou serviço de inteligência de documento?

❓ Como medir qualidade de extração de documento?

❓ O que fazer com o campo de confiança baixa?

Fixando

Quiz rápido

Quando a ferramenta local e gratuita ainda é a escolha certa?

Quiz rápido

Serviços recentes devolvem o documento já em Markdown, com tabelas e hierarquia preservadas. Por que isso interessa a quem monta busca aumentada por recuperação?

Terminou de ler?

Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.

Próximos passos sugeridos

🏁

Capstone: assistente de voz end-to-end

Voice, Vision & Multimodal · 20 min · +90 XP

→

Temas deste módulo

Agentes e orquestração

Discussão

Carregando comentários…