← BlogIA e Tecnologia

Como os LLM leem documentos de concurso: a extração na prática

20 de agosto de 2026 · 5 min de leitura

Um anúncio de concurso raramente é um único documento limpo. É normalmente um anúncio mais um caderno de encargos mais uma minuta de contrato mais um punhado de anexos, uns digitalizados, outros em PDF nativo, alguns a contradizerem-se em pequenos pormenores que só se tornam um problema depois de uma proposta já estar submetida. Pedir a um modelo de linguagem que leia tudo isto e retire o prazo, os lotes e os critérios de avaliação parece uma tarefa de extração simples. Na prática, é uma tarefa com um amplo leque de fiabilidade consoante o que está a ser extraído e de que tipo de documento.

Vale a pena compreender isto com precisão, porque o custo de errar não é um erro de formatação. É um prazo perdido ou uma proposta desqualificada. O que se segue é um olhar fundamentado sobre aquilo em que os grandes modelos de linguagem são fiáveis ao ler documentos de concurso, onde tropeçam de forma consistente, e porque um humano tem ainda de verificar os campos que mais contam.

Aquilo em que os LLM são fiavelmente bons

Os modelos de linguagem têm bom desempenho na extração estruturada a partir de documentos limpos em texto nativo. Quando um anúncio de concurso é um PDF ou uma página HTML bem formatados, com campos claramente rotulados, um modelo extrai fiavelmente:

Prazos enunciados, quando estão escritos explicitamente como uma data e hora no documento

Números e descrições de lotes, quando o concurso separa claramente os seus lotes em secções distintas e rotuladas

Endereços de submissão e pontos de contacto, quando escritos como informação de contacto simples

Ponderações dos critérios de avaliação, quando o concurso as enuncia explicitamente, por exemplo uma cláusula que diz que o preço conta por uma percentagem indicada e o mérito técnico pelo restante

O fio condutor é que ao modelo não é pedido que interprete o que quer que seja. Ele localiza um facto já enunciado no texto, mais ou menos nas palavras que o modelo está treinado para reconhecer, e reprodu-lo. Esta é a tarefa de extração para a qual os modelos de linguagem foram construídos, e para documentos limpos a exatidão é genuinamente elevada.

Onde a extração fica mais difícil

A fiabilidade cai acentuadamente assim que o documento de entrada fica mais desordenado, por razões que nada têm a ver com o grau de sofisticação do modelo.

Documentos digitalizados e qualidade do OCR. Uma grande parte dos anexos de concurso, em particular modelos mais antigos ou documentos de sistemas de contratação que nunca se modernizaram, existe apenas como imagens digitalizadas. Antes de um modelo de linguagem poder ler qualquer texto, essa digitalização tem de passar por reconhecimento ótico de carateres, e a qualidade do OCR varia enormemente com a resolução da digitalização, a inclinação da página e a escrita manual. Um dígito mal lido num prazo ou num montante orçamental não é uma falha de raciocínio do modelo, é um problema de entrada corrompida que o modelo não consegue detetar a menos que o valor resultante seja implausível à partida.

Estrutura inconsistente entre documentos. Um dossiê de concurso montado a partir de um anúncio, um caderno de encargos e vários anexos escritos por diferentes departamentos em momentos diferentes raramente usa terminologia ou disposição consistentes. Um prazo no anúncio principal pode ser repetido, ou subtilmente reformulado, num anexo com redação diferente. Quando dois documentos do mesmo dossiê enunciam valores ligeiramente diferentes, um modelo a extrair apenas de um relatará com confiança um valor que está tecnicamente presente no texto e ainda assim errado face à intenção real do comprador.

Tabelas com células fundidas ou disposições irregulares. As decomposições de lotes, os mapas de preços e as tabelas de requisitos são frequentemente a parte menos normalizada de qualquer dossiê de concurso. Células fundidas, cabeçalhos de várias linhas e tabelas que mudam de estrutura a meio da página são um ponto fraco bem documentado da extração automatizada em geral, e os modelos que as leem através de conversão de PDF para texto herdam qualquer informação estrutural perdida nessa conversão.

Tudo o que exige juízo em vez de leitura literal. Esta é a distinção mais importante. Um modelo pode extrair fiavelmente uma ponderação de avaliação enunciada. É muito menos fiável a inferir uma ponderação real não enunciada a partir de texto corrido, por exemplo quando um concurso diz que o preço e a qualidade contam ambos sem nunca atribuir percentagens, e a ponderação real só se torna clara a partir da forma como o comprador pontuou concursos comparáveis no passado. Isso é um juízo interpretativo, não uma extração, e tratá-lo com a mesma confiança que uma extração literal é um erro.

Porque os riscos são assimétricos

Nem todos os erros de extração têm o mesmo peso. Um endereço de e-mail de contacto mal lido é um incómodo. Um prazo mal lido, um limiar orçamental mal lido ou um critério de exclusão obrigatório em falta podem desqualificar uma proposta por completo, por vezes sem qualquer hipótese de correção após a submissão.

É por isto que os fluxos de extração sensatos não tratam cada campo da mesma maneira. Os campos com baixa consequência em caso de erro podem razoavelmente funcionar com revisão mais leve. Os campos em que um erro é desqualificante, prazos, limiares financeiros, critérios de exclusão obrigatórios, justificam uma verificação humana face ao documento de origem antes de alguém confiar no valor extraído.

Porque a revisão humana no ciclo continua a importar

A conclusão prática não é que os modelos de linguagem são pouco fiáveis para este trabalho. Para a maioria dos campos, na maioria dos documentos limpos, são rápidos e exatos de uma forma que a revisão manual em escala não consegue igualar. A conclusão é mais estreita: a confiança na extração não é uniforme entre tipos de campo e qualidade de documento, e os campos com o maior custo de erro são frequentemente os mesmos campos mais expostos aos modos de falha acima, anexos digitalizados, reformulação inconsistente entre documentos, tabelas que não convertem de forma limpa.

Um fluxo de trabalho sólido usa o modelo para uma primeira passagem rápida por um grande volume de documentos, e depois encaminha os campos de maior risco, os prazos acima de tudo, de volta para uma pessoa que os verifica face à fonte original antes de a equipa da proposta confiar neles. Isto não é uma admissão de que a tecnologia não está pronta. É ajustar o nível de revisão ao custo de errar, a mesma disciplina que qualquer equipa de contratação já aplica ao seu próprio processo interno de validação.

Fazer isto bem em escala

Ler um punhado de concursos com atenção é gerível à mão. Ler centenas publicados diariamente em dezenas de portais de contratação, em formatos e línguas variados, não é, e é esse o problema de volume que torna a extração automatizada digna de ser usada, em primeiro lugar. A TRINTA lê o que uma empresa vende e faz emergir diariamente concursos correspondentes de fontes oficiais, aplicando a extração automatizada a essa escala mantendo os campos de maior risco visíveis para um humano confirmar antes de um prazo alguma vez estar em risco.

Perguntas frequentes

A IA consegue extrair fiavelmente prazos de concurso de documentos PDF?

Os modelos de linguagem são geralmente fiáveis a extrair um prazo de concurso quando este é enunciado explicitamente como data e hora dentro de um documento limpo em texto nativo. A fiabilidade cai quando o prazo aparece apenas num documento digitalizado que depende de reconhecimento ótico de carateres, ou quando diferentes documentos do mesmo dossiê de concurso enunciam o prazo com redação subtilmente diferente ou reformulada, razão pela qual campos de elevado risco como os prazos justificam ainda uma verificação humana face à fonte original.

Porque é que os modelos de linguagem têm dificuldade com documentos de concurso digitalizados?

Um modelo de linguagem não consegue ler uma imagem digitalizada diretamente, pelo que a digitalização tem primeiro de passar por reconhecimento ótico de carateres, e a exatidão do OCR varia significativamente consoante a resolução da digitalização, a inclinação da página e a qualidade da escrita manual. Qualquer erro introduzido na fase de OCR transita diretamente para a extração do modelo e não é algo que o modelo consiga detetar por si próprio, a menos que o valor resultante seja obviamente implausível.

A IA consegue determinar a ponderação real dos critérios de avaliação de um concurso?

Um modelo de linguagem consegue extrair fiavelmente uma ponderação de critérios de avaliação quando o concurso a enuncia explicitamente, como uma cláusula que especifica que o preço conta por uma percentagem indicada da pontuação. É muito menos fiável a inferir uma ponderação real não enunciada a partir de texto corrido, por exemplo quando um concurso diz que o preço e a qualidade contam ambos sem nunca atribuir percentagens, porque isso exige um juízo interpretativo em vez de uma extração literal.

Porque continua a revisão humana a ser necessária se a IA consegue extrair dados de concurso automaticamente?

A revisão humana continua necessária porque os campos com o maior custo de erro, como prazos, limiares financeiros e critérios de exclusão obrigatórios, são muitas vezes os mesmos campos mais expostos a modos de falha da extração, como má qualidade de OCR, reformulação inconsistente entre anexos e disposições de tabela irregulares. Um campo de elevado risco em falta ou mal lido pode desqualificar uma proposta por completo, pelo que ajustar o nível de revisão ao custo de errar continua a ser prática corrente mesmo com extração automatizada.

Que campos dos documentos de concurso são mais difíceis de a IA extrair com exatidão?

Os campos mais difíceis de extrair com exatidão são os que se encontram em documentos digitalizados ou de má qualidade, os dispersos de forma inconsistente por vários anexos com redação contraditória, e os apresentados em tabelas com células fundidas ou disposições irregulares que não convertem de forma limpa para texto. Os campos que exigem juízo em vez de leitura literal, como uma ponderação de avaliação não enunciada que tem de ser inferida a partir de texto corrido, são também consideravelmente menos fiáveis do que os campos enunciados de forma explícita e clara.

Partilhar este artigo

Reference