OCR de autos é transformar as páginas escaneadas de um processo — a certidão fotografada, o contrato digitalizado, o laudo em imagem — em texto pesquisável que a IA consegue ler de verdade. É o passo que falta em quase toda análise de processo com IA: você sobe o PDF de 500 páginas, a ferramenta responde com naturalidade, e o dado que estava numa página em imagem nunca entrou. O gargalo do contencioso não é a tese; é o braçal — e o OCR é a ferramenta do braçal.
Este guia mostra as duas rotas (local e gratuita × nuvem e paga), o teste que prova se o dado entrou, e o fluxo do PDF bruto à ficha do processo. Eu não sou advogado; sou de tecnologia, com mais de dez anos no mercado jurídico, e este é o problema técnico que mais derruba a confiança de quem começa a usar IA em processo.
Por que a IA "lê" o PDF e não captura o dado
Um PDF de processo é a soma de dois tipos de página: as que têm texto (a petição que o advogado digitou e protocolou) e as que têm imagem (o documento que alguém escaneou ou fotografou e anexou). A IA extrai o texto do arquivo; da imagem, ela extrai o que a ferramenta de leitura conseguir — às vezes nada, às vezes um borrão de caracteres.
O resultado é o erro silencioso que descrevemos em como analisar um processo inteiro com IA: a resposta parece completa, e a lacuna não deixa rastro. A certidão, o contrato original, o comprovante, o laudo — justamente os documentos que decidem o caso — costumam ser os escaneados.
OCR (reconhecimento óptico de caracteres) é a etapa que converte a imagem em texto antes de a IA ler. Sem ela, você está analisando metade do processo achando que analisou tudo.
As duas rotas: local e gratuita × nuvem e paga
Tesseract (local) | Google Document AI (nuvem) | |
|---|---|---|
O que é | Motor de OCR de código aberto (licença Apache 2.0), mais de 100 idiomas, roda no seu computador (Tesseract) | Serviço de OCR e extração de campos do Google Cloud |
Custo | Gratuito | US$ 1,50 por 1.000 páginas até 5 milhões de páginas/mês (OCR corporativo); crédito inicial de US$ 300 para contas novas |
Onde o dado roda | Na sua máquina | Nos servidores do Google — o arquivo sai |
Qualidade | Depende muito da imagem: escaneado limpo vai bem; foto torta, com sombra, vai mal. A própria documentação avisa que a qualidade da imagem é crítica | Melhor em documentos ruins e em layout complexo (tabelas, formulários); extrai campos estruturados |
Para quem | Volume regular, dado sensível, escritório com máquina dedicada | Volume alto, documentos difíceis, e a decisão consciente de que o arquivo vai para a nuvem |
A escolha é a pergunta de sempre: o documento pode sair? Autos com dado de cliente, por padrão, não. A rota local é o começo; a nuvem é exceção justificada — e, se usada, em conta corporativa, com contrato e com o mínimo de páginas.
Uma alternativa intermediária: a IA local ou a de conta corporativa com leitura de imagem já faz OCR razoável em páginas isoladas. Para 500 páginas, não é o caminho — é para a certidão de duas páginas que faltou.
O fluxo do PDF bruto à ficha (5 passos)
Separe o que é texto do que é imagem. Ferramentas de PDF mostram se a página tem camada de texto. Só as páginas em imagem precisam de OCR — e são elas que você vai conferir com mais cuidado.
Melhore a imagem antes do OCR. Endireitar, aumentar contraste, remover sombra. É a etapa que mais muda o resultado no Tesseract — e a documentação dele diz isso com todas as letras.
Rode o OCR em português e gere um PDF com camada de texto (o mesmo arquivo, agora pesquisável) — não um TXT solto. Você quer a página e o texto juntos.
Faça o teste do dado que apareceu (seção abaixo) antes de qualquer análise.
Só então suba na IA para a ficha, a cronologia e as contradições — o fluxo de cinco etapas do guia de análise.
O teste do dado que apareceu
O teste que prova se o OCR funcionou é simples e não negociável: escolha três dados que você já sabe que estão em páginas escaneadas — a data de uma certidão, o valor de um contrato, o nome de uma testemunha num termo manuscrito — e procure-os no PDF com camada de texto. Se os três aparecem, o OCR entrou. Se um falha, você acabou de descobrir na hora certa que uma parte do processo está invisível.
Duas regras derivadas:
Nunca confira se o arquivo foi aceito; confira se o dado apareceu. A IA aceita qualquer arquivo. Aceitar não é ler.
Manuscrito é a fronteira. OCR de texto impresso vai bem; de letra de mão, mal, em qualquer rota. Termo de audiência manuscrito, recibo à mão, anotação em margem — leia você.
Onde o arquivo roda (a regra que não muda)
Autos são dado de cliente, muitas vezes sensível. A rota local é o padrão porque a resposta para "para onde vai isso?" é "para lugar nenhum". Se a rota em nuvem for necessária — volume que a máquina não dá conta, documento que o Tesseract não lê —, três condições: conta corporativa, contrato de tratamento de dados, e o mínimo de páginas (só as escaneadas que o local não resolveu). O raciocínio completo sobre ferramentas que recebem o arquivo está em o conversor de PDF gratuito é um terceiro — OCR online gratuito está na mesma categoria.
É também mais uma face da mesma régua que organiza todo o uso de inteligência artificial no Direito: a IA vale pelo que ela consulta — e ela só consulta o que entrou.
