Índice do artigofaltam 6 min de leitura
Ninguém contrata um especialista para copiar CNPJ de um site para um formulário. Mas é nisso que boa parte do prazo se vai.
Faça o exercício com um documento típico da sua empresa, uma proposta técnica, um formulário regulatório, um laudo, uma peça, um relatório de diligência. Separe o tempo em duas pilhas: o tempo gasto pensando e escrevendo, e o tempo gasto procurando dado, conferindo dado e digitando dado em campo.
Na maioria dos casos a segunda pilha é grande, às vezes maior que a primeira. E ela é composta quase inteiramente de informação que já é pública, disponível em algum portal, esperando alguém abrir vinte abas.
Este artigo é sobre automatizar essa metade. Ela é a metade sem sigilo e sem julgamento profissional em jogo, o que a torna tecnicamente simples de resolver, e é justamente a que costuma ficar para depois.
Resumo do artigo
- Em documento empresarial, o gargalo raramente é a escrita. É a coleta, a conferência e a digitação de dado que já é público.
- Pedir para um modelo de linguagem buscar esses dados não funciona: ele completa identificadores plausíveis com a mesma confiança de quando acerta.
- A divisão que funciona tem três papéis: robô determinístico coleta, IA redige, sistema confere o texto contra o dado coletado.
- Como não toca em dado sigiloso, essa costuma ser a primeira entrega possível de um projeto de IA, rodando enquanto o acervo interno ainda está sendo tratado.
Metade do prazo de um documento é garimpo
A anatomia se repete com poucas variações, seja qual for o setor. O trabalho que exige formação profissional fica espremido entre duas camadas de trabalho braçal.
O que torna isso caro não é a dificuldade, é a atenção. Transpor trinta campos entre janelas é a tarefa em que gente qualificada mais erra, porque é entediante o bastante para a atenção cair e importante o bastante para o erro custar.
O que isso destrava: automatizar as etapas de coleta e transposição não substitui ninguém. Devolve ao profissional o tempo que ele gastava sendo digitador, e reduz a classe de erro mais comum do processo.
Por que pedir para a IA buscar os dados não funciona
Porque um modelo de linguagem não busca: ele completa. Quando falta a informação, ele produz o padrão mais provável, e um CNPJ inventado tem exatamente o formato de um CNPJ verdadeiro. Número de processo, valor de faturamento, data de registro e nome de sócio têm o mesmo problema: são identificadores, e identificador plausível é indistinguível de identificador correto para quem lê rápido.
Isso não é um defeito a ser corrigido com um modelo melhor, é a natureza da ferramenta. Modelo de linguagem é excelente para interpretar, resumir, classificar e redigir. Ele é a ferramenta errada para garantir que um campo corresponde ao registro oficial.
A divisão que funciona: robô coleta, IA redige, sistema confere
A arquitetura madura separa inferência de verificação. A IA fica livre para decidir e escrever, e existe código determinístico em volta validando cada afirmação verificável contra a fonte de onde ela veio.
A regra que sustenta o desenho é simples: o modelo nunca inventa um dado porque nunca precisa buscar um. Ele recebe a informação já coletada e conferida, e o trabalho dele é redigir e adaptar. Se o texto final mencionar um número que não está na base, o verificador acusa antes de o documento chegar em alguém.
Repare que o verificador é a pe ça que quase todo protótipo pula, e é a que decide se o sistema pode ser usado em produção. Sem ele, você tem um gerador de rascunho convincente. Com ele, você tem um processo auditável.
É também a peça mais barata de construir, porque comparar dois valores não exige inteligência: exige código.
O que já é público e quase ninguém automatiza
O Brasil publica mais dado estruturado do que a rotina das empresas aproveita. A Receita Federal, por exemplo, disponibiliza os dados abertos do CNPJ na seção de Dados Abertos do portal gov.br, com arquivos separados por empresa, estabelecimento, sócios e enquadramento no Simples, e o layout dos campos documentado em um metadados público. É a mesma informação que alguém consulta manualmente, uma consulta por vez.
- Cadastro de empresasRazão social, situação, endereço, atividade e quadro societário.
- Informes de companhia abertaDemonstrações e comunicados publicados por obrigação regulatória.
- Publicações oficiaisAtos, editais e decisões publicados em diário oficial.
- Consulta processual públicaAndamento e peças de processos que correm sem segredo.
- Contratações públicasEditais, contratos e valores de compras governamentais.
- Registro e atos societáriosAlterações contratuais e composição registrada nas juntas.
Nem toda fonte é igual, e essa diferença define o esforço. Fonte com dados abertos estruturados, em arquivo ou API documentada, é estável e barata de consumir. Fonte que só existe como página web exige raspagem, quebra quando o site muda de layout e precisa de manutenção. Vale mapear as duas categorias antes de estimar qualquer coisa.
O que isso destrava: um coletor sobre fonte estruturada elimina a etapa de garimpo de uma vez, para todos os casos futuros, e não apenas para o documento de hoje.
Quanto custa manter um coletor rodando
Pouco, desde que ele não exija uma máquina ligada esperando trabalho. O modelo que se paga em operação de volume baixo é o de cobrança por execução.
Há uma pegadinha nesse modelo que vale conhecer antes de desenhar o fluxo: a Microsoft documenta que a cobrança conta cada execução, inclusive as tentativas de repetição e as iterações de laço. Uma ação com cinco retentativas é cobrada como seis, e um laço sobre dez itens gera onze execuções. Coletor mal desenhado, que varre listas inteiras quando poderia buscar direto, fica caro mesmo sem infraestrutura.
O campo conferido vale mais que o campo preenchido
Esta é a diferença entre um sistema que economiza tempo e um que também reduz risco: guardar, junto de cada dado, de onde ele veio e quando foi lido.
Parece detalhe de engenharia e é decisão de negócio. Com origem registrada, três coisas passam a ser possíveis. A primeira é responder a um questionamento sobre um documento sem refazer a pesquisa, porque a resposta está gravada. A segunda é detectar quando um dado envelheceu, comparando a data de leitura com o prazo em que aquela informação costuma mudar. A terceira é revisar por exceção: em vez de conferir trinta campos, o revisor olha os três que o sistema marcou como divergentes ou desatualizados.
| O que registrar | Para que serve depois |
|---|---|
| Origem do dado | Provar de onde veio, sem refazer a busca. |
| Data da leitura | Saber quando a informação envelheceu e precisa ser buscada de novo. |
| Valor bruto e valor tratado | Auditar a transformação quando o resultado parecer estranho. |
| Status da conferência | Dirigir a revisão humana para os campos que precisam de atenção. |
Por que essa é a melhor primeira entrega de um projeto de IA
Porque ela é a única parte que não depende do trabalho lento. Organizar o acervo interno, remover sigilo dos documentos antigos e definir permissões leva meses e não produz nada visível no meio do caminho. A coleta pública produz resultado na primeira semana de uso.
Por que ela cabe primeiro
- Trabalha sobre dado público, então não depende de anonimização
- Escopo pequeno e verificável, com resultado certo ou errado
- Ganho perceptível já no primeiro documento produzido
- Não exige mudar o processo de aprovação nem o contrato com o cliente
O que ela não resolve
- A redação em si, que depende do acervo de minutas tratado
- Julgamento profissional, que continua humano
- Fonte que só existe como página web e quebra quando o site muda
- Dado que não é público e precisa vir do cliente
O que quebra, e como não quebrar junto
Coletor não é software que se instala e esquece. Ele depende de sistemas de terceiros que mudam sem avisar, e a forma como ele falha é o que separa um bom de um perigoso.
A regra mais importante: falhe alto. Um coletor que não encontra o dado precisa parar e avisar, nunca devolver campo vazio ou o valor da última vez. Campo vazio vira documento incompleto que alguém preenche na correria; valor antigo vira erro silencioso que ninguém percebe. Ambos são piores que a interrupção.
As outras três: prefira fonte estruturada a raspagem sempre que ela existir, respeite os limites de uso da fonte para não ser bloqueado, e monitore a taxa de sucesso ao longo do tempo, porque queda gradual costuma indicar mudança no site antes da quebra total.
A diferença entre os dois canos aparece na manutenção, não na primeira semana. Os dois funcionam no dia da entrega.
Como começar
Comece por um documento só, e pelos campos públicos dele. O roteiro abaixo leva de um documento escolhido a um coletor em uso, sem passar por nenhuma decisão de arquitetura grande.
- Escolha um documento que a casa produz com frequência, e liste todos os campos que ele consome.
- Marque quais campos são públicos, quais vêm do cliente e quais dependem de julgamento. Só a primeira coluna entra no escopo inicial.
- Separe fonte estruturada de página web, porque o esforço e a estabilidade das duas são diferentes.
- Construa o coletor com registro de origem e data desde a primeira versão, não depois.
- Meça o tempo antes e depois no mesmo tipo de documento, com o mesmo profissional. É esse número que sustenta a próxima etapa do projeto.
O último passo é o que costuma faltar. Sem medição do estado inicial, o ganho vira impressão, e impressão não aprova orçamento para a fase seguinte.
Fontes e método
Apuração de 31 de agosto de 2026. As informações sobre os dados abertos do CNPJ vêm do portal da Receita Federal, seção Dados Abertos, e do documento público de metadados do layout. O modelo de cobrança por execução, a faixa mensal de ações internas incluídas e as regras de contagem de retentativas e laços vêm da página oficial de preços do Azure Logic Apps e da documentação da Microsoft, atualizada em 10 de julho de 2026. Microsoft é uma empresa externa à X-Apps e não tem relação comercial com este conteúdo. As categorias de fonte pública citadas na seção correspondente são exemplos de tipos de fonte, e a disponibilidade e o formato de cada uma variam por órgão.
Perguntas frequentes
Dá para pedir, mas o resultado não é confiável para identificadores. Um modelo de linguagem completa CNPJ, número de processo e valor com o padrão mais provável quando não tem a informação, e faz isso com o mesmo tom de quando acerta. Coleta precisa ser determinística.
O robô busca no lugar certo e devolve exatamente o que encontrou, com a origem. O agente interpreta, decide e redige. A arquitetura que funciona usa os dois: o robô traz o dado, a IA escreve em cima dele, e o sistema confere o resultado contra o dado original.
Não, e é justamente por isso que costuma ser a primeira entrega. A coleta trabalha sobre fonte pública, o que permite colocar algo em produção enquanto o tratamento do acervo interno, que é lento, acontece em paralelo.
O coletor quebra, e deve quebrar de forma visível. Um coletor bem feito falha alto e avisa, em vez de devolver campo vazio ou desatualizado silenciosamente. Fonte com dados abertos estruturados é mais estável que raspagem de tela.
Em volume baixo, muito pouco, desde que ele não exija uma máquina ligada o tempo todo. Serviços de automação por execução cobram por operação executada, e alguns incluem uma faixa mensal gratuita que cobre operações pequenas.
Não. Substitui a digitação e a conferência campo a campo. A revisão passa a ser sobre o conteúdo e o julgamento, que é onde o profissional agrega valor, em vez de sobre se o número foi copiado certo.
Quer eliminar o garimpo dos seus documentos?
Solicite um orçamento e comece pela coleta pública, com entrega rápida e sem tocar em dado sigiloso.
