Qual é a precisão da IA ao ler
Livros-razão contábeis manuscritos?

Precisão não é um único número

A maioria dos benchmarks de reconhecimento de escrita manual reporta uma única porcentagem de precisão. Uma revisão de 2026 da Suparse cita o GPT-5 com 95% em escrita cursiva no benchmark AIMultiple. A Extend AI observa que soluções baseadas em LLM alcançam cerca de 90% em benchmarks controlados, enquanto ferramentas de OCR tradicionais têm média de 64% em escrita manual. São comparações úteis, mas medem uma única coisa: a transcrição a nível de caractere de parágrafos de texto isolados.

Um livro-razão manuscrito (台账) não apresenta à IA um parágrafo para transcrever. Ele apresenta uma tabela — linhas de grade desenhadas à mão, colunas alinhadas a olho, linhas cumulativas em que cada lançamento depende da linha acima — que por acaso é manuscrita. A questão da precisão para livros-razão tem quatro dimensões, e uma pontuação forte na primeira dimensão não garante resultados úteis nas outras três.

Dimensão 1: Precisão a nível de caractere — lendo cada dígito e caractere

É isso que a maioria dos benchmarks mede. Um estudo do arXiv de 2025 (2503.15195) avaliou modelos de visão-linguagem na base de dados de escrita manual IAM e encontrou taxas de erro de caractere (CER) tão baixas quanto 1,39% para o GPT-4o e 1,74% para o GPT-4o-mini — ou seja, 98,3–98,6% dos caracteres foram lidos corretamente em escrita manual inglesa limpa e em um único idioma. O Claude Sonnet 3.5 obteve 8,55% de CER (91,5% de precisão), enquanto modelos de código aberto como o InternVL2-8B atingiram 24,74% de CER (75,3% de precisão).

Esses números se aplicam ao melhor cenário: escrita legível, boa iluminação, digitalizações em 300 DPI. Páginas reais de livros-razão introduzem variáveis que ampliam essa faixa.

A diferença entre numerais em inglês e escrita mista de chinês e inglês é real e pouco reportada. O reconhecimento de escrita manual em chinês é um desafio único: o padrão GB18030-2005 define 27.533 caracteres chineses, em comparação com cerca de 100 símbolos no alfabeto latino. A pesquisa da Apple sobre reconhecimento de escrita manual em chinês em tempo real para iOS confirma que "a precisão só se degrada lentamente à medida que o inventário aumenta" com dados de treinamento suficientes — mas o modelo precisa distinguir entre caracteres que diferem por um único traço, como 未 (wèi, "ainda não") e 末 (mò, "fim"), em que o contexto do livro-razão pode ajudar a desambiguar, mas o desafio a nível de caractere permanece.

O que esses números significam na prática: em uma página de livro-razão com 30 linhas e 6 campos (180 pontos de dados, aproximadamente 800–1.200 caracteres individuais), uma taxa de precisão a nível de caractere de 95% produz 40–60 caracteres mal lidos por página. A maioria deles não produzirá erros a nível de campo — um caractere mal lido em um campo de descrição longo é cosmético; um dígito mal lido na coluna de débito não é.

Dimensão 2: Precisão a nível de campo — atribuir valores à coluna correta

É aqui que a conversa sobre precisão se afasta dos benchmarks genéricos de escrita manual. A precisão a nível de caractere mede se a IA leu "1.350" corretamente. A precisão a nível de campo mede se esse "1.350" acabou na coluna "Débito", e não na coluna "Crédito" ou na coluna "Saldo" — e se foi atribuído à linha 14, e não à linha 13 ou 15.

Para tabelas impressas com linhas de grade claras, a precisão a nível de campo é quase idêntica à precisão a nível de caractere — os limites são inequívocos. Para tabelas de livro-razão desenhadas à mão, a diferença aumenta. A IA precisa inferir os limites das colunas a partir de pistas imperfeitas:

• Linhas verticais desenhadas à mão que não são perfeitamente retas. Um deslize da régua ou uma mão irregular produz um divisor de coluna que se inclina levemente pela página. Uma inclinação de 1 grau ao longo de uma largura de página de 20 cm desloca o limite da coluna mais à direita em 3,5 mm — o suficiente para cortar um número manuscrito em vez de ficar ao lado dele.
• Colunas alinhadas a olho, não por medição. Um contador que desenha uma grade de livro-razão à mão espaça as colunas de forma aproximada, não exata. A coluna "Data" pode ter 2,5 cm de largura na página 1 e 2,8 cm na página 50. O OCR tradicional baseado em modelo falha aqui porque espera coordenadas fixas. A IA que lê pelo significado do campo — reconhecendo que uma string curta semelhante a uma data (AA/MM/DD) pertence à coluna de data, independentemente de sua posição horizontal exata — lida com essa variação sem recalibração por página.
• Linhas densas com espaçamento mínimo. Uma página de livro-razão abarrotada com 40 linhas estreitas deixa apenas 5–6 mm por linha. Quando as descendentes manuscritas (como a cauda de um "g" ou "y") de uma linha se sobrepõem às ascendentes da linha abaixo, a IA precisa decidir onde a linha N termina e a linha N+1 começa. Essa ambiguidade de limite de linha é a maior fonte de erros a nível de campo na extração de livros-razão.

Para uma página de livro-razão com colunas desenhadas à mão razoavelmente consistentes e espaçamento de linha padrão, a precisão a nível de campo fica cerca de 3–5 pontos percentuais abaixo da precisão a nível de caractere. Com 93% de precisão de caractere, espere 88–90% de precisão de campo. Com 85% de precisão de caractere (cursiva apressada), espere 80–82% de precisão de campo. A implicação prática: em uma página de 30 linhas, espere 3–4 campos que precisam de correção manual — não porque a IA leu mal a escrita manual, mas porque colocou o valor correto no espaço errado.

A vantagem da Extração de Colunas Personalizadas — definir nomes de campos como "Valor do Débito" e "Nome da Conta" antes da extração — é que ela dá à IA um alvo semântico. Em vez de tentar inferir o layout da coluna apenas pelas linhas de grade, a IA procura por "algo que se pareça com um valor de débito na estrutura da linha" e o coloca na coluna de saída correta. Como descrito em o guia de extração sem modelo, essa abordagem semântica reduz os erros a nível de campo mais do que qualquer etapa de pré-processamento consegue.

Dimensão 3: Precisão a nível de estrutura — Entendendo a grade desenhada à mão

Esta dimensão não tem equivalente nos benchmarks padrão de escrita manual. Ela mede se a IA interpreta corretamente a estrutura da tabela — a relação entre linhas, colunas, cabeçalhos e a lógica cumulativa que define um livro-razão.

Os modelos de IA modernos usam o que a análise do benchmark Sparkco 2025 descreve como "análise ciente do layout" — arquiteturas multimodais como LayoutLM que entendem "tanto texto quanto layouts complexos, incluindo tabelas e colunas". Em um livro-razão, isso significa reconhecer que:

• O saldo final da linha 12 = saldo final da linha 11 + débitos da linha 12 – créditos da linha 12
• A coluna "Nome da Conta" normalmente contém texto, não números — então um "1.350" nessa coluna provavelmente é uma atribuição incorreta, não um lançamento válido
• Um cabeçalho de coluna como "科目名称" (nome da conta) descreve um campo de texto em chinês, e qualquer valor colocado sob ele deve ser avaliado quanto a corresponder a essa expectativa semântica

A precisão a nível de estrutura para livros-razão desenhados à mão se divide em três faixas de qualidade:

Grade consistente, impressa ou desenhada à mão de forma caprichada: 90–95% das linhas estão estruturadas corretamente — ou seja, as colunas são mapeadas corretamente, os limites das linhas são identificados e as relações cumulativas são preservadas. Este é o caso mais comum: um contador que desenha colunas com uma régua, mês após mês, com o mesmo layout.

Grade inconsistente, linhas desenhadas à mão variáveis: 80–90%. A IA entende o layout geral, mas pode atribuir incorretamente 1–2 linhas por página — mesclando duas linhas estreitas em uma ou dividindo uma linha larga em duas. Isso acontece com livros-razão em que a largura das colunas varia bastante entre páginas, ou em que as linhas da grade são claras o suficiente para que a IA as trate como conteúdo em vez de estrutura.

Sem grade ou grade severamente degradada: 70–80%. Quando o livro-razão usa apenas linhas horizontais (sem divisórias verticais de coluna) ou quando a grade desbotou até quase desaparecer em papel antigo, a IA precisa inferir toda a estrutura das colunas a partir de padrões de conteúdo — reconhecendo que uma string curta de data precede uma descrição mais longa, que precede um valor numérico. Este é o caso mais difícil e produz o maior número de erros estruturais.

Um ponto crítico que os benchmarks genéricos não captam: erros estruturais são mais fáceis de detectar do que erros de caractere. Se a IA divide uma linha em duas, a saída tem 31 linhas onde deveria haver 30 — um sinal de alerta óbvio. Se ela lê um "3" como "8" em um valor de débito, o erro é invisível sem verificação linha por linha. Erros de estrutura são evidentes; erros de caractere são silenciosos. Essa assimetria tem implicações práticas para a estratégia de verificação.

Dimensão 4: Precisão a nível de lógica de negócios — o livro-razão fecha?

Esta é a dimensão que existe para livros-razão e quase nada mais. Ela não mede se a IA leu a escrita manual corretamente. Ela mede se os dados extraídos satisfazem as regras contábeis que definem um livro-razão válido — e, ao fazer isso, captura erros das três dimensões anteriores simultaneamente.

A regra central: Saldo Final = Saldo Final da Linha Anterior + Débito da Linha Atual – Crédito da Linha Atual.

Em termos contábeis, esta é a fórmula de saldo acumulado — a aritmética que faz de um livro-razão um livro-razão, e não uma lista de lançamentos independentes. A escrituração em conformidade com o GAAP, regida pelo FASB ASC 105, exige que toda conta do livro-razão geral mantenha essa integridade cumulativa em todos os lançamentos. Um livro-razão cujos saldos não fecham não é apenas impreciso — é impossível.

A verificação de precisão a nível de lógica de negócios funciona em duas direções:

1. Verificação direta: Para cada linha, calcule o saldo final esperado a partir dos valores de débito e crédito extraídos. Compare-o com o saldo extraído. Se coincidirem, a linha passa por uma dupla checagem que nem o lançamento manual nem o OCR padrão oferecem — porque tanto os valores de débito/crédito quanto o valor do saldo foram lidos de forma independente, e sua relação aritmética confirma ou rejeita a leitura.
2. Verificação reversa: Se uma discrepância for encontrada na linha 47, rastreie para trás: o saldo da linha 46 estava correto? E o da linha 45? Isso isola a linha de origem — a primeira linha em que o saldo calculado diverge do saldo extraído — e revela se o erro é um débito mal lido, um crédito mal lido ou um saldo mal lido nessa linha específica.

Com o recurso de coluna calculada da ferramenta, essa verificação é automática: defina uma coluna chamada "Balance Check" com a regra Previous Balance + Debit - Credit, e a IA calcula o saldo esperado para cada linha durante a extração, sinalizando discrepâncias na origem. Esta é a coisa mais próxima de uma melhoria de precisão gratuita que existe para extração de livros-razão — e é inteiramente uma função da estrutura do livro-razão, não das habilidades de reconhecimento de escrita manual do modelo de IA.

Na prática, a verificação de lógica de negócios captura cerca de 60–80% dos erros que sobrevivem às três primeiras dimensões de precisão. Um débito mal lido que passa pelas verificações a nível de caractere (o dígito "3" e o dígito "8" são ambos plausíveis), a nível de campo (está na coluna certa) e a nível de estrutura (está na linha certa) ainda falhará na verificação de lógica de negócios — porque a aritmética não vai fechar. É por isso que a precisão da extração de livros-razão nunca deve ser descrita como um único número: a quarta dimensão funciona como uma rede de segurança que os benchmarks genéricos de precisão não consideram.

O Que Você Pode Controlar: Qualidade da Entrada, Design de Colunas e Estratégia de Verificação

Quatro fatores determinam onde seu livro-razão se posiciona em cada dimensão de precisão — e todos os quatro estão sob seu controle.

Qualidade da digitalização. 300 DPI é o limite mínimo em que o reconhecimento de escrita manual passa de "sorte" para "confiável", conforme confirmado pelo benchmark Sparkco 2025. Abaixo de 200 DPI, a densidade de pixels é insuficiente para a IA distinguir caracteres semelhantes (3 vs 8, 4 vs 9) — e a precisão cai drasticamente independentemente da qualidade do modelo. Para páginas de livro-razão capturadas com celular, use um aplicativo de digitalização que aplique correção de perspectiva e realce de contraste. Fotos tiradas com câmera comum perdem de 10 a 15 pontos percentuais de precisão por causa da distorção da lente, iluminação irregular e efeito keystone — todos corrigíveis na etapa de captura.

Nomeação de colunas. As colunas de extração que você define moldam o comportamento de busca da IA. Uma coluna chamada "Débito" diz à IA para procurar um valor numérico com semântica de débito. Uma coluna chamada "Coluna 3" não diz nada — a IA colocará o que encontrar na terceira coluna visual, independentemente de ser uma data, uma descrição ou um valor. Nomeie as colunas pelo seu significado contábil: "Data (AAAA/MM/DD)", "Nome da Conta", "Valor do Débito", "Valor do Crédito", "Saldo". Quanto mais preciso o nome da coluna, mais direcionada é a correspondência a nível de campo da IA. Esse princípio é o cerne da Extração de Colunas Personalizadas e a distingue de abordagens baseadas em modelo que dependem de coordenadas.

Consistência. Se a mesma pessoa desenha a mesma grade de livro-razão todos os meses, defina o modelo de coluna uma vez e reutilize-o. A precisão a nível de estrutura da IA melhora com a exposição repetida a um layout consistente. Se pessoas diferentes desenham grades diferentes, ou se o formato muda entre os meses, espere que a precisão a nível de estrutura se degrade — e reserve mais tempo de revisão por página.

Estratégia de verificação. A precisão prática da extração de livro-razão não é apenas a saída bruta da IA. É a saída da IA mais o seu processo de verificação. Uma taxa de precisão a nível de campo de 90% significa corrigir 3 a 4 campos por página — uma tarefa de revisão administrável. Uma taxa a nível de campo de 70% significa corrigir 9 a 10 campos por página — aproximando-se do esforço da entrada manual. A estratégia de verificação que funciona para 90% de precisão (buscar discrepâncias sinalizadas, verificar algumas linhas por amostragem) não funciona para 70% de precisão (você está essencialmente redigitando um terço dos dados). Antes de optar pela extração, processe uma página representativa e conte quantos campos precisam de correção. Esse número — e não qualquer benchmark — diz se a qualidade do seu livro-razão sustenta a extração ou exige primeiro entradas aprimoradas.

Perguntas frequentes

Em que ponto a escrita manual do meu livro-razão fica "ilegível demais" para valer a pena a extração por IA?

O ponto de virada depende do que você está comparando. Se a alternativa for a digitação manual — que, para livros-razão manuscritos, carrega uma taxa de erro própria de 3–5% por erros de transcrição —, a extração por IA continua valendo a pena desde que a precisão corrigida a nível de campo supere a precisão manual. Isso normalmente se mantém até a precisão bruta da IA cair abaixo de 75–80% a nível de campo, o que corresponde a documentos gravemente degradados (lápis apagado em papel amassado, caracteres sobrepostos, tinta vazando pelo verso). Para o livro-razão manuscrito típico — caneta esferográfica em papel pautado, alguma variação na qualidade da escrita, borrões ocasionais —, a precisão a nível de campo fica entre 85–93%, o que significa corrigir 2–5 campos por página de 30 linhas. Nessa taxa de correção, a extração por IA mais a revisão ainda é mais rápida do que a digitação manual completa. A comparação completa está quantificada em comparação entre OCR de livro-razão e digitação manual de dados.

A IA lida com chinês e inglês misturados na mesma página do livro-razão?

Sim — com ressalvas. A IA lê ambos os conjuntos de caracteres em uma única passagem, sem a penalidade de alternância cognitiva que um operador humano sente. Nomes de contas escritos em chinês (科目名称) são extraídos junto com valores escritos em numerais ocidentais. O caso-limite é quando uma única célula contém os dois sistemas de escrita — por exemplo, um campo de descrição que diz "付款 to ABC Corp" —, em que a mistura dentro de um campo pode causar erros a nível de caractere na fronteira entre caracteres chineses e ingleses. Separar conteúdo de escrita mista em colunas distintas na etapa de escrita do livro-razão (descrições em chinês em uma coluna, observações em inglês em outra) melhora a precisão. Para o fluxo de trabalho completo, consulte o guia para converter livros-razão manuscritos em Excel.

Como a precisão muda ao longo de várias páginas do mesmo livro-razão?

Modelos de visão-linguagem sofrem um fenômeno chamado desvio de contexto em documentos de várias páginas. Uma revisão prática de 2025 citada pela Suparse constatou que o GPT-4.1 alcançou 85% de precisão na primeira página, caiu para 75% em segundas páginas mais bagunçadas e chegou a cerca de 65% na terceira página de extrações de várias páginas. No entanto, esse desvio afeta principalmente documentos narrativos, em que o modelo tenta manter um contexto contínuo. Para documentos estruturados como livros-razão — em que cada linha é autossuficiente e segue um esquema fixo —, o desvio é menos pronunciado, porque a extração é campo a campo, e não de acompanhamento narrativo. Processar as páginas do livro-razão individualmente (uma página por lote) em vez de como um documento contínuo atenua a degradação de precisão em várias páginas. O modo de processamento em lote da ferramenta lida com isso tratando cada página como uma unidade de extração independente dentro de um esquema compartilhado.

Posso treinar a IA para melhorar com a minha caligrafia específica ao longo do tempo?

Não no sentido tradicional de "dados de treinamento" — você não envia amostras rotuladas para ajustar o modelo. O que melhora com o tempo é o seu modelo de coluna: depois de processar algumas páginas, você saberá quais campos geram mais erros e poderá refinar os nomes das colunas para serem mais específicos. Uma coluna chamada "Saldo" pode atingir 85% de precisão porque a IA às vezes a confunde com campos de subtotal. Renomeá-la para "Saldo Final (total acumulado, coluna mais à direita)" dá mais contexto à IA e normalmente melhora a precisão a nível de campo em 3–5 pontos percentuais. Esse refinamento do modelo — não o ajuste fino do modelo — é o mecanismo prático para melhorar a precisão no seu formato de livro-razão específico.

Qual é o piso de precisão — em que ponto a extração por IA não vale mais a pena tentar?

Se qualquer uma das condições a seguir se aplicar à maioria das páginas do seu livro-razão, a extração por IA produzirá resultados que exigirão mais esforço de correção do que a entrada manual: (1) vazamento de tinta do verso tornando os caracteres ambíguos até para um leitor humano, (2) caligrafia tão conectada que caracteres individuais são indistinguíveis (cursiva de linha contínua em que cada caractere flui para o próximo sem levantar a caneta), (3) linhas de grade que desbotaram completamente, sem separação visual entre as colunas, (4) páginas fotografadas em ângulo com distorção de perspectiva significativa e sem pós-processamento. Se apenas algumas páginas de um livro-razão tiverem esses problemas, pule essas páginas para entrada manual e extraia o restante. Se todo o livro-razão estiver nessa condição, os insumos — não a ferramenta de extração — são o fator limitante.