Como Extrair Dados de Remessa Impressos e Confirmações de Recebimento Manuscritas de Notas de Entrega Devolvidas
Notas de entrega são documentos híbridos — detalhes de remessa impressos mais marcas de recebimento manuscritas. Saiba como a extração por IA lida com ambas as camadas em uma única passada.
Por que um Comprovante de Entrega Assinado São Dois Documentos em Um
Um comprovante de entrega que sai do armazém do fornecedor carrega um conjunto de dados: códigos de itens, quantidades enviadas, número do pedido de compra, transportadora, data de envio. Este é o registro do fornecedor sobre o que foi despachado. O documento acompanha a carga e, ao chegar no cais de recebimento, uma segunda camada de dados é adicionada: as anotações manuscritas do recebedor.
Essas anotações não são ruído. Elas são o veredito operacional da equipe de recebimento — e têm peso legal. De acordo com o Código Comercial Uniforme (UCC Artigo 2), um comprovante de entrega assinado com exceções escritas constitui evidência documentada de que a remessa não foi aceita integralmente. Sem anotações, não há evidência. Se o recebedor assinar sem notar que duas caixas chegaram amassadas ou que 15 unidades de um item de 50 unidades estavam faltando, o fornecedor pode argumentar razoavelmente que as mercadorias foram aceitas como completas.
O desafio é estrutural, não processual. Dados impressos são legíveis por máquina por design. As confirmações de recebimento manuscritas — assinaturas, códigos de avaria, correções de quantidade, anotações de identificação do motorista — não são. Elas ficam no papel, visíveis ao olho humano, mas invisíveis para o WMS ou ERP. Quando a equipe de recebimento encerra o dia, essas anotações permanecem na cópia física. O registro digital tem a versão do fornecedor. A verdade está no papel.
Este é o problema das duas camadas: um comprovante de entrega, dois sistemas de dados, apenas um é digitalizado.
O Que se Perde Quando Você Apenas Lê a Camada Impressa
A lacuna entre o que o fornecedor enviou e o que o recebedor documentou manualmente não é teórica. Aqui estão os quatro tipos de anotações de recebimento que desaparecem quando as equipes extraem apenas os campos impressos:
Correções de quantidade
"Faltam 3 do SKU 8842" rabiscado ao lado da tabela de itens. A quantidade impressa do fornecedor diz que 25 unidades foram enviadas. O recebedor contou 22. Se essa anotação manuscrita nunca entrar no sistema, a conciliação de três vias — comparando o pedido de compra, o comprovante de entrega e a fatura do fornecedor — sinalizará a fatura para pagamento integral de 25 unidades. A equipe de contas a pagar não tem base para reter o pagamento.
Notações de avaria
"2 caixas amassadas — canto esquerdo" escrito no topo da página. Esta é a evidência que você precisará quando o fornecedor contestar a reclamação de danos. Sem ela em formato digital, a reclamação é uma ligação telefônica sem trilha de papel.
Carimbos de data/hora e assinaturas de recebimento
A data, hora e nome do recebedor manuscritos estabelecem quando e por quem a remessa foi aceita. Em uma disputa sobre se uma entrega chegou dentro da janela contratada, este é o registro principal. Se ficar no papel, é inútil em uma auditoria digital.
Anotações de transportadora e motorista
"Motorista: Mike, Caminhão 42, 14:15" — crítico para rastreabilidade se as mercadorias desaparecerem entre o cais e a armazenagem.
O custo de perder essa camada se acumula. Uma única nota de avaria perdida pode significar pagar R$ 200 por mercadorias que você não pode vender. Em 50 comprovantes de entrega por dia — um volume típico para um armazém de médio porte — a exposição mensal de exceções de recebimento não registradas pode chegar a cinco dígitos. E esses são apenas os incidentes que você conhece.
Como a IA lê as duas camadas simultaneamente
O OCR tradicional trata um documento de entrega como um problema de localização de campos: encontrar o número do pedido na coordenada X, encontrar a data de envio na coordenada Y. Essa abordagem falha no momento em que um fornecedor altera o layout — ou no momento em que alguém escreve sobre o texto impresso.
Os modelos de linguagem visual (VLMs) abordam o problema de forma diferente. Em vez de procurar texto em coordenadas fixas, eles leem o documento inteiro como uma cena visual. Eles entendem que o texto "12" impresso na coluna Qtd e o "10 ✓" escrito à mão ao lado são duas informações diferentes sobre o mesmo dado — e podem extrair ambos para colunas separadas.
Este é o mecanismo por trás da Extração de Colunas Personalizadas: você define as colunas desejadas — "Nº do Pedido", "SKU", "Qtd. Enviada", "Qtd. Recebida", "Observações de Avarias", "Recebido por" — e a IA localiza cada valor em qualquer lugar da página, entendendo o que significa, não onde está. Os campos impressos vêm do modelo do fornecedor. Os campos manuscritos vêm das anotações do recebedor. Eles se encontram na mesma linha de uma única planilha.
A mudança fundamental: Você não trata mais marcas manuscritas como obstáculos à extração. Você as trata como campos de dados a serem extraídos — exatamente como os impressos, mas identificados pelo conteúdo, não pela posição no layout.
Passo a passo: extraia campos impressos e manuscritos em uma única etapa
Este é o fluxo de trabalho que transforma uma pilha de documentos de entrega assinados em uma única planilha contendo o que foi enviado e o que foi recebido.
Os arquivos são processados com segurança e não são armazenados.
Colete os canhotos de entrega assinados na doca de recebimento
Após cada entrega do motorista, o funcionário do recebimento deve guardar a cópia anotada. Digitalize os canhotos de papel na doca — uma foto de celular a 300 DPI é suficiente — ou colete as versões em PDF que os fornecedores enviam por e-mail após o embarque. O ponto principal: não guarde a cópia de papel assinada em uma gaveta. Faça o upload.
Defina suas colunas de extração para ambas as camadas de dados
É aqui que a abordagem de duas camadas toma forma. Suas colunas da camada impressa: Nº PO, SKU, Descrição do Item, Qtd. Enviada, Data de Embarque, Transportadora, Fornecedor. Suas colunas da camada manuscrita: Qtd. Recebida, Observações de Avarias (campo de texto), Recebido por, Data/Hora do Recebimento, Status da Assinatura (Presente/Ausente). Digite estes como nomes de colunas na interface de extração — a IA preencherá cada um a partir da parte correspondente do documento, independentemente de onde a anotação manuscrita apareça em relação ao texto impresso.
Faça upload do lote e deixe a IA processar ambas as camadas
Faça upload de todos os canhotos de entrega da manhã em um único lote — PDFs dos portais dos fornecedores, cópias digitalizadas da doca, fotos tiradas pela equipe de recebimento. A IA lê cada documento de acordo com suas definições de coluna. Os campos impressos são extraídos do layout do fornecedor. Os campos manuscritos são extraídos das anotações do recebedor. Ambos vão parar na mesma tabela estruturada, alinhados por linha.
Revise exceções, não todos os campos
A planilha de saída oferece uma visão lado a lado: Qtd. Enviada (impresso) vs Qtd. Recebida (manuscrito). Divergências — onde a contagem do recebedor difere da do fornecedor — ficam imediatamente visíveis. Filtre por discrepância e encaminhe essas linhas para o processo de reclamação ao fornecedor. As que coincidem não precisam de ação adicional. O que costumava ser uma reconciliação manual de 50 canhotos de entrega agora é uma passagem de 5 minutos para filtrar e revisar.
Como Fica a Planilha Gerada
A saída mesclada fornece uma linha por item, com colunas abrangendo ambas as camadas de dados. Veja a estrutura:
| Nº do Pedido | SKU | Qtd. Enviada | Qtd. Recebida | Observações de Avarias | Recebido por | Data de Recebimento | Status |
|---|---|---|---|---|---|---|---|
| PO-8842 | VT-334 | 50 | 47 | 3 unidades avariadas — canto da caixa amassado | M. Chen | 2026-06-15 | Divergência |
| PO-8842 | VT-338 | 100 | 100 | — | M. Chen | 2026-06-15 | OK |
| PO-8912 | SP-401 | 30 | 30 | — | J. Rivera | 2026-06-15 | OK |
A coluna Status pode ser gerada automaticamente por meio de colunas inferidas: defina uma coluna como Status (opções: OK/Divergência) e a IA lê as observações de avarias e a divergência de quantidades para determinar o valor correto — extraindo e classificando em uma única etapa. Nenhuma etapa de revisão separada é necessária para casos padrão.
Para integração downstream, esta tabela alimenta diretamente seu fluxo de conciliação de três vias. A equipe de contas a pagar agora tem um registro digital do que foi efetivamente recebido — não apenas do que o fornecedor disse que enviou — antes de aprovar a fatura. O pedido de compra corresponde à alegação do fornecedor. A extração do conhecimento de entrega corresponde ao que chegou. Se não estiverem alinhados, o pagamento é retido com evidências documentadas.
Perguntas Frequentes
Qual a precisão da extração de manuscritos em notas de entrega com anotações densas?
A precisão depende da legibilidade. Correções manuscritas claras — quantidades circuladas, "falta 3", um nome impresso — são extraídas de forma confiável. Rabiscos densos sobre texto impresso, páginas carbono muito borradas ou documentos danificados por água reduzem a precisão. Na prática, o fluxo é projetado para que você revise exceções sinalizadas, e não todos os campos: a IA extrai o que pode de ambas as camadas, e a etapa de revisão captura os casos extremos que exigem interpretação humana. Ainda assim, é drasticamente mais rápido do que digitar manualmente cada campo do zero.
Funciona quando as anotações manuais estão em um idioma diferente do texto impresso?
Sim. Modelos de linguagem visual leem a escrita manual independentemente do idioma impresso. Se a nota de entrega está em inglês, mas o recebedor anotou em espanhol ou francês, a IA extrai ambos. Os nomes das colunas que você define estabelecem a expectativa semântica — "Qtd. Recebida" instrui o modelo a procurar uma anotação numérica perto do campo de quantidade impresso, independentemente do idioma do texto ao redor.
A saída consegue distinguir entre diferentes tipos de anotações manuais?
Ao definir colunas separadas para cada tipo de anotação — Qtd. Recebida, Observações de Avarias, Recebido Por — você instrui a IA a extrair cada informação para seu próprio campo. A IA distingue uma correção numérica de uma observação textual de avaria de uma assinatura com base no contexto semântico, não apenas na localização. Se uma anotação for ambígua, o campo de saída ficará em branco ou incerto, facilitando a identificação durante a revisão.
E se o recebedor não anotou nada — a nota de entrega foi apenas assinada?
Nesse caso, as colunas da camada manuscrita (Observações de Avarias, ajustes de Qtd. Recebida) ficarão vazias, e a coluna Status será padronizada como OK. Uma nota de entrega assinada sem exceções é tratada como aceitação — exatamente como seria interpretada em um processo manual. A diferença é que o registro digital agora documenta formalmente que nenhuma exceção foi observada no recebimento, o que é uma evidência mais forte do que "perdemos a cópia em papel".
Quais documentos posso processar além de notas de entrega?
A mesma abordagem de extração em duas camadas se aplica a qualquer documento onde dados impressos e anotações manuais coexistem: romaneios com marcas de verificação feitas à mão, formulários de comprovante de entrega com observações do motorista, notas de recebimento de mercadorias com anotações do inspetor e relatórios de inspeção com observações de campo escritas sobre modelos impressos. O mecanismo de extração é baseado em conteúdo, não em modelo, portanto, mudanças de formato entre documentos não quebram o fluxo de trabalho.
A diferença entre o que um fornecedor envia e o que um armazém recebe sempre existiu. A novidade é que você não precisa mais escolher qual lado da nota de entrega digitalizar. Você extrai ambos — dados de remessa impressos e confirmações de recebimento manuscritas — em um único registro estruturado, e para de perder disputas porque a evidência nunca saiu do papel.