OCR com IA ou OCR tradicional: qual confiar no PDF escaneado

Para um PDF escaneado, o OCR tradicional devolve o texto que aparece na imagem; a IA generativa tenta entender a página, o que ajuda no layout, mas pode reescrever uma palavra. Para números, nomes e datas, prefira o motor tradicional. Para tabelas complexas, a IA pode ajudar, desde que você confira.

Dois tipos de motor, duas lógicas

O OCR tradicional é um programa que segmenta a página em linhas e palavras, reconhece cada caractere e grava uma camada de texto sobre a imagem. O Tesseract é o exemplo mais conhecido, e o Adobe Acrobat também tem um reconhecimento embutido. Ele lê o que a imagem mostra, sem montar uma resposta: se a letra está borrada, tende a errar a letra, e o erro costuma ficar visível no texto.

A IA generativa, como o ChatGPT e o Gemini (que lê PDF melhor quando ele tem texto, como mostra o guia de PDF no Gemini), funciona de outro jeito. Ela recebe a imagem e gera uma resposta em linguagem natural, treinada para produzir texto plausível. Isso ajuda quando a página tem colunas, cabeçalhos e rodapés que o OCR tradicional mistura. Mas a mesma característica pode fazer a IA completar uma palavra que não estava legível, ou corrigir uma grafia que estava certa no original.

Comparação lado a lado

A tabela resume o padrão, não uma medida. Cada scan tem resolução, inclinação e tipo de papel próprios, e um mesmo motor pode acertar uma página e errar outra. Por isso, o teste com o seu próprio documento vale mais do que qualquer comparação geral.

Onde o OCR tradicional faz mais sentido

Escolha o motor tradicional quando o texto precisa ser fiel ao original. Contratos, laudos, boletos, declarações e qualquer documento em que um número errado tem consequência pedem esse tipo de leitura. Quando o destino é um sistema que busca texto no arquivo, como mostra o guia do PDF pesquisável para o SEI, a camada de texto também importa. Como o OCR só acrescenta uma camada de texto invisível sobre a imagem, a página continua igual ao scan, e você sempre pode voltar à imagem para conferir.

O AjustaPDF usa o Tesseract para isso: cada página sem texto é lida a 300 DPI, e o resultado entra numa camada invisível exatamente sobre as letras. Cada operação lê até 60 páginas escaneadas, então um documento maior precisa ser dividido antes. O OCR em PDF da ferramenta segue essa lógica, e o glossário explica o que é a camada de texto.

Onde a IA ajuda, com cuidado

A IA é útil quando o layout confunde o OCR tradicional: uma página com duas colunas, um formulário com caixas, uma tabela sem linhas. Nesses casos, ela pode devolver o conteúdo com mais ordem. O custo é a conferência. Como o texto da IA é uma reescrita, não há um vínculo palavra por palavra com a imagem, e um erro silencioso pode passar por uma leitura rápida.

Para usar a IA com segurança, peça que ela transcreva sem corrigir e sem completar trechos ilegíveis, e marque esses trechos como ilegíveis. Mesmo com essa instrução, confira os números. Quem copia o texto para um documento oficial deve olhar a página original, e não só o texto gerado.

Privacidade: leia os termos do serviço

Antes de enviar um escaneado para qualquer IA, leia os termos do serviço sobre o que acontece com o arquivo e o texto. Cada empresa tem regras próprias de retenção e de uso para treinar modelos, e elas mudam. Documento com dado pessoal de terceiros pede cuidado extra, porque enviá-lo a um serviço é tratar esses dados: verifique os termos antes de subir o arquivo.

Como conferir o OCR, em cinco passos

1. Busque palavras conhecidas. Use Ctrl+F para achar três ou quatro termos do documento. Se nenhum for encontrado, a camada de texto não está lá.
2. Confira números e identificadores. CPF, CNPJ, valores, datas e códigos são os trechos mais sensíveis a um erro.
3. Compare no mesmo zoom. Abra a página original e o texto reconhecido lado a lado, e confira o começo, o meio e o fim da página.
4. Teste uma página difícil. Escolha a página com a pior letra ou a com mais números. Se ela passar, o resto tende a passar.
5. Refaça o scan se preciso. Um documento torto ou com baixa resolução erra mais; endireite e digitalize de novo antes de culpar o motor.

Esses cinco passos valem para qualquer motor. O guia sobre o OCR que errou palavras mostra as causas mais comuns e como corrigi-las na origem.

Quando nenhum dos dois serve

Letra de mão, carimbo sobre o texto e foto tirada de lado são casos em que nem o motor tradicional nem a IA entregam um texto confiável. Para esses documentos, o melhor é tratar a imagem antes: endireitar, aumentar o contraste e digitalizar em resolução adequada. Depois disso, o OCR tem mais chance de acertar, e a conferência fica menor. O guia sobre melhorar a qualidade de um PDF escaneado mostra o que dá para recuperar sem digitalizar de novo.

Para quem quer entender o funcionamento do motor, o guia sobre como funciona o OCR em PDF explica por que ele erra letra pequena e como a resolução muda o resultado. Quem trabalha com o motor livre por trás do OCR encontra mais detalhes em o Tesseract.