Utilizando IA para analisar até 30.000 CCBs por mês
Um caso prático de automação com IA e low-code aplicada à extração de informações de documentos financeiros
Contexto
O projeto teve como objetivo viabilizar a análise individual (1-a-1) de CCBs (Cédulas de Crédito Bancário) em escala.
O sistema foi desenhado para processar até 30.000 CCBs por mês, equivalente a mais de 400.000 páginas de PDF mensais processadas.
O que precisava ser validado
Cada CCB existe como um documento (PDF), mas também como um registro em uma planilha no formato CNAB.
Essa planilha CNAB é um formato padrão usado pelo mercado financeiro e, em teoria, deveria conter exatamente as mesmas informações presentes nas CCBs: mesmos campos, mesmos valores, mesmos identificadores.
O problema é simples:
o CNAB é preenchido separadamente do documento. Logo, erros de digitação, campos trocados ou informações inconsistentes acabam existindo.
O objetivo da automação foi validar, documento por documento, se as informações extraídas da CCB batem exatamente com o que está registrado no CNAB.
Processo alvo (pós-automação)
→ Receber a CCB
→ Ler o documento e extrair campos relevantes (ex: número, valor, CPF/CNPJ etc.)
→ Comparar esses campos com o “gabarito” (CNAB) para checar se formato e conteúdo batem com o esperado
→ Marcar divergências (campo ausente, formato inválido, inconsistência etc.)
→ Aprovar automaticamente ou encaminhar para revisão humana
Problema central
O desafio não era apenas “extrair dados”, mas tornar possível um processo que antes não escalava.
A motivação veio de risco regulatório e de auditoria. Em operações financeiras, é comum que a conferência seja feita por amostragem: você valida alguns documentos e assume que o restante está correto. O problema é simples: se você não olha um documento, você não tem como garantir que ele está certo. A automação permitiu sair desse modelo e viabilizar uma análise 1-a-1.
Solução adotada
A solução combina automação tradicional com modelos de IA para leitura e extração de informações dos documentos.
Stack tecnológico
n8n como orquestrador central
LLMs e OCRs para extração de informações do documento
Postgres para persistência dos dados e rastreabilidade
Metabase para análise e visualização
Modelos testados
Foram avaliadas cinco abordagens:
GPT-5 lendo o PDF diretamente
GPT-5 a partir de OCR
GPT-5-mini lendo o PDF diretamente
GPT-5-mini a partir de OCR
Claude Sonnet 4 lendo o PDF diretamente
Metodologia
MVP e testes estatísticos
Antes da produção, foi desenvolvido um MVP e realizados testes com mais de 1.000 CCBs reais, comparando estatisticamente os resultados das cinco abordagens.
Durante os testes, a régua foi alta:
O dado extraído precisava estar 100% igual ao que está no documento
Para decidir o “certo” ao comparar modelos, usamos um critério pragmático: se 3 modelos concordavam, tratávamos essa resposta como gabarito
Ao final, os dois modelos com melhor performance foram escolhidos para compor a solução em produção.
Execução em ondas de volume
Os testes seguiram batches progressivos:
100 CCBs
500 CCBs
1.000 CCBs
Até 4.000 CCBs em um único batch
Guardrail principal
Na operação atual:
Duas LLMs extraem os mesmos campos de forma independente
Se houver divergência, o documento é marcado para revisão humana
A lógica é simples: modelos de IA podem errar, mas a automação foi desenhada para identificar esses casos.
Resultados
Taxa de assertividade média superior a 99%
Capacidade comprovada para processar 4.000 CCBs em um único batch
Tempo médio de análise: aproximadamente 16 segundos por CCB
Apenas ~2% dos documentos exigem revisão humana
Estimativa de ganho operacional: ~1-2 minuto de análise por documento, equivalente a 6 FTEs
Diversas inconsistências mapeadas que antes não eram observadas, como o título incorreto de documentos
Onde a IA não entra
A IA foi usada exclusivamente para ler documento e extrair informação.
Todo o cruzamento entre os dados extraídos e o CNAB foi feito de forma determinística e em código.
Isso importa porque, em processos críticos, o objetivo não é “ter IA”, e sim ter previsibilidade e rastreabilidade.
Desafios e limitações
Modelos de IA não são determinísticos — por isso, o uso de dupla extração
Documentos fora de padrão exigem fallback humano
A curadoria dos campos críticos e das regras de validação pesa mais do que “aumentar inteligência”
Próximos passos
Validar o stack em volumes ainda maiores
Suportar outros formatos de CNAB
Expandir para outros tipos de CCB
Principais insights
n8n não é só pra MVP. Volume de 400 mil páginas por mês é produção.
Em processos financeiros, “parecer certo” não é suficiente. Os dados extraídos precisam bater exatamente com o documento original, e o sistema precisa deixar claro quando não tem certeza e alguém precisa revisar.
Usar IA em todas as etapas não ajudaria. A IA entrou onde faz sentido — leitura de documentos — e o restante ficou com lógica determinística. Essa separação deixou o fluxo mais previsível, mais fácil de auditar e mais simples de manter.