Guia
Como tornar um PDF legível para agentes de IA
Garanta que cada fato do PDF exista como texto de verdade, com rótulo, unidade, período e ressalva ao lado, e publique uma versão em texto estruturado (Markdown ou JSON) do documento em uma URL estável que os agentes possam acessar. Agentes leem texto com confiabilidade e layouts mal, então quanto mais perto você chegar de um texto limpo, conferido e endereçável, menos erros eles cometem.
Como os agentes de IA leem um PDF
Um agente de IA não vê seu PDF como uma pessoa vê. Ele extrai a camada de texto, às vezes roda OCR nas imagens e depois tenta reconstruir títulos, tabelas e a ordem de leitura a partir da posição dos caracteres. A central de ajuda da OpenAI observa que valores exatos podem não ser extraídos com confiabilidade de tabelas em imagem, arquivos digitalizados ou layouts complexos, e que a leitura de gráficos e imagens dentro de PDFs só está disponível em contextos específicos; nos demais, só o texto é lido.
Um agente que navega na web tem um problema a mais: ele pode nem abrir o PDF se conseguir acessar uma página mais leve, ou pode pegar uma cópia antiga que outra pessoa publicou.
Checklist: o próprio PDF
- Camada de texto: exporte do Word, PowerPoint, Google Docs ou da sua ferramenta de design. Nada de digitalizações, “achatar” ou “imprimir como imagem”.
- Títulos de verdade: use estilos de título para que a estrutura sobreviva à exportação.
- Tabelas simples: uma linha de cabeçalho, unidades no cabeçalho, sem células mescladas, sem tabelas divididas entre páginas.
- Gráficos: adicione rótulos de dados ou uma tabela de valores; nunca deixe um número existir só como a altura de uma barra.
- Ressalvas junto dos números: “projeção”, “não auditado”, “pro forma”, “até” na mesma linha, não só em uma nota de rodapé.
- Um único nome por métrica em todo o documento.
- Datas em formato inequívoco (“4 de março de 2026”, não “04/03/26”).
- Tamanho razoável: a OpenAI observa que arquivos grandes ou cheios de imagens podem não ser analisados por completo.
Checklist: o que você publica junto
- Uma versão em Markdown: títulos, parágrafos e tabelas em texto simples — o formato que os modelos de linguagem processam com mais naturalidade.
- Uma versão em JSON, se os valores importam: cada métrica com período, moeda e ressalva em campos separados.
- Uma URL estável que não muda quando você atualiza o documento, para que os links em e-mails e apresentações continuem válidos.
- Uma versão e um status no arquivo, para que o agente saiba distinguir um rascunho de uma versão final.
- Um índice para o conjunto, por exemplo um arquivo llms.txt listando seus documentos com descrições curtas (veja llmstxt.org).
- A visibilidade que você realmente quer: público e indexável, somente com link ou restrito.
Converter não é o mesmo que tornar legível
Passar um PDF por um conversor gera texto, mas não necessariamente o texto certo. Conversores podem perder um cabeçalho de coluna, juntar duas linhas ou transformar “(1,2)” em “1,2” — e o resultado parece limpo, então ninguém percebe. Em documentos em que os números importam, o texto convertido precisa ser conferido com a fonte antes de ser publicado.
| Abordagem | Legível por agentes | Números conferidos com a fonte | Continua atualizado |
|---|---|---|---|
| Só o PDF | Em parte | Não | Cópias antigas circulam |
| PDF + Markdown convertido | Sim | Não | Depende de onde você hospeda |
| Versão IA com fidelidade conferida em uma URL permanente | Sim | Sim | Sim, mesmo link |
Como o The Papers faz isso
O The Papers recebe um PDF (camada de texto com posições; OCR como alternativa para páginas digitalizadas) ou um arquivo PowerPoint, Excel ou Word e cria uma única Versão IA canônica em uma URL permanente: uma página para pessoas, Markdown com front matter (URL canônica, versão, status, Prontidão para IA) e JSON com blocos, métricas, ressalvas e a página de origem. Seu Data Room também ganha um llms.txt e um índice.
Antes de qualquer publicação, cada número, moeda, data e período é conferido com a fonte, e as ambiguidades vão para você confirmar. Você pode ver quais agentes de IA e crawlers leem cada documento e em qual formato.
Perguntas frequentes
- Ainda preciso do PDF?
- Sim, mantenha-o para quem quer a versão diagramada. A versão em texto é o que os agentes devem ler; coloque o link para ela ao lado do PDF.
- Um PDF marcado/acessível é suficiente?
- Ajuda, porque as tags de estrutura dão aos agentes títulos e ordem de leitura. Mas não associa unidades e ressalvas aos valores nem oferece um endereço de texto estável e atualizável.
- Qual formato os agentes devem ler, Markdown ou JSON?
- Markdown para ler e citar; JSON quando o agente precisa de valores exatos com período e moeda. O ideal é oferecer os dois.
- Posso manter o documento privado?
- No The Papers, sim: cada documento pode ser público, não listado (somente com link, nunca indexado) ou privado para os membros do Data Room.