Preparando os documentos da empresa

Nesta aula

Lixo entra, lixo sai. Com IA, lixo entra e sai com confiança.

A coleção da aula 7 funcionou com dez documentos limpos e públicos para a equipe. O passo seguinte, colocar "os documentos da empresa" de verdade, é onde a maioria dos projetos tropeça. Não por causa do modelo: por causa dos documentos. Versões duplicadas, PDFs escaneados, planilhas com abas escondidas, contratos com dado pessoal de gente que nem é mais cliente. Nesta aula você faz o inventário, decide o que entra e o que não entra, prepara o que entra e define quem vê o quê. É trabalho de organização, e é o que separa uma IA útil de uma IA que responde bonito e errado.

• Ao final, você vai saber fazer o inventário dos documentos por tipo, dono, atualidade e sensibilidade.
• Vai preparar documentos para a IA: formato, versão, estrutura e anonimização.
• Vai sair com um entregável: o inventário de documentos por sensibilidade, com a decisão de entra ou não entra para cada um.

O inventário: saber o que existe antes de indexar

Ninguém sabe de cabeça quantos documentos a empresa tem. Uma clínica pequena tem protocolos, termos de consentimento, tabelas de convênio, manuais de equipamento, regulamento de funcionários, orientações pós-consulta e uma pasta chamada "diversos" que ninguém abre desde 2022. O inventário é uma planilha simples com uma linha por documento (ou por grupo de documentos parecidos) e estas colunas:

Os três níveis de sensibilidade

• Interno: qualquer pessoa da equipe pode ler. Regulamento, FAQ, catálogo, procedimentos gerais. Entra na coleção geral.
• Restrito: um grupo pode ler. Tabela de comissões (vendas), protocolos clínicos (equipe de saúde), procedimentos de fechamento (financeiro). Entra em coleção separada, com acesso limitado ao grupo.
• Confidencial: pouca gente pode ler, e cada acesso precisa de justificativa. Folha de pagamento, contratos em disputa, dados de saúde de pacientes identificados, planos de negócio. Não entra, ou entra só anonimizado, ou entra numa coleção que só a diretoria acessa e com registro de uso.

Limpeza e estrutura: o que a IA precisa para achar

A busca do RAG encontra trechos parecidos com a pergunta. Documento bem estruturado tem trechos que "falam por si"; documento bagunçado tem trechos que só fazem sentido com o resto. Estas são as preparações que mais mudam o resultado, em ordem de importância:

1. Texto pesquisável. Abra o arquivo e tente selecionar uma palavra. Se não der, é imagem: precisa de OCR (reconhecimento de caracteres). Muitos programas de PDF fazem isso; peça a quem cuida da TI. Confira o resultado: OCR erra números e tabelas.
2. Uma versão, com data. "Manual_final_v3_revisado.docx" e "Manual 2025.pdf" na mesma pasta é receita de resposta velha. Fica a vigente, com a data no nome e no início do documento. As outras vão para uma pasta de arquivo, fora da coleção.
3. Títulos que dizem o que é. Cada seção com um título claro ("Prazo de devolução", não "Item 4.2"). O trecho encontrado carrega o título junto, e o modelo entende o contexto.
4. Cabeçalho padrão. As primeiras linhas de cada documento dizem: título, para quem é, data da versão, dono. É a informação que o modelo cita quando dá a fonte.
5. Documentos-monstro divididos. Um manual de 200 páginas com dez assuntos vira dez documentos de um assunto. A busca melhora e a manutenção também.
6. Planilhas viram texto tabular limpo. Abas escondidas, células mescladas e fórmulas quebradas confundem a extração. Exporte a aba que interessa como tabela simples, com cabeçalho na primeira linha.
7. Rascunhos e comentários fora. Comentários de revisão e trechos riscados entram no índice como se fossem texto vigente.

Você pode usar a própria IA local para ajudar na estrutura, e aqui pode ser o documento real, porque não sai da máquina. Este é o pedido que eu faço ao modelo local, com o documento anexado na conversa:

O "não reescreva" importa. Você quer estrutura, não um texto novo com erros novos. O conteúdo continua sendo o seu.

O que entra, o que não entra, o que entra anonimizado

A regra mais simples que eu conheço: um documento entra numa coleção se todas as pessoas com acesso àquela coleção já poderiam ler o documento hoje. A coleção é uma mesa compartilhada. Se o papel não poderia ficar em cima da mesa, não vai para a coleção.

Não entra (ou só com muito critério)

• Senhas, chaves, credenciais de qualquer tipo, em qualquer documento. Nunca.
• Dado pessoal que a tarefa não precisa. A IA que responde "quais documentos o cliente traz" não precisa da lista de clientes.
• Dados de saúde, financeiros ou de menores identificados, salvo tarefa específica, coleção restrita e política escrita (aula 11).
• Documentos em disputa, minutas de negociação, planos ainda não decididos. Se vazar internamente, o estrago é o mesmo de vazar externamente.
• Documentos de terceiros que a empresa recebeu com obrigação de sigilo.

Entra anonimizado

Muitos documentos valiosos como exemplo têm dado pessoal que não acrescenta nada à utilidade. Um contrato antigo serve de modelo pela estrutura e pelas cláusulas, não pelo nome do cliente. Anonimizar é trocar nomes, documentos, endereços, telefones e valores por marcadores: "CONTRATANTE", "CPF-1", "VALOR-A". Faça isso antes de indexar, numa cópia, e guarde só a cópia na coleção. A IA local pode ajudar a localizar os dados a trocar, com o documento anexado e o pedido "liste todos os nomes de pessoas, números de documento, endereços e valores que aparecem no texto, sem reescrever nada"; a troca final é sua, e você confere.

Permissões e manutenção

Depois de decidir o que entra, decida quem vê. A regra é o menor privilégio: cada pessoa acessa a menor quantidade de coleções que precisa para o trabalho. Na prática, isso vira duas ou três coleções:

Lembre do que a aula 7 mostrou: o modelo não guarda segredo. Ele responde com o que está no índice que aquela conversa consulta. Separar coleções é o único jeito de separar respostas.

Manutenção: o inventário vive

• Dono por documento. Quando a regra muda, o dono atualiza o documento e reenvia para a coleção. Sem dono, a coleção envelhece em silêncio.
• Versão velha sai quando a nova entra. Não deixe as duas.
• Revisão trimestral do inventário. Meia hora para perguntar: algo mudou de sensibilidade? Alguém saiu da empresa e ainda tem acesso a uma coleção? Algum documento novo apareceu na pasta "diversos"?
• Registro de perguntas sem resposta. Os "não encontrei" da equipe são a lista de documentos que faltam.