Modelos abertos compactos, como Microsoft Phi-3.5 Mini e Google Gemma 2 9B, oferecem capacidade técnica para extrair dados de certidões e matrículas de registro de imóveis. Por funcionarem com requisitos modestos de memória de vídeo, esses modelos podem ser executados em servidores dedicados na infraestrutura do próprio escritório ou departamento jurídico, assegurando controle rigoroso sobre dados sensíveis de proprietários, transações financeiras e garantias reais sem envio a provedores externos desnecessários.
Em certidões de matrícula regidas pelo sistema registral brasileiro, as informações aparecem em blocos contínuos de averbações e registros acumulados cronologicamente, com linguagem cartorária formal e abreviações típicas. Para obter saídas precisas e prontas para auditoria, a esteira precisa segmentar o texto extraído por reconhecimento óptico de caracteres em unidades lógicas de atos registrais, aplicando esquemas JSON estritos que impedem alucinações em valores, datas, nomes de partes e gravames.
Resumo rápido
- Modelos de 3.8B a 9B rodam localmente com baixo consumo de memória e total controle de sigilo.
- A segmentação por atos de registro (R) e averbações (Av) melhora a precisão da extração.
- O uso de esquemas JSON com validação estrita elimina campos inventados e formatos quebrados.
- Identificação de penhoras, hipotecas e indisponibilidades exige conferência de cancelamentos posteriores.
- A qualidade do OCR é determinante para o acerto em números de matrícula, CPFs e áreas em metros quadrados.
Desafios estruturais das certidões e matrículas no Brasil
A matrícula imobiliária no Brasil obedece ao princípio da continuidade registral e da unitariedade da matrícula, conforme estabelecido na Lei 6.015/1973 de Registros Públicos. Cada imóvel possui um fólio próprio no qual são lançados sucessivamente todos os atos de transferência de domínio e ônus reais. Na prática operacional, uma matrícula pode conter desde um parágrafo descritivo recente até dezenas de páginas com histórico acumulado.
Os atos são classificados em duas grandes famílias: o registro, identificado pela letra R seguida do número de ordem, que documenta negócios jurídicos principais como compra e venda, doação e alienação fiduciária; e a averbação, indicada pela sigla Av, que anota modificações objetivas ou subjetivas, como alterações no estado civil, mudança de denominação de ruas, penhoras judiciais e cancelamento de garantias. Compreender essa divisão é essencial para orientar a extração estruturada de modelos de linguagem aplicados ao setor jurídico e imobiliário.
A linguagem utilizada pelos oficiais de registro preserva fórmulas solenes e termos específicos do vocabulário notarial, como confrontações, alinhamentos, frações ideais, usufruto vitalício, cláusulas de inalienabilidade e comunicabilidade. Erros comuns decorrem da incapacidade de relacionar um cancelamento averbado sob Av-14 com uma hipoteca instituída sob R-8. Se o modelo analisar a certidão como um texto único sem histórico causal, ele pode classificar erroneamente um imóvel como gravado quando a dívida já foi baixada perante o fólio real.
Camada de OCR e pré-processamento de certidões
A digitalização de certidões fornecidas por cartórios de registro de imóveis ou pelo Operador Nacional do Sistema de Registro Eletrônico de Imóveis (ONR) apresenta desafios visuais significativos. Documentos contêm marcas d água, carimbos coloridos de certidão digital, assinaturas sobrepostas a números de protocolo e distorções causadas pela digitalização de livros encadernados. A qualidade dessa camada de entrada define o teto de acurácia de qualquer modelo subsequente.
Para estruturar a esteira de leitura, o pipeline deve dividir o processamento em etapas claras: detecção de orientação de página, remoção controlada de ruído de fundo, execução de OCR com preservação de coordenadas espaciais e reconstrução da ordem linear de leitura. Se uma tabela de confrontações for lida fora de ordem, o modelo pode atribuir a metragem de uma divisa ao lote vizinho ou associar o credor de uma hipoteca ao adquirente da nua-propriedade.
A segmentação prévia do texto em blocos de atos cartorários reduz a carga de contexto sobre o modelo. Em vez de enviar trinta páginas de uma só vez para a janela de inferência, a esteira divide o texto nas fronteiras marcadas por identificadores como R-1, Av-2 e R-3. Cada bloco é processado isoladamente para extrair partes, papéis jurídicos e condições, gerando uma lista cronológica de eventos que uma rotina de regras consolida no estado registral vigente.
Comparação técnica: Phi-3.5 Mini e Gemma 2 9B
A escolha entre modelos abertos compactos depende das restrições de infraestrutura, da velocidade necessária e da capacidade de seguir instruções em português. O Microsoft Phi-3.5 Mini, com 3.8 bilhões de parâmetros, destaca-se pelo consumo reduzido de memória e suporte a contextos longos de até 128 mil tokens. Já o Google Gemma 2 9B apresenta capacidade superior de raciocínio contextual e retenção de nuances sintáticas em textos jurídicos densos.
Em ambientes corporativos locais com placas de 16 GB ou 24 GB de memória VRAM, ambos os modelos podem ser executados com quantização de 4 bits ou 8 bits sem degradação relevante na fidelidade. O Phi-3.5 Mini permite processar múltiplos documentos em paralelo com menor footprint, enquanto o Gemma 2 9B oferece maior estabilidade ao extrair estruturas aninhadas complexas. O ecossistema do Google disponibiliza detalhes técnicos na documentação do Google Gemma e nos recursos de integração da família Google Gemini.
| Critério | Microsoft Phi-3.5 Mini (3.8B) | Google Gemma 2 9B | Recomendação para a Esteira |
|---|---|---|---|
| Consumo de VRAM (quantizado 4-bit) | Aproximadamente 3.2 GB | Aproximadamente 6.5 GB | Gemma 2 para precisão; Phi para alto volume paralelo |
| Janela de contexto máxima | 128.000 tokens | 8.192 tokens | Phi para textos contínuos; Gemma com blocos segmentados |
| Adesão a esquemas JSON estritos | Alta em esquemas planos; moderada em aninhamentos | Muito alta em esquemas complexos e tabelas | Validação via gramática sintática no motor de inferência |
| Interpretação de termos cartorários | Boa em extração direta; exige prompts direcionados | Excelente em relações semânticas e abreviações | Gemma 2 9B para determinação de proprietário atual |
| Velocidade de inferência (tokens/seg) | Superior a 65 tokens/s em GPU 16 GB | Aproximadamente 32 tokens/s em GPU 16 GB | Dimensionar pelo tempo máximo aceitável por certidão |
A tabela resume os parâmetros de seleção observados em testes técnicos controlados. Para esteiras de auditoria cadastral em que a velocidade bruta é prioridade e os blocos de texto são simples, o Phi-3.5 Mini atende plenamente. Já em processos de due diligence imobiliária e concessão de crédito estruturado, o Gemma 2 9B justifica o custo computacional adicional pela menor taxa de alucinação em cláusulas restritivas.
Validação de esquema JSON e decodificação guiada
O maior risco operacional na automação documental é receber saídas em formato JSON malformado que quebram esteiras automatizadas. A solução recomendada é aplicar decodificação guiada por gramática diretamente no motor de inferência, utilizando motores como llama.cpp, vLLM ou Outlines. Essa técnica restringe a distribuição de probabilidade a cada token gerado, permitindo apenas caracteres que atendam rigorosamente ao esquema especificado.
O esquema de saída para cada ato registral deve definir tipos primitivos rígidos: identificador do ato como texto com padrão regex (R-\d+ ou Av-\d+), data de prenotação no formato ISO AAAA-MM-DD, tipo de negócio jurídico restrito a um enum controlado, lista de pessoas físicas e jurídicas qualificadas com CPF ou CNPJ quando presente, e um booleano explícito indicando se o ato constitui ou cancela garantia real.
A validação sintática do JSON precisa ser acompanhada por checagens de coerência lógica. Um script pós-inferência deve verificar se as datas respeitam a ordem cronológica da matrícula, se o número de ordem dos registros é sequencial e se a soma das frações ideais alienadas não ultrapassa o total de cem por cento do imóvel. Quando uma incoerência for identificada, o caso deve ser encaminhado para triagem humana com a indicação visual da linha do arquivo original.
Roteiro para auditoria de gravames e indisponibilidades
A apuração da situação jurídica do imóvel exige mapear todos os gravames incidentes sobre a matrícula. Entre os gravames mais frequentes estão as hipotecas convencionais ou cedulares, as alienações fiduciárias em garantia de empréstimos bancários, as penhoras fiscais ou cíveis, o arrolamento de bens e as ordens judiciais de indisponibilidade emanadas de centrais eletrônicas.
O modelo de linguagem deve ser instruído a extrair cada gravame em uma estrutura que contenha: tipo de ônus, credor ou beneficiário, número do processo judicial ou contrato originário, valor atribuído à dívida e indicação de cancelamento. A regra de ouro da auditoria é não presumir baixa de gravame por decurso de prazo ou por menções genéricas de quitação fora do corpo da certidão. Se não houver uma averbação específica de cancelamento formal assinada pelo oficial de registro, o gravame permanece ativo na ficha cadastral.
A detecção de cláusulas restritivas de inalienabilidade, incomunicabilidade e impenhorabilidade instituídas em doações ou testamentos requer atenção redobrada. Essas cláusulas podem impedir a venda ou a constituição de novas garantias pelo donatário. O sistema deve registrar expressamente a vigência da restrição para que o departamento jurídico examine a viabilidade da operação imobiliária pretendida.
Sigilo, proteção de dados e conformidade com a LGPD
Embora os livros do registro de imóveis sejam públicos por determinação legal, permitindo certidões sem justificar interesse, o tratamento massivo e perfilamento automatizado de dados contidos em certidões está plenamente sujeito à legislação de privacidade. A Lei Geral de Proteção de Dados Pessoais (LGPD) impõe obrigações de finalidade, adequação, necessidade e segurança da informação a quem trata essas bases.
A execução local de modelos compactos como Phi-3.5 e Gemma 2 9B atende diretamente ao princípio da segurança e da minimização de riscos. Ao dispensar o envio de certidões completas para servidores de terceiros ou nuvens públicas de inferência sem acordos rígidos de proteção de dados corporativos, a organização elimina a possibilidade de uso das informações de clientes para retreinamento de modelos de terceiros. As boas práticas de governança documental e arquitetura de dados estão aprofundadas no guia de segurança e LGPD na implantação de IA.
Exemplo: diligência imobiliária em Ribeirão Preto
Considere a rotina de um escritório de consultoria e diligência imobiliária localizado em Ribeirão Preto, interior de São Paulo, especializado na análise de certidões de imóveis rurais e urbanos para concessão de crédito agroindustrial. A equipe recebe semanalmente pacotes com centenas de certidões digitalizadas em formato PDF, encaminhadas por produtores rurais que pleiteiam financiamento de safra e investimentos em maquinário.
O fluxo automatizado recebe o arquivo PDF, executa a verificação de integridade e processa o reconhecimento óptico de caracteres mantendo a marcação de páginas e coordenadas. A rotina local divide o documento em atos registrais e envia cada bloco para o modelo Gemma 2 9B executando em um servidor local com placa gráfica de 16 GB VRAM. O modelo preenche uma estrutura com número da matrícula, comarca, comitente, área total em hectares, confrontações perimetrais e rol de averbações.
Durante a análise de uma fazenda de cultivo de cana-de-açúcar, o sistema identifica uma averbação de penhora trabalhista expedida pela Vara do Trabalho da região em 2022, registrada sob Av-18. Em seguida, o algoritmo confere todas as averbações subsequentes e constata que não há registro de cancelamento formal da constrição judicial. O sistema emite imediatamente uma ficha de pendência de garantia, apresentando o trecho exato da averbação e a imagem recortada da página original para que o advogado responsável verifique o andamento do processo no tribunal competente.
Graças a esse desenho operacional, o escritório reduziu o tempo de digitação repetitiva de confrontações e históricos de transmissão, liberando os analistas jurídicos para a interpretação substantiva dos riscos legais e para a emissão dos relatórios de conformidade. O ganho real consistiu na organização prévia das evidências e na eliminação de transcrições manuais passíveis de erro de digitação.
Erros comuns
- Enviar a certidão inteira de uma só vez: documentos com dezenas de páginas excedem o foco atencional do modelo e aumentam a omissão de averbações intermediárias.
- Presumir cancelamento tácito de gravame: ausência de menção recente não significa baixa jurídica da dívida registrada.
- Ignorar falhas de OCR em números de identificação: um dígito trocado em CPF ou número de matrícula invalida a certidão perante órgãos de controle.
- Aceitar respostas em texto livre: saídas não estruturadas inviabilizam validação algorítmica e facilitam alucinações de valores.
- Ocultar a imagem original na tela de conferência: o revisor humano deve sempre comparar o dado extraído com o recorte visual do documento autêntico.
Outro equívoco recorrente é dispensar a etapa de segmentação em blocos imaginando que modelos com janelas amplas dispensam cuidados de engenharia. Modelos compactos apresentam desempenho superior quando cada consulta se concentra em uma tarefa delimitada, como extrair as partes de uma averbação específica, em vez de exigir a reconstrução de toda a história imobiliária em um único prompt genérico.
Perguntas frequentes
Modelos compactos de 3B a 9B entendem o português formal de cartórios?
Sim. Modelos como Phi-3.5 e Gemma 2 demonstram bom domínio de vocabulário formal e termos técnicos em português quando recebem instruções claras e exemplos representativos. O desempenho melhora expressivamente quando a tarefa é limitada a extração e estruturação de trechos delimitados.
É viável rodar o sistema completamente offline no escritório?
Sim. Servidores com uma placa gráfica dedicada comercial de 16 GB a 24 GB de memória VRAM conseguem rodar modelos quantizados de 3.8B a 9B com excelente rendimento e total isolamento de rede, garantindo conformidade com regras corporativas de sigilo.
Como lidar com certidões manuscritas muito antigas?
Documentos manuscritos de transcrições antigas geralmente não produzem texto legível via OCR padrão. Nesses casos, o pipeline deve detectar a baixa confiança da leitura óptica e encaminhar o arquivo diretamente para a fila de transcrição manual de especialistas, evitando alucinações do modelo de linguagem.
O que acontece quando uma averbação cita outro cartório?
O modelo deve extrair fielmente a referência cruzada, identificando a comarca e o número de registro citado. Ele não deve supor o conteúdo desse documento externo nem preencher informações que não constem expressamente na certidão submetida à análise.
A extração estruturada substitui o parecer do advogado imobiliário?
Não. A ferramenta organiza evidências, datas e apontamentos para acelerar a conferência. A qualificação registral substantiva, a análise de riscos de fraude à execução e a decisão de aprovação do negócio continuam sob responsabilidade exclusiva do profissional habilitado.
