Como avaliar referências a notas de rodapé em respostas de IA

Quando você converte um contrato, uma norma ou um artigo acadêmico para texto e pede um resumo à IA, as notas de rodapé costumam se misturar ao corpo do documento. O resultado é um resumo que atribui à cláusula principal uma ressalva que estava apenas na nota, ou que ignora uma exceção importante por não ter encontrado o vínculo entre os dois trechos. Antes de confiar numa resposta que cita cláusulas, vale medir se o modelo preserva essas referências.

Este guia explica por que a nota de rodapé se desprende do texto na conversão, propõe um teste curto para avaliar se o modelo mantém cada ressalva junto da cláusula certa e reúne recomendações de prevenção e uma tabela para diagnosticar respostas típicas. O fluxo serve para contratos, normas e artigos acadêmicos, e é especialmente útil para escritórios que já usam IA em rotinas de contabilidade ou em pesquisa e minutas jurídicas.

Resumo rápido

• Na extração de PDF ou HTML para texto puro, as notas de rodapé perdem a marcação que dizia a qual trecho pertenciam.
• O risco prático é o modelo aplicar uma ressalva à cláusula errada, ou tratar uma exceção como se fosse a regra.
• Dá para medir isso com um documento de teste curto, com poucas cláusulas e notas que mudem o sentido.
• Remissão é quando o texto aponta a nota (“conforme a nota 3”); nota órfã é quando a nota existe, mas o vínculo se perdeu.
• A prevenção é preservar a marcação semântica na conversão e pedir ao modelo para listar as ressalvas à parte.

Por que as notas de rodapé se misturam ao texto

Uma nota de rodapé não é um parágrafo como os outros. É um texto que interrompe o fluxo principal: fica no pé da página, ligada ao corpo por uma chamada (o número sobrescrito) e, às vezes, por uma linha separadora. Na leitura humana, você vê a chamada no meio da frase, pula para o pé da página, lê a nota e volta. O documento tem duas camadas: o texto principal e as observações paralelas.

Essa estrutura existe no papel e nos formatos que preservam layout, como PDF, EPUB e a marcação de um documento HTML ou Word. O problema aparece quando o documento é convertido para texto puro. Na extração, a chamada numérica pode virar apenas mais um número solto no meio da frase, e a nota do pé da página costuma ser jogada para o final do arquivo, ou para logo depois de onde o extrator a encontrou, sem qualquer indicação de a qual trecho ela pertencia. A nota vira uma frase solta, e o modelo que a lê depois não tem como saber a qual cláusula ela se aplicava.

Some a isso a ordem de leitura. Num PDF extraído, o extrator pode ler o pé da página antes de terminar o parágrafo, ou depois de vários parágrafos seguintes. Uma nota da página 3 pode acabar colada ao texto da página 4. O modelo recebe uma sequência de frases sem hierarquia e tenta reconstruir o sentido pela proximidade, o que dá errado justamente quando a nota importa. Ao enviar um PDF direto para o modelo, a leitura depende do pipeline de extração de cada plataforma.

O que pode dar errado na prática

Os três desfechos mais comuns, todos com consequência real em documentos que definem direitos e obrigações:

• A ressalva migra para a cláusula errada. A nota diz que a multa não se aplica em caso de força maior, e o modelo passa a afirmar que a cláusula vizinha tem essa exceção.
• A exceção some. O resumo apresenta a regra geral e não menciona a nota que abria exceção, dando a impressão de que a regra é absoluta.
• A nota vira cláusula autônoma. O modelo trata o conteúdo da nota como se fosse uma cláusula independente, criando uma obrigação que não existe no documento original.

Em um contrato, qualquer um dos três casos muda a leitura de um direito. Antes de usar a IA para resumir documentos com notas, vale testar o comportamento dela com um caso controlado.

Remissão e nota órfã: a diferença que importa

Ao revisar como o modelo tratou as notas, dois termos ajudam a nomear o problema.

Remissão

É quando o próprio texto principal aponta para a nota, com uma frase do tipo “conforme a nota 3”, “nos termos do item 4 da nota” ou “ressalvado o disposto na nota ao final desta cláusula”. Nesse caso, o vínculo está escrito por palavras, não apenas pela posição. Mesmo que a nota se separe na extração, o modelo pode reconectar as duas partes pela expressão textual. Documentos jurídicos que já foram redigidos com remissões explícitas são mais resistentes à conversão.

Nota órfã

É quando o vínculo entre a nota e o texto era apenas visual, isto é, a chamada numérica no ponto certo e a nota no pé da página. Depois da conversão para texto puro, esse vínculo desaparece: sobra uma nota solta, sem dono claro. É o caso mais perigoso, porque o modelo tem de adivinhar a ligação pela ordem das frases, e adivinha mal com frequência.

O que fazer em cada caso

Método de teste: como medir se o modelo preserva as referências

O teste abaixo usa um documento curto, criado por você, com cláusulas e notas que mudam o sentido. É ilustrativo: o objetivo é observar o comportamento do modelo, não produzir prova científica. Rode em cinco passos.

1. Monte um documento de teste

Crie um arquivo curto com três cláusulas e duas notas de rodapé que alterem o sentido de uma delas. Por exemplo:

CLÁUSULA 1. O prazo de entrega é de 30 dias corridos.
CLÁUSULA 2. O atraso gera multa de 2% ao mês sobre o valor.
CLÁUSULA 3. O contrato pode ser rescindido com aviso de 15 dias.

Nota 1: O prazo da cláusula 1 não corre durante o período de
férias coletivas da contratada.
Nota 2: A multa da cláusula 2 não se aplica a atrasos
causados por caso fortuito ou força maior.

Repare que as notas limitam as cláusulas 1 e 2. Se o modelo ignorar as notas, ele vai resumir as cláusulas 1 e 2 como se fossem regras sem exceção.

2. Pergunte o que cada cláusula determina

Peça ao modelo: “o que cada cláusula deste documento determina?” Anote a resposta literalmente, sem corrigir.

3. Confira a ligação de cada ressalva

Duas checagens: o modelo citou a ressalva junto da cláusula correta? E, o que é mais revelador, ele aplicou a ressalva à cláusula errada? Trocar a nota 1 para a cláusula 2 é um erro de atribuição mais grave do que simplesmente omitir a nota.

4. Pergunte pelas exceções

Em outra pergunta, peça: “existe alguma exceção ou ressalva neste documento? Liste todas”. Aqui você mede se o modelo localiza as notas quando procura por elas, separadamente de um pedido de resumo. Alguns modelos acertam quando questionados diretamente e erram quando resumem por iniciativa própria.

5. Repita em formatos diferentes

Faça o mesmo teste com o documento em três formatos: HTML com marcação semântica, PDF extraído para texto e texto puro. Compare o resultado. Se o modelo acertar no HTML e errar no texto puro, o problema está na extração, não no modelo. Essa comparação é o ponto central do método, porque isola a causa.

Tabela de diagnóstico: exemplos ilustrativos de saída

As respostas abaixo são exemplos criados para ilustrar cada tipo de erro. Não são saídas medidas de um modelo específico; servem como referência para você classificar o que observar nos seus próprios testes.

Use a tabela como régua: o resultado “perdeu” pede melhoria na extração; o resultado “misturou” ou “inventou” pede cautela maior, porque significa que o modelo está preenchendo lacunas com suposições.

Prevenção: como reduzir o problema antes de perguntar

A maior parte dos erros nasce antes do prompt, na conversão do documento. Três medidas resolvem boa parte dos casos.

Mantenha a marcação semântica na conversão

Ao extrair um contrato ou uma norma, prefira uma conversão que preserve a estrutura: no caso de HTML, mantenha as tags que indicam hierarquia; no caso de PDF, use um extrator que reconheça a posição da nota e a chamada no corpo. Ainda que a marcação não seja perfeita, ela dá ao modelo pistas que o texto puro apaga. Vale também conservar a paginação, porque a nota e a página da chamada ajudam a reconstruir a ligação.

Numere e marque as notas no texto extraído

Depois de extrair, faça uma passada de limpeza: envolva cada chamada num padrão reconhecível (por exemplo, [nota 1] colado à frase certa) e mantenha as notas identificadas com o mesmo número. Um pouco de edição manual em um documento curto evita que o modelo invente a ligação. Para documentos longos, um script que renumera chamadas e notas economiza tempo.

Peça a lista de ressalvas à parte

Na hora de pedir o resumo, inclua uma instrução que force a separação: “resuma cada cláusula e liste, separadamente, todas as ressalvas e exceções que encontrar, indicando a qual cláusula cada uma se refere”. Isso dá ao modelo uma segunda tarefa dedicada às notas, o que reduz a taxa de omissão. Vale pedir também que ele sinalize quando não conseguir determinar a qual cláusula uma nota pertence, em vez de adivinhar.

Modelos com bom desempenho em documentos longos, como o Claude, ajudam nesse tipo de leitura estruturada, mas nenhum substitui a conferência humana em cláusulas com consequência jurídica ou financeira; veja os usos administrativos no guia de integração com o Claude. Trate a saída do modelo como um mapa de onde olhar, não como a leitura definitiva do documento.

Exemplo: escritório de contabilidade em Curitiba

Um escritório de contabilidade em Curitiba revisa contratos de prestação de serviços dos clientes antes de orientá-los sobre obrigações fiscais e prazos. O relato é ilustrativo, sem números de resultado, mas descreve um fluxo comum.

A equipe passou a converter os contratos em PDF para texto e pedir um resumo das cláusulas à IA, para ganhar tempo antes da leitura completa. O problema apareceu nos contratos com notas de rodapé: em um deles, uma nota no fim da página previa que a multa por atraso não se aplicava em meses de recesso da empresa contratada. No resumo da IA, essa ressalva não apareceu, e o parecer preliminar tratou a multa como certa em qualquer hipótese. Só na conferência humana o erro foi pego.

O escritório mudou o processo. Primeiro, adotou uma conversão que mantém a paginação e renumera as notas no texto extraído, marcando cada chamada com um padrão entre colchetes. Depois, passou a pedir à IA um resumo por cláusula com a instrução de listar as ressalvas separadamente, indicando a cláusula de cada uma. Por fim, criou um documento de teste, igual ao do método deste guia, para checar cada modelo novo antes de usá-lo em contratos. Um analista continua conferindo as cláusulas de multa e rescisão contra o original, porque é ali que um erro custa caro.

Erros comuns

• Confiar num resumo de documento extraído sem testar a extração. O erro pode estar na conversão, não no modelo. Compare formatos antes de culpar a IA.
• Tratar a nota como cláusula. Ao ler o resumo, verifique se uma obrigação veio de fato do corpo do documento ou de uma nota sobre outro trecho.
• Pedir “um resumo” sem pedir as ressalvas. Um pedido só de resumo tende a omitir as exceções. Peça a lista de ressalvas em separado.
• Ignorar a numeração das notas. Se a conversão embaralhou os números, a ligação fica impossível. Renumere antes de perguntar.
• Aceitar uma exceção sem checar a cláusula de origem. Pergunte sempre a qual cláusula a nota pertence e confira no original.
• Usar o resumo como parecer final. Em cláusulas com consequência jurídica, o resumo indica onde olhar; a decisão continua humana.

Perguntas frequentes

A IA é capaz de ler notas de rodapé?

Sim, desde que elas cheguem ao modelo com alguma indicação de onde pertencem. O problema não é ler a nota, e sim ligá-la à cláusula certa quando essa ligação se perdeu na conversão do documento.

Por que o modelo erra mais no texto puro do que no HTML?

Porque o HTML preserva a hierarquia e permite marcar a nota e a chamada como elementos distintos. No texto puro, tudo vira uma sequência de frases, e o modelo precisa adivinhar a estrutura pela proximidade das palavras.

Preciso repetir o teste a cada modelo novo?

Vale repetir. Modelos diferentes tratam documentos longos e estruturas de nota de formas distintas, e uma atualização pode mudar o comportamento. O documento de teste é curto e rápido de rodar, então compensa testar antes de confiar.

O que fazer quando a nota não tem número visível no texto extraído?

Reconstrua a ligação manualmente: localize no original a qual trecho a nota se refere e marque a chamada com um padrão reconhecível, como um número entre colchetes colado à frase. Sem essa marca, qualquer resposta do modelo sobre a cláusula envolvida é suspeita.

Dá para automatizar a renumeração das notas?

Dá, com um script que percorra o texto extraído, encontre as chamadas numéricas no corpo e as notas ao pé, e as alinhe por ordem de aparição. Funciona melhor em documentos com padrão consistente; em contratos muito irregulares, a conferência manual continua necessária.

Pedir a lista de ressalvas separada resolve o problema?

Ajuda bastante, mas não elimina o risco. Ainda é possível que o modelo associe uma ressalva à cláusula errada. A lista serve para você conferir ponto a ponto, não para dispensar a conferência.

Fontes e leitura recomendada

• Anthropic: suporte a PDF na API do Claude (como o documento é lido)
• Anthropic: janela de contexto longa e uso com documentos extensos
• Anthropic: contextual retrieval (preservar contexto ao recuperar trechos)
• W3C: como entender as diretrizes de acessibilidade (estrutura e semântica de conteúdo)
• Model Context Protocol: documentação oficial (conectar documentos a modelos)
• Guia de acessibilidade digital: estruturação semântica de conteúdo (referência em francês)