Seu chatbot erra na tabela porque ninguém mostrou a tabela pra ele

Você sobe a tabela de honorários da sua empresa num chatbot pra ele responder dúvida de cliente. Alguém pergunta quanto custa a declaração pra quem tem dois imóveis, e ele responde o valor errado, ou o valor da linha de cima. Isso não é falha de inteligência do modelo. É um problema que acontece antes de a IA ver qualquer coisa.

Quando alguém te vende “conectar a IA aos seus documentos”, o sistema por trás faz uma coisa chamada RAG (busca nos seus documentos antes de responder). Pra isso funcionar, o PDF, o Word, a planilha, tudo precisa ser picado em pedaços pequenos, chamados de chunks, porque a IA não lê o arquivo inteiro a cada pergunta: ela busca só os pedaços relevantes e responde com base neles.

O caminho comum pra picar um documento é extrair o texto com um programa de leitura de PDF. É aí que a tabela quebra. Um paper de setembro de 2026, “Document Retrieval-Aware Chunking (D-RAC): Universal Retrieval-Aware Ingestion of Enterprise Documents via PDF Normalization and Multimodal Markdown Conversion”, de pesquisadores da Yellow.ai (empresa de atendimento automatizado), diz com todas as letras que esse tipo de extração “destrói a ordem de leitura, achata as tabelas e perde a hierarquia dos títulos”. Na prática: a linha “declaração com dois imóveis, 480 reais” vira uma sequência solta de números, sem dizer qual número pertence a qual linha. O pedaço que chega na IA já está desmontado antes de ela abrir a boca.

A ideia dos autores pra consertar isso dá pra entender sem saber programar: em vez de extrair o texto da tabela do jeito que ele sai do PDF, um modelo lê a página como imagem, do jeito que uma pessoa leria, e reescreve cada linha da tabela como uma frase inteira. “A declaração para quem tem dois imóveis custa 480 reais” carrega o contexto dentro dela mesma. Não importa em que pedaço essa frase caia depois: ela continua fazendo sentido sozinha, sem depender da linha de cima nem da de baixo.

No teste dos autores, com 236 documentos e 795 páginas, esse método achou o trecho certo em 79,8% das perguntas, quase empatado com a técnica cara que manda um modelo reescrever o documento inteiro (79,5%), e bem acima do corte comum por tamanho fixo (71,7%). A ressalva importa: os documentos do teste foram montados pela própria empresa que vende esse tipo de sistema, com dados fictícios, e ninguém de fora repetiu o teste ainda.

Se você está montando um assistente que lê PDF, ou já usa um e ele tropeça justo nas tabelas, o lugar pra olhar é a etapa em que o documento é lido, não o modelo. Tabela extraída como texto corrido chega na IA desmontada, e nenhum modelo, por melhor que seja, adivinha qual número era de qual linha. Reescrever cada linha como uma frase completa antes de picar o documento é o conserto que o paper testou. E dá pra conferir em cinco minutos: pegue três perguntas cuja resposta está numa tabela dos seus PDFs e faça pro assistente. Se ele errar ali, o problema não é o modelo. É o que aconteceu com a tabela antes de ele ver qualquer coisa.