Modelos de IA de código aberto reduzem custos de digitalização em cinco vezes em 18 meses, mas alucinações e otimização caseira expõem fragilidades na corrida ao low-cost.
📰 Fonte Reportada: The Decoder (IA & LLMs)
⚖️ Tratamento: Análise & Escrutínio Nexora
OCR models now digitize a million pages for under $130 as costs drop fivefold in 18 months
Relato original reportado por The Decoder (IA & LLMs), sujeito à grelha editorial de responsabilidade cívica, mérito e rigor do Projeto Nexora.
⚖️ Análise Editorial Nexora
A digitalização em massa de acervos documentais deixou de ser um luxo reservado a instituições com orçamentos robustos para se tornar numa commodity acessível. A queda de custos de 51 para 10 cêntimos por mil páginas em apenas dezoito meses não é apenas um feito técnico: é um sinal de que a economia da preservação da memória escrita está a ser reconfigurada pela lógica implacável do software aberto e do hardware alugado ao minuto. O que antes exigia equipas dedicadas e meses de trabalho manual pode agora ser executado por uma fração do preço, com implicações profundas para arquivos nacionais, bibliotecas públicas e empresas que lidam com volumes colossais de documentação histórica.
No entanto, a euforia dos números esconde uma realidade mais incómoda. A otimização operacional — a tal distribuição uniforme das páginas e a atualização de software — revela que o gargalo não está apenas nos algoritmos, mas na engenharia de processos. Esta é uma lição que o sector público português, tantas vezes refém de contratos de outsourcing opacos e soluções proprietárias dispendiosas, teima em ignorar. A possibilidade de alugar capacidade computacional a 2,75 dólares por hora e correr modelos abertos deveria soar como um alerta aos departamentos de informática que continuam a pagar licenças exorbitantes por soluções fechadas e rígidas.
O impacto orçamental é evidente: um milhão de páginas por 130 dólares é um valor que qualquer câmara municipal ou arquivo distrital pode inscrever no seu orçamento sem sobressaltos. Mas a verdadeira questão não é o custo, é a qualidade. As alucinações em páginas em branco e as repetições obsessivas de conteúdo são falhas graves que comprometem a fiabilidade dos dados extraídos. Num país onde a digitalização de registos notariais, processos judiciais e arquivos históricos é frequentemente apresentada como prioridade, confiar cegamente em modelos que inventam texto onde não existe é um risco que nenhum responsável público deveria assumir sem mecanismos robustos de verificação humana.
A comparação entre modelos revela também uma estagnação preocupante: os cinco modelos intermédios apresentam custos quase idênticos, sugerindo que a corrida à eficiência pode estar a atingir um patamar. A inovação incremental já não produz ganhos marginais significativos, e a verdadeira disrupção veio da otimização de processos, não de novos algoritmos. Esta é uma lição de humildade para uma indústria que se habituou a prometer revoluções a cada trimestre. A digitalização em massa tornou-se barata, mas continua a exigir supervisão rigorosa e investimento em controlo de qualidade — algo que os decisores públicos, seduzidos pelo canto da sereia da automatização total, tendem a desvalorizar.
Por fim, a dependência de GPUs alugadas e modelos de código aberto levanta questões de soberania tecnológica. Se a Hugging Face ou a Nvidia alterarem as condições de acesso, instituições inteiras podem ver os seus projetos de digitalização paralisados. A redução de custos é bem-vinda, mas a ausência de uma estratégia nacional de preservação digital que combine modelos abertos, infraestrutura própria e protocolos de verificação é uma fragilidade que o país não se pode permitir. A memória coletiva não deve ficar refém de tarifas horárias e servidores estrangeiros.
💬 Citações e Posições Relevantes
- Fonte: “Otimizar a forma como os modelos corriam poupou aproximadamente tanto dinheiro como a mudança para modelos mais recentes, se não mais.”
- Fonte: “Alguns modelos alucinaram texto em páginas em branco ou repetiram o mesmo conteúdo vezes sem conta.”
📌 Os Factos Reportados
Um estudo comparativo conduzido por Daniel van Strien, investigador da Hugging Face, avaliou oito modelos de reconhecimento ótico de caracteres (OCR) baseados em inteligência artificial, todos de código aberto, para a digitalização de documentos. O teste incidiu sobre 850 páginas provenientes de livros antigos de história natural, da Encyclopaedia Britannica de 1771 e de arquivos datilografados e impressos. Todos os modelos correram na mesma unidade de processamento gráfico (GPU), uma Nvidia RTX PRO 6000, alugada através da Hugging Face por 2,75 dólares por hora.
Os resultados revelam uma queda acentuada de custos: o modelo mais antigo, RolmOCR, de abril de 2025, apresentava um custo de aproximadamente 51 cêntimos por cada mil páginas digitalizadas. O mais recente, LightOnOCR-3-0.8B, de outubro de 2026, ficou ligeiramente abaixo dos 10 cêntimos para o mesmo volume. Para um milhão de páginas, o custo total situa-se agora entre 65 e 130 dólares em aluguer de GPU, dependendo da complexidade do material de origem. Os cinco modelos intermédios apresentam custos quase equivalentes entre si.
Van Strien sublinha que a otimização operacional — distribuição mais uniforme das páginas, utilização de digitalizações de menor dimensão, atualização de software e recurso a uma GPU mais rápida — contribuiu para a redução de custos tanto quanto, ou mais, do que a simples adoção de modelos mais recentes. Em termos de precisão, o modelo mais recente revelou-se pelo menos tão fiável quanto o mais antigo na leitura de páginas de livros. Contudo, o investigador alerta para falhas persistentes: alguns modelos alucinaram texto em páginas em branco ou repetiram conteúdo de forma obsessiva, comprometendo a integridade dos resultados.
🔍 O Escrutínio dos Factos & Impacto Prático
Para que a redução de custos se traduza em ganhos reais de conhecimento e não apenas em economias contabilísticas, é imperativo que as instituições públicas adotem protocolos rigorosos de verificação humana. Nenhum projeto de digitalização em massa deveria dispensar uma amostragem aleatória de controlo de qualidade, com revisão manual de pelo menos 5% das páginas processadas. A criação de equipas de auditores de dados, treinados para detetar alucinações e repetições, é um investimento modesto face aos riscos de corrupção documental.
Além disso, o Estado deveria promover a criação de uma infraestrutura nacional de computação dedicada à preservação digital, negociando acordos-quadro com fornecedores de GPUs e garantindo condições estáveis de acesso a modelos abertos. A dependência exclusiva de plataformas estrangeiras para aluguer de capacidade computacional é uma vulnerabilidade estratégica que pode comprometer projetos de décadas. Uma parceria entre universidades, arquivos nacionais e empresas tecnológicas nacionais poderia assegurar redundância e soberania.
Por último, é urgente simplificar e desburocratizar os processos de contratação pública de serviços de digitalização. Os concursos públicos, tantas vezes desenhados para favorecer grandes fornecedores com soluções proprietárias, deveriam ser reformulados para privilegiar modelos abertos, transparência de custos e resultados verificáveis. A experiência de van Strien demonstra que a inovação pode vir de soluções acessíveis e colaborativas; o sector público só precisa de ter a coragem de as adotar sem se esconder atrás de procedimentos obsoletos.
