A AWS publicou um guia técnico detalhando como construir um sistema de processamento inteligente de documentos capaz de se aprimorar sozinho, com o uso do Amazon Bedrock AgentCore, plataforma para construir, conectar e otimizar agentes de inteligência artificial em escala. Segundo a publicação, a solução classifica, extrai, valida e aprende com documentos comerciais com intervenção humana mínima, processando formatos novos automaticamente, como faturas de fornecedores, ordens de compra, sinistros de seguro e pedidos de empréstimo. A implantação completa leva menos de 20 minutos.
O ponto de partida do guia é um problema familiar às empresas: pesquisas citadas pela matéria indicam que desafios relacionados a documentos custam 19.732 dólares por trabalhador da informação ao ano e reduzem a produtividade em 21,3%. Funcionários podem gastar até 30% do tempo em tarefas ligadas a documentos, e a taxa de erro na digitação manual varia entre 1% e 4%. Sistemas convencionais de processamento inteligente de documentos, que dependem de modelos fixos, exigem configuração extensa para cada formato e falham quando os layouts variam entre fornecedores.
A publicação identifica três desafios centrais dessa abordagem baseada em regras: a rigidez dos modelos, que exige configuração manual para cada novo formato e quebra com pequenas alterações de layout; a ausência de aprendizado, que faz os mesmos erros se repetirem em documentos semelhantes; e o fardo de escala, já que cada novo fornecedor multiplica o esforço de manutenção. A proposta agêntica substitui modelos estáticos por agentes de IA que analisam cada documento, geram instruções de extração, validam resultados e aprendem automaticamente com as correções.
Na arquitetura descrita, oito agentes especializados colaboram em dois fluxos de trabalho baseados em grafos executados sobre o AgentCore, com orquestração construída no Strands Agents, um kit de desenvolvimento de código aberto para construir agentes de IA. No fluxo de identificação, o agente Analyzer extrai o texto com o serviço Amazon Textract e identifica tipo e remetente do documento, enquanto o Matcher busca documentos semelhantes por similaridade vetorial no recurso S3 Vectors do Amazon S3.
Quando nenhum documento parecido é encontrado, entra o fluxo de treinamento: o agente Instructions gera as instruções de extração, o Extractor produz dados estruturados e o Validator confere os resultados contra esquemas e regras de negócio armazenadas no banco de dados Amazon Aurora DSQL. Se a validação falha, o agente Instructions Fixer refina as instruções e repete o processo. Em caso de sucesso, o agente Save Instructions guarda tudo para reuso futuro. Para tipos já conhecidos, o fluxo de automação reaproveita as instruções existentes, e um agente Troubleshooter corrige dados diretamente quando necessário, sem alterar as instruções.
A infraestrutura recebe documentos por e-mail, via Amazon Simple Email Service, ou por envio direto ao Amazon S3. O serviço Amazon EventBridge dispara uma função do AWS Lambda que registra o trabalho no Amazon DynamoDB e aciona o runtime do AgentCore, que orquestra o processamento por meio dos Strands Agents. Credenciais entre máquinas são gerenciadas pelo AgentCore Identity com o Amazon Cognito, funções Lambda se tornam ferramentas compatíveis com agentes pela interface Model Context Protocol do AgentCore Gateway — protocolo que conecta agentes a ferramentas externas —, e um painel com chat hospedado no Amazon Elastic Container Service permite monitorar status e diagnosticar problemas, com telemetria via AgentCore Observability e Amazon CloudWatch.
O exemplo prático da matéria ilustra o aprendizado contínuo. Ao receber a primeira ordem de compra de uma nova loja, o sistema não encontra correspondência no repositório vetorial e segue para o treinamento. A validação falha porque o código de produto do fornecedor não segue o formato interno da empresa; o agente Instructions Fixer identifica a divergência e adiciona uma regra de transformação às instruções. A primeira execução completa levou 3 minutos e 39 segundos no texto original — especificamente 3 minutos e 49 segundos —, e a segunda ordem da mesma loja foi processada em 1 minuto e 30 segundos, com pontuação de confiança de 3.946, acima do limite de 3.7, validando os itens já na primeira passagem.
Quanto ao custo, o guia estima cerca de 58 dólares mensais para uma carga de 10 documentos de treinamento e mil documentos processados por mês na região leste dos Estados Unidos. A inferência dos modelos de fundação representa aproximadamente 85% do total, cerca de 0,055 dólar por documento. Como não há custo ocioso, o usuário paga apenas pelo consumo, e a escolha de modelos é centralizada em um arquivo de configuração, permitindo combinar modelos mais baratos para tarefas simples com modelos mais robustos onde necessário.
A solução vem com um caso de uso de ordens de compra de uma empresa fictícia de bicicletas, mas pode ser personalizada com esquemas próprios em formato JSON, funções de validação em Lambda adaptadas às regras de negócio e ajustes nos textos de instruções dos agentes. Entre as boas práticas recomendadas estão iniciar com amostras representativas, validar dados contra listas de fornecedores e catálogos de produtos, monitorar o desempenho dos agentes, adicionar tipos de documento de forma incremental e aplicar o Amazon Bedrock Guardrails para filtragem de conteúdo em documentos sensíveis.
O código completo, com os requisitos de implantação e o passo a passo de instalação, está disponível no repositório oficial no GitHub. A documentação detalhada das capacidades do AgentCore pode ser consultada no site oficial da AWS, e a empresa ainda oferece apoio por meio do AWS Professional Services e de seus parceiros credenciados.
