--- source_url: "https://dynadok.com/assertividade-ia-dynadok-validacao-documentos/" title: "Qual é a assertividade da IA da Dynadok na validação de documentos?" generated_at: 2026-09-22T05:50:21Z host: dynadok.com type: page schema_types: [WebPage] generator: geostack/1.0.0 --- ## Structured data ```json { "@context": "https://schema.org", "@graph": [ { "@type": "WebPage", "@id": "https://dynadok.com/assertividade-ia-dynadok-validacao-documentos/#webpage", "url": "https://dynadok.com/assertividade-ia-dynadok-validacao-documentos/", "headline": "Qual é a assertividade da IA da Dynadok na validação de documentos?", "datePublished": "2026-08-19T01:39:47+00:00", "dateModified": "2026-08-19T02:10:23+00:00", "inLanguage": "pt-BR", "publisher": { "@type": "Organization", "name": "Dynadok", "url": "https://dynadok.com/" }, "description": "Estudo técnico · Dynadok · Agosto de 2026 Uma amostra probabilística de 500 documentos reais de produção foi reavaliada por auditores humanos sem acesso à decisão da IA. Cada divergência foi então reexaminada individualmente, com justificativa escrita, para determinar caso a caso quem estava certo. Este relatório apresenta o resultado e a metodologia completa. Universo: […]" } ] } ``` # Qual é a assertividade da IA da Dynadok na validação de documentos? Estudo técnico · Dynadok · Agosto de 2026Uma amostra probabilística de 500 documentos reais de produção foi reavaliada por auditores humanos sem acesso à decisão da IA. Cada divergência foi então reexaminada individualmente, com justificativa escrita, para determinar caso a caso quem estava certo. Este relatório apresenta o resultado e a metodologia completa. Universo: 394.900 documentos Amostra: 500 casos Período: 15/07 a 10/08/2026 Contexto: ProUni Assertividade verificada95,2% Em **476 dos 500 documentos**, a decisão da IA coincidiu com o veredito final da auditoria humana. Intervalo de confiança de 95%: **93,0% a 96,7%** · escala de 60% a 100% Do dado bruto ao resultado## Como o número foi construído Nenhum caso foi decidido por opinião isolada: toda divergência entre a IA e o auditor cego passou por uma segunda verificação com justificativa escrita, capaz de identificar tanto erros da IA quanto equívocos do próprio auditor. **Etapa 1 · Leitura cega**500 casos 428 mesma conclusão 85,6% 72 divergiram **Etapa 2 · Adjudicação**72 divergências reexaminadas 24 48 ■ 24 erros confirmados da IA · ■ 48 equívocos do auditor cego — a IA estava certa **Resultado final**500 casos 476 acertos da IA 95,2% 24 4,8% **85,6%**Concordância na leitura cegakappa de Cohen 0,70 — concordância substancial entre dois julgamentos independentes **4,8%**Taxa de erro da IA24 casos em 500, confirmados um a um na adjudicação **9,6%**Taxa de erro do auditor humanona leitura cega individual, o humano errou o dobro da IA — diferença estatisticamente significativa (p < 0,01) **0,8%**Aprovações indevidasapenas 4 casos em 500 — quando erra, a IA quase sempre erra para o lado seguro A direção do erro## Para que lado a IA erra Dos 24 erros confirmados, 20 foram documentos válidos reprovados por excesso de rigor — o participante é avisado e reenvia. Apenas 4 foram aprovações de documentos que deveriam ser recusados. 20 reprovações indevidas · 83% dos erros 4 Rigor excessivo: documento válido reprovado (4,0% da amostra) Aprovação indevida (0,8% da amostra) Veredito final: aprovarVeredito final: reprovar IA aprovou **285**acertos **4**aprovações indevidas IA reprovou **20**reprovações indevidas **191**acertos **Por que isso importa:** em validação documental, os dois erros têm pesos diferentes. A aprovação indevida é o risco de conformidade — e ficou em 0,8%. A reprovação indevida gera reenvio, não risco: o fluxo se corrige sozinho. Documento a documento## Assertividade por tipo de documento A amostra espelha a composição real da operação no período e abrangeu 28 tipos de documento; os 9 com pelo menos 20 casos são exibidos individualmente e concentram 410 dos 500 casos. Leitura descritiva — a precisão estatística do estudo vale para o número agregado. Registro Geral 100% 77/77 Ficha de Inscrição do PROUNI 100% 36/36 Contracheque 100% 29/29 Recibo de Entrega da Declaração de Imposto de Renda Pessoa Física 100% 22/22 Declaração do Imposto de Renda de Pessoa Física 98% 50/51 Extrato Bancário 97,5% 79/81 Carteira de Trabalho e Previdência Social 96,9% 31/32 Certificado de Conclusão do Ensino Médio 90,6% 29/32 Comprovante de Residência 86% 43/50 Demais tipos (19 tipos agrupados) 88,9% 80/90 95% ou mais 85% a 95% abaixo de 85% **Transparência sobre o ponto mais fraco:** dos 7 erros em Comprovante de Residência, 6 têm a mesma causa documentada — e não foi falha de leitura. Um parâmetro de validação exigia bairro explícito ou data de emissão, campos que muitas contas legítimas não trazem por usarem apenas o mês/ano de referência. A IA aplicou com fidelidade uma régua mais rígida que a realidade dos documentos, e todos esses erros foram reprovações de documentos válidos: o desvio foi conservador, nenhum documento irregular passou por causa dele. A configuração foi corrigida após este recorte. Passo a passo## Metodologia 1 ### O recorte: 394.900 documentos reais O universo reúne todos os documentos únicos recebidos e analisados em produção entre 15/07 e 10/08/2026 — período dominado pelo ProUni, por isso a predominância de documentos de renda e identificação. Três critérios definem o que entra: - **Recebidos pela plataforma** — enviados pelos próprios participantes. Documentos ingressados via API foram excluídos. - **Analisados pela IA** — documentos livres, em que a plataforma atua apenas como gestão documental, foram excluídos. - **Com decisão concluída** — a decisão considerada é a decisão automatizada final da IA; reenvios do mesmo arquivo contam uma única vez. 2 ### A amostra: 500 casos sorteados Sorteio aleatório estratificado proporcional por tipo de documento, para que a amostra reproduza a composição do universo, abrangendo documentos de clientes distintos na proporção em que aparecem no universo. A semente do sorteio e a lista de casos foram registradas e congeladas antes do início da auditoria — a seleção é integralmente reprodutível e nenhuma substituição foi permitida. 3 ### A auditoria cega A auditoria foi conduzida por uma equipe interna multidisciplinar — profissionais de qualidade, engenharia, projetos e gestão — trabalhando **fora da plataforma**: cada auditor recebeu apenas o arquivo do documento, os dados do participante e **as mesmas regras de validação que a IA aplicou**, sem qualquer acesso ao projeto, à decisão da IA, a status ou a históricos. O auditor emitiu seu veredito de forma totalmente independente: aprovado ou reprovado. Só depois do registro os dois julgamentos foram cruzados. A cegueira elimina o viés de ancoragem. 4 ### A adjudicação das divergências Nos 72 casos em que IA e auditor discordaram, uma segunda verificação reexaminou o documento contra as regras, item a item, com justificativa registrada por escrito em cada caso. O resultado: em 24 casos o erro era da IA; em 48, o equívoco era do próprio auditor cego — por exemplo, documentos aceitos pelo auditor mas de tipo não previsto nas regras, prazos de validade não observados, ou reprovações provisórias que a IA converteu em aprovação assim que o cadastro foi completado. Divergência não é sinônimo de erro da IA, e é essa etapa que garante isso. 5 ### O cálculo Assertividade = acertos ÷ 500 = 476 ÷ 500 = **95,2%**. O intervalo de confiança de 95% (93,0% a 96,7%) usa o método de Wilson com correção de população finita sobre o universo de 394.900. Em outras palavras: mesmo no cenário mais desfavorável dentro da margem estatística, a assertividade permanece acima de 93%. Rigor do estudo## O que garante a confiabilidade **Amostra probabilística e reprodutível**Sorteio com semente registrada sobre um universo fechado. Qualquer parte com acesso autorizado à base reproduz a mesma seleção e chega aos mesmos números. **Julgamento humano independente**Auditores de diferentes áreas decidiram fora da plataforma, sem meio de ver a decisão da IA. A concordância substancial entre os dois julgamentos (kappa 0,70) mostra que ambos aplicaram as mesmas regras de fato. **Trilha de auditoria caso a caso**As 72 divergências têm justificativa escrita individual, com identificador do documento, vereditos e conclusão — disponível para verificação por terceiros mediante acordo de confidencialidade. **Número com margem, não número solto**O resultado é publicado com intervalo de confiança e com o detalhamento dos dois tipos de erro, em vez de um percentual isolado sem contexto estatístico. Honestidade metodológica## Limitações declaradas 1. **A adjudicação não foi cega.** A segunda verificação conheceu os dois vereditos — mitigado pela justificativa documentada de cada caso, que permite contestação individual. 2. **Os 428 casos concordantes não foram reexaminados.** Um erro simultâneo da IA e do auditor no mesmo sentido não seria detectado. Dois julgamentos independentes errarem juntos é possível, mas estatisticamente raro. 3. **O estudo mede fidelidade às regras configuradas**, não a qualidade das regras em si. A IA é avaliada contra o que cada processo definiu como critério de validação. 4. **Os resultados refletem o mix do período** (ProUni, documentos de renda e identificação). Operações com composição muito distinta recomendam nova onda amostral. **Fontes:** base de produção Dynadok (extração de 10/08/2026, universo de 394.900 documentos únicos) · auditoria humana cega de 500 casos (planilha de vereditos, 11/08/2026) · adjudicação documentada das 72 divergências, com justificativa escrita caso a caso. **Estatística:** intervalo de confiança de Wilson (95%) com correção de população finita · kappa de Cohen para concordância inter-julgamentos · teste de McNemar para a comparação IA × auditor humano. © 2026 Dynadok — Estudo de assertividade por auditoria humana cega. Reprodução permitida com citação da fonte.