Mistral lança OCR 4 e leva residência de dados ao centro do risco documental

A francesa Mistral AI lançou em 23 de junho o Mistral OCR 4, modelo de extração documental que devolve mais do que o texto de um PDF: entrega a estrutura da página. São caixas delimitadoras (bounding boxes), classificação de cada bloco — títulos, tabelas, equações, assinaturas — e um índice de confiança gerado por página e por palavra. O modelo roda em contêiner único, totalmente self-hosted, e cobre 170 idiomas.

O preço é de US$ 4 por mil páginas na API, US$ 2 em lote e US$ 5 na camada Document AI. Para quem responde por risco, o que importa não é a tabela de preços, e sim duas escolhas deliberadas da Mistral: vender o produto pela residência e soberania de dados, mantendo os documentos dentro da infraestrutura do cliente, e listar entre os casos de uso a verificação de conformidade em jurídico, serviços financeiros e saúde.

No mesmo anúncio, a empresa traça uma linha que jurídico e compliance precisam ler com atenção: o OCR 4 não se destina a diagnóstico médico, parecer ou julgamento jurídico, decisões financeiras de alto risco ou sistemas críticos. É ferramenta de leitura, não de decisão. E é justamente nessa fronteira que a responsabilidade pelo uso recai sobre a organização, não sobre o fornecedor.

Camada de extração vira disputa de Google a Baidu

A leitura de documentos parece tarefa banal, mas é onde a adoção corporativa de IA costuma travar. Pela estimativa da Gartner citada pelo analista Mark Beccue, da Omdia, cerca de 80% dos dados de uma organização são não estruturados — presos em faturas digitalizadas, relatórios densos e PDFs de múltiplas colunas que os modelos de linguagem têm dificuldade de interpretar. O gargalo nunca foi reconhecer caracteres, e sim transformar a página em dado utilizável.

O mercado reagiu quase em bloco. Google Document AI e Azure AI Document Intelligence já ofereciam extração; um dia antes da Mistral, em 22 de junho, a Baidu liberou o Unlimited-OCR, modelo de 3 bilhões de parâmetros sob licença MIT, capaz de processar dezenas de páginas em uma única passagem.

O diferencial que a Mistral explora é jurisdicional, não apenas técnico. Como o OCR 4 cabe em um único contêiner e pode rodar inteiramente em servidores próprios, ele oferece a setores regulados algo que rivais sediados nos Estados Unidos não conseguem entregar com a mesma naturalidade: extração de ponta sem rotear documentos sensíveis por uma nuvem sob jurisdição estrangeira.

Rastreabilidade não substitui revisão humana

Os scores de confiança e as caixas delimitadoras não são detalhe de engenharia: são o que torna a saída auditável. Com eles, é possível gerar citações que apontam o trecho exato de origem, aplicar redações sobre regiões específicas e rotear automaticamente para revisão humana apenas os pontos de baixa confiança. A Microsoft, que disponibilizou o modelo no Foundry, vende exatamente isso a clientes regulados — rastreabilidade, validação e revisão com humano no circuito.

A mesma estrutura, porém, esbarra na ressalva da própria Mistral. Automatizar a ingestão de um contrato é uma coisa; deixar que o sistema decida sobre ele é outra. Sob a LGPD, documentos carregam dados pessoais e muitas vezes sensíveis, e a empresa que os processa responde como controladora ou operadora — incluindo o direito de revisão de decisões automatizadas previsto no artigo 20.

O recado para o jurídico é direto: o confidence-gating reduz trabalho, não transfere responsabilidade. E a ANPD, que classificou o uso de IA no tratamento de dados como tema prioritário de fiscalização, vai cobrar quem confundir uma coisa com a outra.

Aval da Microsoft e rodada de €20 bi pesam

A distribuição do OCR 4 diz tanto quanto o produto. Ele chegou simultaneamente ao Mistral Studio, ao Amazon SageMaker e ao Microsoft Foundry, com integração ao Snowflake prometida. A Microsoft classificou o lançamento como marco da parceria, pela voz de Kimmi Grewal, vice-presidente de parcerias de ecossistema de IA — um aval que coloca o modelo dentro da nuvem onde o comprador corporativo já opera.

O pano de fundo financeiro reforça o ponto. Segundo a Bloomberg, a Mistral negocia uma rodada de cerca de € 3 bilhões a um valuation próximo de € 20 bilhões, quase o dobro dos € 11,7 bilhões de setembro de 2025, informação confirmada pela TechCrunch. É capital que sustenta a aposta europeia, mas que ainda deixa a empresa bem atrás de OpenAI e Anthropic em escala.

Para o board, a dúvida concreta não é se o OCR 4 funciona, e sim quanto pesar uma única fornecedora numa camada que passa a tocar contratos, faturas e documentos regulatórios. Adotar um modelo embalado como estado da arte sem validação independente é decisão de governança, não de TI.

ANPD prepara 20 fiscalizações de IA até 2027

O timing regulatório torna a escolha menos trivial. No Mapa de Temas Prioritários 2026-2027, a ANPD elevou a supervisão do uso de inteligência artificial no tratamento de dados a eixo central, com 20 atividades de fiscalização escalonadas — metade prevista até o primeiro semestre de 2027 e a outra metade até o fim daquele ano —, com atenção redobrada a dados biométricos, de saúde e financeiros.

A pressão sobre localização cresceu na mesma direção. Em janeiro, a Resolução nº 32/2026 da ANPD formalizou a equivalência de proteção entre Brasil e União Europeia, facilitando transferências, mas ampliando a responsabilidade das organizações sobre onde e sob qual lei seus dados são processados.

Do outro lado do Atlântico, o sinal é mais forte. Em 3 de junho, a Comissão Europeia apresentou seu pacote de soberania tecnológica, com um ato sobre nuvem e IA que cria níveis formais de soberania para esses serviços. A leitura para quem decide: residência de dados está deixando de ser preferência de arquitetura para virar requisito de conformidade — e produtos self-hosted como o OCR 4 se posicionam exatamente nessa brecha.

Win rate de 72% chega sem metodologia aberta

A controvérsia mora nos números que a Mistral usou para se declarar estado da arte. A empresa fez algo incomum: auditou e divulgou as limitações dos próprios benchmarks, reconhecendo que parte dos erros atribuídos ao OCR 4 vinha de anotações de referência incorretas, de notação LaTeX equivalente e de suposições de ordem de leitura — distorções que penalizam saída correta.

Essa transparência, porém, não alcança o dado mais repetido no anúncio. O índice de 72% de preferência, obtido com anotadores independentes em mais de 600 documentos e 12 idiomas, veio sem a metodologia detalhada, o que torna a cifra difícil de verificar de fora, como apontou a imprensa especializada.

A divergência é real e prática. Enquanto a Mistral lidera o OlmOCRBench (85,20) e o OmniDocBench (93,07) em seus próprios testes, veículos que cobriram o lançamento recomendam que cada empresa rode a avaliação nos seus documentos, porque rankings independentes contam uma história mais nuançada. Para quem assina o contrato, o número de marketing importa menos do que a taxa de erro no acervo real da casa.