Como a Sun Finance e a AWS aceleraram a verificação de documentos e reduziram o risco de fraude
A Sun Finance automatizou a verificação de documentos com Amazon Bedrock, Textract e Rekognition. A empresa elevou a precisão da extração de dados de 79,7% para 90,8%, reduziu o tempo de processamento de 20 horas para menos de 5 segundos e cortou o custo por documento em 91%. O principal movimento foi combinar um OCR especializado, um LLM para estruturar os dados e um antifraude serverless baseado em similaridade vetorial.
Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
A Sun Finance passou a verificação de identidade para o modo automático com serviços da AWS e IA generativa. A empresa montou um pipeline que extrai dados dos documentos com mais rapidez, processa solicitações a um custo menor e ajuda a detectar correspondências suspeitas quase em tempo real.
Como funciona o pipeline
A solução divide as tarefas entre várias ferramentas. O Amazon Textract cuida do OCR e extrai o texto de documentos de identidade, o Amazon Bedrock organiza o resultado na estrutura necessária e normaliza os campos, e o Amazon Rekognition ajuda na verificação visual e em cenários antifraude. Essa abordagem se mostrou mais prática do que tentar resolver tudo com um único modelo: um serviço especializado faz a extração, enquanto o LLM assume a interpretação, a correção de formato e a montagem da estrutura final para os sistemas internos.
A velocidade da arquitetura também importa. A Sun Finance construiu um pipeline de IDV serverless, em que o processamento é disparado por eventos e não exige infraestrutura permanente dimensionada para picos de carga. Isso é especialmente útil em processos de crédito e fintech, nos quais o fluxo de documentos é irregular: à noite pode ser mínimo e disparar nos horários de liberação. Nesse esquema, fica mais fácil controlar o custo, e o tempo de resposta deixa de depender de uma fila manual de operadores, que antes podiam atrasar a verificação por muitas horas.
- O OCR extrai texto bruto e campos do documento
- O LLM organiza os dados em uma estrutura única e remove ruído
- O Rekognition adiciona sinais visuais para a verificação de identidade
- A busca vetorial ajuda a encontrar solicitações suspeitamente parecidas
Para o antifraude nesse esquema, importa não só ler o documento, mas também poder compará-lo com casos já processados. A busca vetorial permite armazenar representações das solicitações e encontrar rapidamente correspondências próximas por imagem, texto ou conjunto de características. Se o sistema vê documentos parecidos demais, padrões repetidos ou uma proximidade atípica entre solicitações diferentes, ele pode enviá-los para uma revisão adicional. Isso oferece uma camada de proteção mais flexível do que regras rígidas simples.
Por que funcionou
A principal conclusão do caso é que combinar OCR e LLM entrega um resultado melhor do que usar cada componente isoladamente. Segundo a Sun Finance, a precisão da extração subiu de 79,7% para 90,8%. Nesses cenários, não é uma melhoria cosmética: cada alguns pontos percentuais de precisão afetam diretamente o volume de retrabalho manual, o número de erros no cadastro e a velocidade da decisão sobre a solicitação. O LLM aqui não substitui o reconhecimento especializado, mas o complementa: entende o contexto dos campos, padroniza nomes, elimina artefatos típicos de OCR e prepara os dados para a automação seguinte.
O efeito econômico é igualmente claro. Segundo a descrição da AWS, o custo de processar um documento caiu 91%, e o tempo de processamento passou de um máximo de 20 horas para menos de 5 segundos. Para uma fintech, isso significa várias coisas ao mesmo tempo: menos despesas operacionais, menos desistências por espera longa e mais chances de verificar o cliente antes que ele abandone a solicitação. Em paralelo, o sistema antifraude baseado em similaridade vetorial permite buscar solicitações repetidas ou parecidas demais sem uma infraestrutura de servidores pesada. Isso deixa a verificação não só mais rápida, mas também mais resistente a tentativas de contornar as regras básicas.
O que isso significa
O caso da Sun Finance mostra que a IA generativa no fluxo de documentos funciona melhor não como substituta universal de toda a stack, mas como uma camada sobre serviços especializados que já são fortes. Para bancos, financeiras de microcrédito e outras empresas com processos de KYC, o sinal é claro: se OCR, estruturação e antifraude forem distribuídos corretamente entre componentes diferentes, é possível ao mesmo tempo elevar a precisão, reduzir o tempo de resposta a segundos e diminuir de forma notável o custo da verificação.
- 20 de nov. de 2026Anthropic levanta US$ 104,8 bilhões no IPO, mas compromissos com infraestrutura chegam a US$ 1 trilhão
- 20 de nov. de 2026AWS lança NVIDIA Dynamo gerenciado para modelos que não cabem em um único servidor
- 20 de nov. de 2026Kimi Code CLI agora funciona com Amazon Bedrock sem uma chave de API separada
- 20 de nov. de 2026Torneio de agentes na Cisco: 1200 engenheiros, e venceu quem escreveu 1220 tokens em vez de 1430
Perguntas frequentes sobre a notícia
Como funciona o pipeline?
A solução divide as tarefas entre várias ferramentas. O Amazon Textract cuida do OCR e extrai o texto de documentos de identidade, o Amazon Bedrock organiza o resultado na estrutura necessária e normaliza os campos, e o Amazon Rekognition ajuda na verificação visual e em cenários antifraude.
Por que funcionou?
A principal conclusão do caso é que combinar OCR e LLM entrega um resultado melhor do que usar cada componente isoladamente. Segundo a Sun Finance, a precisão da extração subiu de 79,7% para 90,8%. Nesses cenários, não é uma melhoria cosmética: cada alguns pontos percentuais de precisão afetam diretamente o volume de retrabalho manual, o número de erros no cadastro e a velocidade da decisão sobre a solicitação.
O que isso significa?
O caso da Sun Finance mostra que a IA generativa no fluxo de documentos funciona melhor não como substituta universal de toda a stack, mas como uma camada sobre serviços especializados que já são fortes. Para bancos, financeiras de microcrédito e outras empresas com processos de KYC, o sinal é claro: se OCR, estruturação e antifraude forem distribuídos corretamente entre componentes diferentes, é possível ao mesmo tempo elevar a precisão, reduzir o tempo de resposta a segundos e diminuir de…
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.