Revolução Open Source: Zerando Custos na Conciliação de Notas Fiscais com IA Local

A euforia inicial com a Inteligência Artificial corporativa está esfriando. O motivo? O faturamento por token. Hoje, o assunto mais comentado nos fóruns de arquitetura de dados é como os custos ocultos de tokenização nas APIs pagas estão forçando empresas a recuarem de projetos ambiciosos. No entanto, existe um caminho alternativo altamente lucrativo: a engenharia Open Source rodando localmente.

Neste artigo, vou dissecar um projeto inspirado em um case real da Fundação de Negócios, Analytics e Tecnologia (FNAT). O desafio central é a conciliação de notas fiscais, uma dor onipresente em departamentos financeiros. Demonstraremos como a instalação de um Worker para IA em uma máquina mediana, configurada por um profissional qualificado, minimiza custos a quase zero e maximiza os lucros da operação.

1. O Desafio Organizacional: O Gargalo da Conciliação

No cenário estudado, a Axis Solutions, uma empresa em rápido crescimento, lidava com um colapso operacional. O volume de transações com fornecedores e clientes aumentou drasticamente. O analista financeiro, Lucas Andrade, precisava realizar um trabalho manual exaustivo:

• Baixar documentos enviados por e-mail.
• Ler PDFs para extrair número da nota, valor total, CNPJ e tipo de operação.
• Validar e conciliar esses dados contra planilhas de controle interno.

A dependência do esforço humano tornou o processo lento e suscetível a riscos de conformidade fiscal. A solução óbvia seria contratar uma plataforma SaaS (Software as a Service) baseada em LLMs proprietários. A consequência óbvia seria uma fatura mensal em dólares que consumiria o ROI (Retorno sobre Investimento) da automação.

2. Arquitetura da Solução: O Fluxo de Trabalho (Workflow)

Construímos um fluxo no n8n que emula perfeitamente o comportamento de um analista sênior, desde a leitura da caixa de entrada até a baixa financeira, operando 24/7 de forma invisível.

Fase A: Ingestão e Filtragem Estrutural

O fluxo inicia através de um Microsoft Outlook Trigger, configurado para sondar mensagens não lidas contendo anexos específicos. Assim que o e-mail é interceptado, os anexos são baixados e os e-mails são imediatamente marcados como lidos.

Para proteger o sistema contra arquivos maliciosos ou pesados, implementamos um nó de código JavaScript rigoroso. Ele atua como o porteiro da nossa infraestrutura, assegurando que o processamento cognitivo (que consome GPU/CPU) só seja acionado para documentos válidos.

// Limite máximo permitido para os anexos
const LIMITE_KB = 100;
const LIMITE_BYTES = LIMITE_KB * 1024;

const resultados = [];

for (let itemIndex = 0; itemIndex < items.length; itemIndex++) {
  const item = items[itemIndex];
  const nomesBinarios = Object.keys(item.binary ?? {});
  
  const nomeBinario = nomesBinarios[0];
  const arquivo = item.binary[nomeBinario];
  const mimeType = String(arquivo.mimeType ?? '').trim().toLowerCase();
  
  // Verifica se a extensão e o MIME type são estritamente PDF
  const extensaoPDF = String(arquivo.fileName ?? '').toLowerCase().endsWith('.pdf');
  const mimePDF = mimeType === 'application/pdf';
  
  let buffer = await this.helpers.getBinaryDataBuffer(itemIndex, nomeBinario);
  const tamanhoBytes = buffer.length;
  
  let anexoValido = true;
  let motivoRejeicao = null;

  if (!extensaoPDF || !mimePDF) {
    anexoValido = false;
    motivoRejeicao = `Tipo de arquivo inválido: ${mimeType}`;
  } else if (tamanhoBytes > LIMITE_BYTES) {
    anexoValido = false;
    motivoRejeicao = `O arquivo ultrapassa o limite permitido de ${LIMITE_KB} KB.`;
  }
  // Continua o fluxo para aprovação ou descarte estrutural...
}

Fase B: Cognição Local com Modelos Open Source

Após a validação estrutural, entra em cena a extração semântica. Em vez de enviar as notas fiscais para servidores de terceiros, utilizamos o modelo qwen3:14b hospedado localmente via Ollama.

O fluxo emprega a arquitetura Langchain para realizar as seguintes tarefas cognitivas:

• OCR e Transcrição: Transcreve fielmente informações como Número, Emitente (CNPJ, Nome, UF), Destinatário e Transportador.
• Triagem Fiscal: Um Roteador Fiscal com IA classifica inteligentemente se o documento refere-se a uma "Venda" ou a um "Serviço".

Fase C: Conciliação e Comunicação

Uma vez extraídos e classificados, os dados não ficam isolados. O workflow atualiza automaticamente os sistemas da empresa:

• Grava os registros em abas específicas ("Serviços" ou "Vendas").
• Cruza a Chave de Acesso extraída com o banco de auditoria, atualizando o status do documento para "Recebido".
• Envia um e-mail de resposta ao fornecedor confirmando a recepção da nota e o sucesso do processamento.

3. Custo Operacional: Pago vs. Local

Vamos à matemática corporativa. Suponha que uma empresa processe 10.000 notas fiscais por mês. Uma nota fiscal contém, em média, 2.000 tokens (entre texto extraído e prompts de instrução).

E a segurança? Expor dados fiscais e CNPJs de clientes para a nuvem de LLMs públicos é um risco de LGPD. Ao colocar todo este fluxo rodando dentro do Docker em uma máquina local, protegida e acessível remotamente apenas através da VPN mesh do Tailscale, a empresa blinda a sua infraestrutura.

4. Conclusão: A Era do Analista de Alta Performance

O verdadeiro divisor de águas não é simplesmente "comprar IA", mas construir inteligência arquitetural. Um profissional qualificado, equipado com conhecimentos em bancos de dados relacionais, contêineres e engenharia de prompts, é capaz de reduzir o OPEX de um projeto de conciliação fiscal a praticamente zero.

Ao transformar o labor repetitivo de leitura de PDFs em um ativo algorítmico escalável, a empresa maximiza suas margens de lucro, protege seus dados tributários e redireciona os seus analistas financeiros para aquilo que realmente importa: a análise estratégica do negócio.