A Futuro Previdência é uma instituição brasileira dedicada à distribuição de planos de seguros, previdência e assistência financeira. A empresa atua no mercado de previdência privada e direciona parte de sua oferta ao público de servidores públicos, embora seus produtos sejam acessíveis a qualquer pessoa física.
Fundada em 1965 e sediada em Porto Alegre, no Rio Grande do Sul, a companhia declara presença em todo o território brasileiro, e mantém mais de R$ 3 bilhões em gestão de carteira e atende mais de 85 mil clientes. Entre suas soluções está o Pecúlio, plano de benefícios de caráter previdenciário concedido em pagamento único e acessível a pessoas físicas. A empresa também se identifica como correspondente autorizado do NBC Bank.
A Futuro Previdência posiciona-se como referência em seguros e previdência, com mais de 60 anos de histórico no setor. A empresa associa sua atuação a atributos de credibilidade, segurança e transparência, além de parcerias com instituições do mercado financeiro.
Antes da atuação da Nuvme, o processo de análise documental do cliente era conduzido de forma integralmente manual pela equipe interna responsável pelas conferências, que revisava cada documento recebido, um a um, para validação das informações. Esse modelo demandava esforço operacional elevado e exigia alta disponibilidade da equipe para tarefas repetitivas de conferência e extração de dados.
Como consequência direta, o processo ficava sujeito a gargalos recorrentes: os documentos se acumulavam em fila de análise e provocavam atrasos no avanço das etapas subsequentes do fluxo comercial. Além do impacto no tempo de ciclo, a natureza manual da atividade elevava a exposição a erros humanos, entre eles divergências de digitação, interpretação incorreta de campos e omissão de informações relevantes. Esse conjunto de fatores comprometia a confiabilidade dos dados utilizados nas fases seguintes do processo.
A Nuvme desenhou e implementou um pipeline serverless de extração e validação de informações documentais, construído integralmente na Amazon Web Services (AWS). A atuação foi de ponta a ponta, da concepção à entrada em produção, a Nuvme definiu a arquitetura da solução, a estratégia de extração e validação em duas camadas, o desenvolvimento integral do código das funções AWS Lambda, a configuração do permissionamento e das integrações entre os serviços AWS, além dos testes e ajustes finos até a estabilização em produção. A empresa foi responsável tanto pela decisão técnica quanto pela implementação, na condição de parceiro de arquitetura e engenharia do cliente ao longo de todo o ciclo do projeto.
Maicon Scaravonatto, Superintendente de Infraestrutura de TI e Segurança do Futuro Previdência, explicou que "antes da solução, nossa equipe revisava cada documento de forma manual, um a um. Esse modelo consumia tempo da equipe em tarefas repetitivas de conferência e gerava filas de análise que atrasavam as etapas seguintes do nosso processo comercial."
Assim, a definição da abordagem em duas camadas resultou de um processo iterativo de testes anterior à produção. Na primeira versão, a extração era conduzida apenas com o Amazon Bedrock; os resultados não atingiram a precisão necessária para uso produtivo, sobretudo em documentos com layouts variados. Diante dessa constatação, a Nuvme redesenhou a arquitetura para um modelo híbrido: o Amazon Textract passou a responder pela extração bruta e confiável do conteúdo textual, e o Amazon Bedrock foi posicionado como camada de validação, estruturação e correção semântica sobre os dados já extraídos. A combinação elevou a qualidade e a consistência das respostas, verificada por meio de rodadas de teste que compararam a saída da solução com a análise manual de referência, até que o nível de precisão fosse considerado adequado para produção.
A escolha do modelo de fundação também passou por avaliação comparativa. A Nuvme testou inicialmente o Amazon Nova Lite, com foco em otimização de custo, mas a qualidade das respostas não alcançou o padrão exigido pelo caso de uso. Em seguida, avaliou o Llama, igualmente sob a ótica de custo-benefício, sem resultado satisfatório para o nível de confiabilidade requerido. A partir dessas rodadas, a empresa adotou os modelos Claude, da Anthropic, para o ambiente produtivo, por apresentarem a melhor relação entre precisão de extração e validação e qualidade de estruturação da resposta. Esse modelo foi definido como padrão de produção.
"A permanência dos dados dentro do nosso próprio ambiente AWS foi um critério decisivo. Como os documentos podem conter dados pessoais e sensíveis, precisávamos de uma arquitetura aderente à LGPD, sem tráfego dessas informações para fora do nosso perímetro; a Nuvme entregou a solução sob esse requisito." - Maicon Scaravonatto.
Para o controle de qualidade das respostas do modelo, a Nuvme adotou práticas de mitigação de alucinação e de contenção de escopo. As prompts da camada de validação do Bedrock foram estruturadas de modo a restringir o modelo estritamente ao conteúdo extraído pelo Textract, o que impede o preenchimento de lacunas com informações ausentes no documento original. O formato de saída em JSON estruturado opera como camada adicional de controle: respostas fora do schema esperado são identificadas e tratadas antes do envio à API interna do cliente, o que atua como validação de consistência do output. O desenvolvimento seguiu as boas práticas de uso responsável de IA generativa recomendadas pela AWS para arquiteturas baseadas em Amazon Bedrock. Não há, até o momento, política formal documentada de IA responsável; a formalização está prevista como próximo passo de maturidade do serviço.
A solução foi estruturada como um pipeline serverless de extração e validação documental, executado integralmente dentro do ambiente AWS do cliente e orquestrado por eventos, sem infraestrutura dedicada de servidores.
O processamento inicia com o envio do documento a um bucket do Amazon S3, evento que aciona uma função AWS Lambda responsável por orquestrar as etapas subsequentes. A extração do conteúdo ocorre em duas camadas de finalidades distintas. Na primeira, o Amazon Textract realiza a extração bruta do texto e dos dados estruturados do documento por reconhecimento óptico de caracteres (OCR). Na segunda, o Amazon Bedrock recebe o conteúdo extraído e atua na validação semântica, na estruturação e no enriquecimento das informações, com correção das inconsistências que a extração por OCR não resolve isoladamente. A geração nessa camada utiliza os modelos Claude, da Anthropic, definidos como padrão de produção.
O resultado é consolidado em formato JSON padronizado e entregue à API interna do cliente por meio do Amazon API Gateway, que integra o pipeline ao sistema de destino. O controle de escopo do modelo é parte do desenho da arquitetura: as prompts da camada de validação restringem o Amazon Bedrock ao conteúdo extraído pelo Amazon Textract, e a conformidade da saída ao schema JSON esperado opera como verificação de consistência anterior ao envio à API interna.
O acesso entre os componentes é governado por roles do AWS IAM sob o princípio de menor privilégio, de modo que cada serviço do pipeline acesse somente os recursos estritamente necessários à sua função. Os documentos permanecem armazenados no Amazon S3 dentro do ambiente AWS do cliente, e todo o processamento ocorre sem tráfego das informações para serviços de terceiros externos ao perímetro da nuvem, requisito diretamente ligado à presença de dados sensíveis e pessoais nos documentos e às diretrizes da Lei Geral de Proteção de Dados (LGPD).
Ao longo de aproximadamente três meses de operação em produção, a solução processou 8.730 invocações da função AWS Lambda principal, monitoradas por meio do Amazon CloudWatch (Amazon CloudWatch). O processamento ocorre em lote, o que explica os picos pontuais de invocação observados no período, acima de 160 execuções em um único intervalo, intercalados com volumes menores de operação. O tempo médio de processamento foi de aproximadamente 11,6 segundos por requisição, com concorrência máxima de 4 execuções simultâneas, mesmo em cenários de pico de carga. Não foram registrados throttles em todo o período analisado, o que evidencia estabilidade e capacidade de escala adequadas para sustentar o volume de uso em ambiente produtivo real.
Como cada invocação em lote pode conter múltiplos documentos, o volume real de documentos analisados é superior ao número de invocações registradas. A arquitetura absorveu os picos de demanda sem necessidade de escalonamento de infraestrutura.
A automação implementada pela Nuvme respondeu diretamente ao gargalo que motivou o projeto, a fila de análise e os atrasos no avanço das etapas subsequentes do fluxo comercial. Não há medição formal do tempo médio do processo manual anterior; portanto, a redução do tempo de ciclo é apresentada como estimativa, não como métrica verificada. Com base na comparação entre o tempo de processamento automatizado por lote e o tempo de uma revisão manual equivalente, estima-se redução da ordem de 80% a 90% no tempo de análise documental, o que permite o avanço do documento para a etapa comercial seguinte de forma quase imediata após o upload. Os números medidos via CloudWatch sustentam o desempenho da solução; o percentual de redução depende de um baseline manual ainda não documentado.
"Mantivemos todo o processamento dentro do ambiente AWS do cliente, sem tráfego de dados para serviços de terceiros. O controle de acesso foi feito com roles do AWS Identity and Access Management sob o princípio de menor privilégio, de forma que cada componente da arquitetura acesse somente o que é estritamente necessário à sua função." - Gabriel Einsfeld, Arquiteto de Software da Nuvme
O modelo serverless adotado, com AWS Lambda, Amazon Simple Storage Service (Amazon S3) e Amazon API Gateway, resulta em custo diretamente proporcional ao uso, sem infraestrutura fixa ou dedicada para o processamento documental. Esse desenho elimina custo de capacidade ociosa.
"Desenhamos a solução em duas camadas por decisão técnica, o Amazon Textract responde pela extração do conteúdo dos documentos, e o Amazon Bedrock atua na validação e na estruturação das informações. Chegamos a esse modelo após testar a extração apenas com o Bedrock, que não alcançou a precisão necessária em documentos com layouts variados." - Gabriel Einsfeld.
No projeto do Grupo Futuro, a Nuvme substituiu a análise documental manual por uma solução de IA generativa na AWS, desenhada e implementada de ponta a ponta. A solução operou de forma estável em ambiente produtivo e padronizou a qualidade das informações, o que liberou a equipe do cliente para as atividades que exigem análise humana; todo o processamento permaneceu dentro do ambiente AWS do cliente, em conformidade com a LGPD. Para a Nuvme, casos como este demonstram sua atuação em projetos de fronteira tecnológica em arquiteturas de IA generativa e caracterizam sua posição como parceiro de arquitetura em projetos com requisitos de segurança e proteção de dados.
