Un documento que existe, pero no se puede encontrar

Una autoridad ambiental solicita un reporte de monitoreo de una presa de relaves, de hace tres años. El documento existe — en un archivero de sitio, o en una caja en la oficina corporativa. Encontrarlo toma horas, a veces días, porque nadie lo indexó nunca.

Mientras tanto, un asistente de IA generativa espera, inútil, porque no puede leer papel. El reto de fondo no es tecnológico: es de origen.

El archivo sin digitalizar es el verdadero cuello de botella

Una operación minera remota — a horas de la ciudad más cercana, con conectividad intermitente en sitio — genera un volumen considerable de documentación ambiental y social: permisos vigentes, reportes de monitoreo, correspondencia regulatoria abierta, acuerdos comunitarios. Buena parte existe únicamente en papel, repartida entre el archivo de sitio y las oficinas corporativas.

La consecuencia no es solo incomodidad administrativa: en una inspección, no poder presentar un documento a tiempo puede pesar tanto como no tenerlo. Priorizar bien qué digitalizar primero es, en sí mismo, mitigación de riesgo regulatorio.

Ningún asistente de IA generativa resuelve esto solo. Un modelo de lenguaje no puede leer la imagen de un documento, solo su texto — y ese texto todavía no existe.

Primero el archivo digital, después la capa de IA

En lugar de digitalizar “lo más viejo primero”, el archivo se prioriza con cuatro criterios ponderados: riesgo regulatorio, frecuencia de consulta, fragilidad física del original y vigencia legal. El monitoreo de presas de relaves (TSF) y los permisos vigentes quedan, bajo este criterio, en la categoría crítica.

La captura se hace con escáner dedicado — nunca con fotos de celular, que degradan la legibilidad y el resultado del OCR. En impresos, el OCR moderno supera 98% de precisión; en manuscritos o piezas deterioradas, se presupuesta revisión humana. Cada documento recibe metadatos — categoría, fechas, sitio, vigencia, confidencialidad — y lo crítico exige doble verificación.

Un asistente que solo responde con fuente

Sobre el archivo digital se construye la capa de Retrieval-Augmented Generation (RAG): indexa el texto ya reconocido en una base vectorial y responde preguntas en lenguaje natural citando siempre el documento y la sección de origen. No es un modelo que “sabe” de memoria — es un sistema que solo puede responder con lo que ya fue validado y cargado, y que dice “no lo tengo” en vez de inventar.

Diseñada para conectividad intermitente y datos que no salen de la operación

La captura ocurre en sitio, sin depender de conexión continua: los documentos se sincronizan a la nube en lotes programados, tolerando cortes sin perder trabajo. Sincronizada, la nube es la fuente única de verdad, con redundancia geográfica en al menos dos regiones.

Todo corre sobre la nube que ya opera o elige la organización (AWS, Azure o GCP): las credenciales son suyas, los datos nunca salen de su red, y el pago va directo al proveedor. Itatix construye y opera la capa de IA — no aloja ni retiene la documentación.

Cuatro métricas, no cifras infladas

El valor de la PoC se mide con cuatro indicadores, verificables por el propio equipo ambiental: cobertura digitalizada con OCR verificado, precisión de respuestas validadas por el equipo, tiempo de respuesta (minutos hoy vs. segundos), y adopción real — consultas del equipo en la última semana, no solo pruebas dirigidas por Itatix.

El archivo digital tiene valor por sí mismo, incluso si el RAG se detuviera: documentos con metadatos y control de calidad ya son más fáciles de auditar. El asistente es una capa adicional que se amplía gradualmente, sin esperar a que el archivo completo esté listo.

Ocho semanas para validar el método, no para digitalizar todo el archivo

El objetivo de la Prueba de Concepto no es digitalizar el archivo completo, sino demostrar en un plazo acotado que el método funciona con documentación real, y dejar un caso interno medible antes de comprometer presupuesto para el resto del archivo.

Preguntas frecuentes del comité directivo

A document that exists, but can't be found

An environmental authority requests a specific tailings storage facility monitoring report from three years ago. The document exists — in a filing cabinet at the site office, or in a box at the corporate office. Finding it takes hours, sometimes days, because no one ever indexed it.

Meanwhile, a generative AI assistant sits idle, useless, because it can't read paper. The real challenge isn't technological — it's a matter of origin.

The undigitized archive is the real bottleneck

A remote mining operation — hours from the nearest city, with intermittent connectivity on site — generates considerable environmental and social documentation: active permits, monitoring reports, open regulatory correspondence, community agreements. Much of it exists only on paper, scattered between the site archive and corporate offices.

The consequence isn't just administrative inconvenience: in an inspection, being unable to produce a document in time can weigh as much as not having it. Correctly prioritizing what to digitize first is, itself, regulatory-risk mitigation.

No generative AI assistant solves this on its own. A language model can't read an image of a document, only its text — and that text doesn't exist yet.

The digital archive first, the AI layer second

Instead of digitizing “oldest first,” the archive is prioritized using four weighted criteria: regulatory risk, consultation frequency, physical fragility, and legal validity. Under this criteria, tailings storage facility (TSF) monitoring and active permits fall into the critical category.

Capture is done with a dedicated scanner — never phone photos, which degrade legibility and OCR results. On printed documents, modern OCR reaches over 98% accuracy; on handwritten or damaged pieces, human review is budgeted in. Every document gets metadata — category, dates, site, validity, confidentiality — and critical documents require double verification.

An assistant that only answers with a source

The Retrieval-Augmented Generation (RAG) layer is built on top of the digital archive: it indexes the already-recognized text in a vector database and answers natural-language questions, always citing the source document and section. It's not a model that “knows” from memory — it's a system that can only answer with what's already been validated and loaded, and that says “I don't have that” instead of inventing.

Designed for intermittent connectivity and data that never leaves the operation

Capture happens on site, without a continuous connection: scanned documents sync to the cloud in scheduled batches, tolerating outages without losing work. Once synced, the cloud is the single source of truth, with geographic redundancy across at least two regions.

Everything runs on the cloud the organization already operates or chooses (AWS, Azure, or GCP): credentials are theirs, data never leaves their network, and payment goes directly to the provider. Itatix builds and operates the AI layer — it doesn't host or retain the documentation.

Four metrics, not inflated figures

The PoC's value is measured with four indicators, verifiable by the compliance team itself: coverage digitized with verified OCR, answer accuracy validated by the team, response time (minutes today vs. seconds), and real adoption — queries made by the team in the final week, not just tests run by Itatix.

The digital archive has value on its own, even if the RAG project stopped: documents with metadata and quality control are already easier to audit. The assistant is an additional layer that expands gradually, without waiting for the entire archive to be ready.

Eight weeks to validate the method, not to digitize the entire archive

The goal of the Proof of Concept isn't to digitize the entire archive, but to demonstrate, within a limited timeframe, that the method works with real documentation, and to leave a measurable internal case before committing budget to the rest of the archive.

Questions the C-Suite tends to ask

Um documento que existe, mas não pode ser encontrado

Uma autoridade ambiental solicita um relatório de monitoramento de uma barragem de rejeitos, de três anos atrás. O documento existe — em um arquivo do sítio, ou em uma caixa no escritório corporativo. Encontrá-lo leva horas, às vezes dias, porque ninguém nunca o indexou.

Enquanto isso, um assistente de IA generativa espera, inútil, porque não pode ler papel. O desafio de fundo não é tecnológico: é de origem.

O arquivo não digitalizado é o verdadeiro gargalo

Uma operação de mineração remota — a horas da cidade mais próxima, com conectividade intermitente no sítio — gera volume considerável de documentação ambiental e social: licenças vigentes, relatórios de monitoramento, correspondência regulatória em aberto, acordos comunitários. Boa parte existe apenas em papel, distribuída entre o arquivo do sítio e os escritórios corporativos.

A consequência não é apenas incômodo administrativo: em uma inspeção, não conseguir apresentar um documento a tempo pode pesar tanto quanto não tê-lo. Priorizar corretamente o que digitalizar primeiro é, em si, mitigação de risco regulatório.

Nenhum assistente de IA generativa resolve isso sozinho. Um modelo de linguagem não lê a imagem de um documento, apenas seu texto — e esse texto ainda não existe.

Primeiro o arquivo digital, depois a camada de IA

Em vez de digitalizar “o mais antigo primeiro”, o arquivo é priorizado com quatro critérios ponderados: risco regulatório, frequência de consulta, fragilidade física do original e vigência legal. O monitoramento de barragens de rejeitos (TSF) e as licenças vigentes ficam, sob esse critério, na categoria crítica.

A captura é feita com scanner dedicado — nunca com fotos de celular, que degradam a legibilidade e o resultado do OCR. Em impressos, o OCR moderno atinge mais de 98% de precisão; em manuscritos ou peças deterioradas, orça-se revisão humana. Cada documento recebe metadados — categoria, datas, local, vigência, confidencialidade — e o crítico exige dupla verificação.

Um assistente que só responde com fonte

Sobre o arquivo digital constrói-se a camada de Retrieval-Augmented Generation (RAG): indexa o texto já reconhecido em uma base vetorial e responde perguntas em linguagem natural citando sempre o documento e a seção de origem. Não é um modelo que “sabe” de memória — é um sistema que só pode responder com o que já foi validado e carregado, e que diz “não tenho essa informação” em vez de inventar.

Projetada para conectividade intermitente e dados que não saem da operação

A captura ocorre no sítio, sem depender de conexão contínua: os documentos são sincronizados com a nuvem em lotes programados, tolerando quedas sem perder trabalho. Sincronizada, a nuvem é a fonte única da verdade, com redundância geográfica em pelo menos duas regiões.

Tudo roda sobre a nuvem que a organização já opera ou escolhe (AWS, Azure ou GCP): as credenciais são dela, os dados nunca saem de sua rede, e o pagamento vai direto ao provedor. A Itatix constrói e opera a camada de IA — não hospeda nem retém a documentação.

Quatro métricas, não números inflados

O valor da PoC é medido com quatro indicadores, verificáveis pela própria equipe ambiental: cobertura digitalizada com OCR verificado, precisão das respostas validadas pela equipe, tempo de resposta (minutos hoje vs. segundos), e adoção real — consultas da equipe na última semana, não apenas testes conduzidos pela Itatix.

O arquivo digital tem valor por si só, mesmo que o RAG fosse interrompido: documentos com metadados e controle de qualidade já são mais fáceis de auditar. O assistente é uma camada adicional que se expande gradualmente, sem esperar que todo o arquivo esteja pronto.

Oito semanas para validar o método, não para digitalizar todo o arquivo

O objetivo da Prova de Conceito não é digitalizar todo o arquivo, mas demonstrar, em um prazo limitado, que o método funciona com documentação real, e deixar um caso interno mensurável antes de comprometer orçamento para o restante do arquivo.

Perguntas frequentes da diretoria