DocLang: novo formato de documento projetado para tornar dados mais compreensíveis à IA

O DocLang não é só mais um formato de documento. É uma tentativa de reescrever as regras do jogo para a ingestão de dados por LLMs, partindo do princípio de que o problema não está no modelo, mas na forma como o dado chega a ele. Enquanto ferramentas como Amazon Textract ou Azure Document Intelligence ainda operam como 'tradutores' entre PDF e texto, o DocLang é um idioma nativo para IA: XML restrito, mapeamento 1:1 com tokens, elementos semânticos explícitos (como em vez de ), e metadados de governança embutidos no próprio documento, não em arquivos separados. Isso elimina a camada de interpretação ambígua que hoje faz modelos 'adivinharem' hierarquia, ordem de leitura ou intenção de uma tabela.

A inovação real está na perda zero de informação geométrica e estrutural: cada bloco tem caixa delimitadora, função semântica e sequência lógica codificadas, algo que Markdown ignora, HTML exagera e LaTeX deixa ao acaso. E, diferentemente do Docling (lançado pela IBM em 2024), que converte documentos para IA, o DocLang é o destino final dessa conversão: o padrão universal para troca entre sistemas. A versão 0.6 já roda com validador PyPI e suporte nativo no Docling e no FineReader Engine da ABBYY.

Em abril de 2025, o Docling foi absorvido pela LF AI & Data como projeto oficial, mas era apenas uma ferramenta de conversão. Agora, em junho de 2026, o DocLang surge como especificação formal, com governança neutra sob a Joint Development Foundation e suporte fundador de IBM, NVIDIA, Red Hat, ABBYY, HumanSignal e Forgis. O que era um toolkit isolado virou uma pilha completa: Docling ingere, DocLang padroniza. E o que era rumor sobre 'formato otimizado para tokenizadores' agora é realidade técnica comprovada, 30x menos tokens em benchmarks reais, latência reduzida e tabelas preservadas sem distorção.

Empresas gastam milhões treinando LLMs e construindo RAGs, mas jogam boa parte desse investimento fora ao alimentá-los com PDFs mal estruturados. O DocLang ataca o gargalo invisível: a ineficiência de tokenização. Um relatório anual que consome 8.421 tokens em PDF exige só 5.310 em DocLang, e isso não é economia pontual, é escalável. Em milhares de contratos jurídicos ou demonstrações financeiras processadas diariamente, essa diferença vira custo operacional mensal, risco de hallucination e falhas de governança. Mais do que um formato, é uma camada de infraestrutura documental para IA empresarial, e sua adoção pode definir quem consegue escalar aplicações de IA com precisão, velocidade e controle reais.