Se a sua empresa tem pilhas de PDFs, planilhas e apresentações que nenhum modelo de linguagem consegue ler direito, o problema não é a IA: é a estrutura dos arquivos. O Docling, ferramenta open source da IBM, foi criado para resolver exatamente isso. Ele converte documentos de dezenas de formatos em dados estruturados prontos para alimentar sistemas de inteligência artificial e acaba de ganhar uma versão gerenciada no IBM watsonx.
O que é o Docling
O Docling é uma biblioteca Python e ferramenta de linha de comando desenvolvida pela equipe de pesquisa da IBM em Zurique. Ele recebe um arquivo comum – PDF, Word, PowerPoint, Excel, HTML, imagem ou até áudio – e devolve o conteúdo em Markdown, JSON ou HTML, preservando a estrutura: hierarquia de títulos, ordem de leitura, tabelas, fórmulas, legendas e figuras.
O diferencial está na abordagem. Em vez de apenas puxar o texto do arquivo, o Docling usa modelos de visão computacional treinados para entender a página como um humano entende: identifica onde começa um título, qual parte é tabela, qual é a legenda de uma figura e qual é a ordem certa de leitura em um layout de duas colunas. O resultado sai pronto para uso em pipelines de RAG, agentes e treinamento de modelos, sem limpeza manual.
O projeto nasceu no grupo AI for knowledge da IBM Research e foi aberto em julho de 2024 sob licença MIT. Em menos de um mês, passou de 10 mil estrelas no GitHub e, em novembro de 2024, foi um dos repositórios mais comentados da plataforma no mundo. Hoje acumula cerca de 64 mil estrelas e é mantido sob o guarda-chuva da LF AI & Data Foundation.
Tecnologia e arquitetura
A conversão é sustentada por dois modelos desenvolvidos pela IBM. O primeiro, DocLayNet, é um modelo de detecção de objetos treinado com cerca de 81 mil páginas anotadas manualmente – patentes, manuais e relatórios financeiros – que reconhece blocos de texto, títulos, tabelas, figuras e notas de rodapé. Nos testes da empresa, ele ficou a cinco pontos percentuais da capacidade humana de identificar esses elementos.
O segundo é o TableFormer, especializado em converter tabelas baseadas em imagem para o formato legível por máquina, com linhas e colunas corretas. Para documentos escaneados, o Docling encaminha automaticamente as regiões problemáticas para OCR. Quem quiser ainda mais precisão pode ligar o GraniteDocling, um modelo de visão e linguagem de 258 milhões de parâmetros da família Granite da IBM.
Tudo isso converge para o DoclingDocument, uma representação intermediária que guarda a estrutura completa do arquivo e pode ser exportada para Markdown, HTML, JSON ou DocLang, um formato aberto de documento. Essa camada extra permite navegar programaticamente pelo resultado: extrair só as tabelas, só as figuras com legenda ou apenas o resumo de um artigo acadêmico, sem reprocessar o original.
Recursos já existentes
O Docling cobre mais de 20 formatos de entrada e oferece quatro formas de uso: API Python, CLI, servidor próprio e protocolo MCP. Os modelos são baixados uma vez e ficam em cache; depois disso, a conversão roda completamente offline, sem enviar dados para a nuvem. Quem trabalha com contratos, prontuários e documentos sigilosos pode processar tudo na própria máquina.
- PDF, DOCX, PPTX, XLSX, HTML, EPUB, Apple Pages, LaTeX, imagens, áudio e e-mail
- API Python e CLI para uso local; Docling Serve expõe a conversão como serviço HTTP
- Servidor MCP (docling-mcp) para agentes de IA converterem documentos por chamadas tipadas
- Integrações nativas com LangChain, LlamaIndex, spaCy, InstructLab e data-prep-kit
- Execução local e offline, com aceleração opcional em Apple Silicon e NVIDIA
Quando a demanda cresce, o mesmo código migra para o Docling Serve dentro da rede ou para a versão gerenciada paga no IBM watsonx, anunciada em junho de 2026 com endpoint de lote e opção de implantação privada.
Docling x MarkItDown: qual usar?
A comparação com o MarkItDown, ferramenta open source da Microsoft que apresentamos no blog, é inevitável: os dois respondem à mesma pergunta – como transformar arquivos do mundo real em texto que um LLM entende – de jeitos opostos.
O MarkItDown é rápido e leve: converte em frações de segundo, instala em cerca de 80 MB e cobre ainda mais formatos, incluindo áudio, vídeo do YouTube e e-mail. O custo é a fidelidade. Em PDFs complexos, tabelas viram blocos de texto corrido, colunas de artigos acadêmicos se misturam e documentos escaneados saem vazios.
O Docling é o caminho inverso. É mais pesado, com cerca de 2,4 GB somando dependências, mais lento em CPU, e a primeira execução baixa os modelos. Em compensação, preserva a estrutura: tabelas saem perfeitas, a ordem de leitura respeita colunas e documentos escaneados ganham OCR automático. Em um teste publicado pelo desenvolvedor Viktor Danylenko, um regulamento da União Europeia levou 0,6 segundo no MarkItDown e 41 segundos no Docling, mas só o Docling recuperou a tabela de tarifas intacta.
A escolha depende do corpus. Para PDFs digitais simples e arquivos Office, o MarkItDown resolve e é muito mais rápido. Para relatórios financeiros, artigos acadêmicos, contratos com tabelas densas ou acervos escaneados, o Docling entrega um resultado que não exige retrabalho. Muitos pipelines usam os dois em sequência: MarkItDown primeiro e Docling como plano B quando a saída sai quebrada.
No Brasil, o apelo é duplo. A licença MIT elimina custo de licenciamento, algo que pesa em projetos de universidades e empresas que montam bases de conhecimento em português para RAG. E a execução local resolve a questão da LGPD na prática: documentos de clientes podem ser processados sem depender de serviço em nuvem. O investimento é só de infraestrutura, e ela pode ser modesta – um notebook com 8 GB de RAM roda conversões de tabelas sem GPU.
O que está por vir
A IBM não trata o Docling como projeto de laboratório. A empresa o usou para processar 2,1 milhões de PDFs do Common Crawl e planeja aplicar a ferramenta em 1,8 bilhão de documentos para alimentar o próximo modelo multimodal Granite. O roadmap é público no GitHub e a comunidade contribui com melhorias que a equipe de pesquisa incorpora em releases frequentes.
O Docling resolve a metade chata do trabalho com IA: transformar o caos de formatos em dados que um modelo consegue digerir. E faz isso sem enviar seus documentos para lugar nenhum.
Fonte: Docling | GitHub – docling-project/docling | IBM Research | MarkItDown vs Docling vs Marker
