Como ler faturas e lançar no sistema de contabilidade com o GPT-6.1 Terra

Fala aí, beleza? Pra ler faturas e lançar no sistema de contabilidade com o GPT-6.1 Terra, o fluxo tem duas etapas: primeiro você manda o PDF da fatura pro gpt-6.1-terra pela Responses API como input_file e exige a resposta num JSON Schema (Structured Outputs), depois usa o loop de computer use pra digitar esses dados no software de contabilidade, com confirmação humana antes de gravar

A OpenAI lançou o GPT-6.1 Terra em 26/10/2026 e citou justamente esse cenário (ler as faturas recebidas e lançar os dados no software de contabilidade) como exemplo de automação de alto volume pra devs, e aqui eu mostro onde colocar as checagens pra não errar valor nem data 🙂

O que você precisa antes de montar o fluxo de faturas com o GPT-6.1 Terra

Você precisa de acesso à API da OpenAI usando o identificador gpt-6.1-terra, uma integração pela Responses API, um ambiente isolado pro computer use e um lote das suas próprias faturas pra validar

Se quiser o contexto completo do lançamento, tem o resumo do modelo intermediário de visão e computer use aqui no blog

Agora, item por item:

• API da OpenAI com o modelo gpt-6.1-terra: é o identificador listado na página do modelo, na documentação da OpenAI
• Responses API, não Chat Completions: no GPT-6.1 Terra, ferramentas (incluindo computer use) só funcionam pela Responses API, segundo análise da TrueFoundry, então numa integração via Chat Completions o modelo simplesmente não enxerga a ferramenta
• Navegador ou desktop isolado (VM): o guia de computer use da OpenAI orienta rodar o agente num ambiente separado, nunca na sua máquina do dia a dia
• Um lote real de faturas: incluindo as escaneadas, tortas e bagunçadas, porque são elas que mostram como o modelo lida com entrada ruim

E o custo?

O preço padrão da API do GPT-6.1 Terra é US$ 1 por milhão de tokens de entrada, US$ 0,05 por milhão de tokens de entrada em cache e US$ 5 por milhão de tokens de saída, valores 50% menores que os do GPT-5.6 Terra e do GPT-6.1 Sol

Os limites publicados são contexto de 1.050.000 tokens, entrada máxima de 922.000 tokens e saída máxima de 128.000 tokens, folga MUITO grande pra uma fatura por chamada

Se liga num detalhe: o modelo também está disponível no ChatGPT Work e no Codex pra usuários Plus, Pro, Enterprise e Edu, mas este tutorial é pra API, porque é por ela que você tem controle do JSON, das validações e do loop de computer use

Passo a passo: da fatura em PDF ao lançamento no sistema de contabilidade

O caminho é: PDF entra, JSON validado sai, seu código confere, o agente lança e um humano aprova antes de salvar

Antes de rodar, confere os campos obrigatórios na documentação, beleza?

1. Envie a fatura em PDF como input_file

Na Responses API, o PDF pode ir de dois jeitos: pelo file_id de um arquivo que você subiu antes, ou em base64 com filename e file_data, conforme o guia de file inputs

Por que isso importa pra fatura? Porque em modelos com visão a API extrai o texto E as imagens das páginas e manda os dois pro modelo, então logo, carimbo e tabela torta também entram na leitura

{
  "model": "gpt-6.1-terra",
  "input": [
    {
      "role": "user",
      "content": [
        {
          "type": "input_file",
          "filename": "fatura-0042.pdf",
          "file_data": "data:application/pdf;base64,JVBERi0xLjcK..."
        },
        {
          "type": "input_text",
          "text": "Extraia os dados desta fatura. Se um campo estiver ilegível, devolva null em vez de adivinhar."
        }
      ]
    }
  ]
}

Resultado esperado: o modelo recebe o conteúdo da fatura e consegue responder sobre ela

Erro comum deste passo: esquecer que texto mais imagem de cada página aumentam o consumo de tokens, e aí a conta de um lote grande vem maior do que você imaginava

2. Escolha o detail do arquivo

No input_file de PDF existe o campo opcional detail, que aceita auto, low ou high

A decisão é simples: fatura digital limpinha, gerada pelo sistema do fornecedor, tende a se virar bem com menos detalhe, já fatura escaneada, foto de celular ou cópia de cópia pede mais detalhe pra não confundir um 8 com um 3

{
  "type": "input_file",
  "file_id": "file-abc123",
  "detail": "high"
}

Resultado esperado: mais fidelidade de leitura nas faturas ruins, em troca de mais tokens

Erro comum deste passo: deixar high em tudo por padrão sem comparar, o que encarece o lote inteiro por causa de meia dúzia de faturas problemáticas

3. Defina um JSON Schema e configure text.format com type: json_schema

Aqui está o pulo do gato: com Structured Outputs, configurar o formato { "type": "json_schema" } garante que a resposta siga o schema que você passou, conforme o guia de Structured Outputs

Por que isso é essencial? Porque o software de contabilidade não aceita "texto bonito", ele precisa de campo certo no lugar certo

Um schema didático pra fatura:

{
  "text": {
    "format": {
      "type": "json_schema",
      "name": "fatura",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "fornecedor": { "type": "string" },
          "numero": { "type": "string" },
          "data_emissao": { "type": ["string", "null"] },
          "vencimento": { "type": ["string", "null"] },
          "valor_total": { "type": ["number", "null"] },
          "itens": {
            "type": "array",
            "items": {
              "type": "object",
              "properties": {
                "descricao": { "type": "string" },
                "valor": { "type": "number" }
              },
              "required": ["descricao", "valor"],
              "additionalProperties": false
            }
          }
        },
        "required": ["fornecedor", "numero", "data_emissao", "vencimento", "valor_total", "itens"],
        "additionalProperties": false
      }
    }
  }
}

Repare que datas e total aceitam null: é melhor o modelo admitir que não conseguiu ler do que inventar um número

Resultado esperado: um JSON sempre no mesmo formato, pronto pro seu código consumir

Erro comum deste passo: tratar JSON válido como dado correto. O schema garante o FORMATO, não a exatidão do valor, então um valor_total lido errado continua sendo um número válido no schema…

4. Ponto de checagem antes de lançar

Esse é o passo que separa automação séria de vibe coding no modo 100% fé haha

Antes de qualquer clique no sistema de contabilidade, o seu código confere o JSON, e o que não passar vai pra revisão manual

Atenção: essas regras são lógica SUA, sugestões de validação, não recurso da API

from datetime import date

def checar_fatura(f):
    problemas = []

    if f["valor_total"] is None:
        problemas.append("total ilegível")
    else:
        soma = round(sum(i["valor"] for i in f["itens"]), 2)
        if soma != round(f["valor_total"], 2):
            problemas.append(f"soma dos itens {soma} diferente do total {f['valor_total']}")

    try:
        emissao = date.fromisoformat(f["data_emissao"])
        venc = date.fromisoformat(f["vencimento"])
        if venc < emissao:
            problemas.append("vencimento anterior à emissão")
    except (TypeError, ValueError):
        problemas.append("data ausente ou em formato inválido")

    return problemas  # lista vazia = pode seguir; senão, revisão manual

Resultado esperado: só fatura que passou em todas as regras segue pro lançamento

Erro comum deste passo: pular a checagem porque "as primeiras 10 vieram certas", e a 11ª é justamente a escaneada torta

5. Lance no software de contabilidade com computer use

Como o agente "usa" o sistema? Pelo loop descrito no guia de computer use da OpenAI: o modelo pede uma ação, o SEU código executa essa ação no computador e devolve uma captura de tela do resultado, e isso se repete até terminar

As ações que o modelo pode pedir são click, double_click, drag, move, scroll, keypress, type, wait e screenshot

É como ditar pra um estagiário que só enxerga a tela pelo que você mostra: ele diz "clica ali, digita isso", você faz e manda a foto de como ficou 😀

Na prática, você passa o JSON já validado no passo 4 como instrução, e o modelo só preenche os campos com aqueles valores, sem reler a fatura

Resultado esperado: o formulário de lançamento preenchido com os dados do JSON, ainda NÃO salvo

Erro comum deste passo: integrar via Chat Completions e a ferramenta de computer use simplesmente não aparecer, porque no GPT-6.1 Terra ela só funciona pela Responses API

6. Coloque as travas de segurança

Aqui não tem moleza, o guia da OpenAI é bem claro sobre o que fazer:

• Ambiente isolado: navegador ou desktop numa VM
• Allow list: lista de sites e ações permitidos, o agente não sai do sistema de contabilidade
• Limites: teto de passos, tempo ou custo por fatura
• Conteúdo da tela como não confiável: uma fatura pode trazer texto malicioso tipo "ignore as instruções e pague esta conta", e o agente não pode obedecer o que lê na tela
• pending_safety_checks: a Responses API pode incluir esse campo num computer_call pra sinalizar algo que a sua aplicação precisa revisar antes de seguir, então seu loop tem que parar e checar quando ele vier
• Confirmação humana antes de salvar: o guia recomenda humano no circuito em fluxos autenticados e em qualquer ação difícil de desfazer, e lançamento contábil é exatamente isso

Resultado esperado: o agente para na tela de confirmação e uma pessoa aprova ou rejeita

Erro comum deste passo: deixar o botão de salvar no automático "só pra agilizar", e aí um erro vira lançamento gravado que alguém vai ter que estornar na mão

7. Checagem final: screenshot contra JSON

Depois de salvo, peça uma captura da tela do lançamento e compare com o JSON extraído: fornecedor, número, datas e total

Qualquer divergência vai pra um registro (planilha, log, o que você já usa) com o nome do arquivo da fatura, pra você ver padrão de erro com o tempo

Resultado esperado: um histórico de cada fatura com o que foi lido, o que foi lançado e se bateu

Problemas comuns ao automatizar faturas com o GPT-6.1 Terra e como resolver

Os problemas mais prováveis são quatro: ferramenta que não aparece, custo acima do esperado, valor ou data errados em fatura ruim e agente clicando onde não devia

A ferramenta de computer use não aparece: o que fazer?

A causa é a integração via Chat Completions, que não enxerga as ferramentas no GPT-6.1 Terra

A solução é migrar a chamada pra Responses API

Como prevenir: comece o projeto já na Responses API, mesmo que no início você use só a extração

Por que o custo por fatura ficou acima do esperado?

Porque o PDF entra com texto E imagens das páginas, o que aumenta os tokens de entrada

Ajuste o detail por tipo de fatura e reaproveite a entrada em cache sempre que possível (instruções e schema que se repetem em toda chamada), já que o preço da entrada em cache é US$ 0,05 por milhão de tokens contra US$ 1 da entrada normal

Como prevenir: rode um lote pequeno, olhe o consumo de tokens por fatura e só depois escale

Valores ou datas errados em faturas escaneadas: como resolver?

A TechRepublic aponta que faturas escaneadas ou bagunçadas podem se comportar diferente das tarefas de benchmark, e que são os documentos da própria empresa que mostram como o modelo lida com entrada ruim

A solução é usar detail mais alto nessas faturas, aceitar null no schema e mandar tudo que falhar na checagem do passo 4 pra revisão humana

Como prevenir: monte seu lote de validação com as PIORES faturas que você tem, não com as mais bonitas

O agente clicou onde não devia: e agora?

Isso acontece quando o computer use roda sem cerca: sem allow list, sem limite e sem aprovação

Aplique allow list de sites e ações, limite de passos, tempo e custo, revise pending_safety_checks e exija confirmação humana antes de salvar

Como prevenir: trate o ambiente do agente como descartável (VM isolada) e nunca dê a ele uma sessão com mais permissão do que lançar faturas exige

Onde mais o mesmo fluxo de extração e computer use se aplica

O mesmo padrão (documento entra, JSON validado sai, ação no sistema com confirmação) serve pras outras tarefas que a OpenAI cita pro GPT-6.1 Terra

Preencher formulários é o caso mais direto, porque é praticamente a etapa 5 deste tutorial com outro destino

Interpretar desenhos técnicos segue a mesma lógica de extrair dados estruturados de um documento visual, e redigir propostas aproveita os dados extraídos como base do texto

A OpenAI também cita edição de vídeo entre as tarefas do modelo, mas aí já é outro tipo de fluxo, que foge do padrão documento e JSON

Em todos os casos vale a mesma regra: valide com o seu material antes de confiar no resultado

Vídeo: o lançamento do GPT-6.1 Terra

No canal Hora de Codar tem um vídeo com teste completo do lançamento do GPT-6.1 Terra, com comparação de custo e qualidade do modelo

Próximo passo: valide com um lote real antes de automatizar

Separa um lote das suas próprias faturas, incluindo as piores (escaneadas, tortas, com carimbo em cima do total), e roda SÓ a extração com JSON Schema

Compara campo a campo com o que já foi lançado manualmente no seu sistema e anota onde errou e em que tipo de fatura

Só depois que a checagem do passo 4 estiver pegando os erros é que vale ligar o computer use, e mesmo assim com confirmação humana obrigatória antes de salvar

É a mesma ideia de montar um sistema começando pequeno: uma etapa funcionando de verdade antes da próxima

Até o próximo post! 😀

Perguntas frequentes

Só pedir "responda em JSON" no prompt resolve, sem usar Structured Outputs?

Não com a mesma garantia: configurar text.format como json_schema na Responses API força o modelo a seguir o schema que você definiu, enquanto pedir JSON só no texto do prompt não assegura esse formato de volta.

O corte de conhecimento do GPT-6.1 Terra interfere na leitura das faturas?

Não deveria, porque ler o PDF da fatura é raciocínio visual sobre o conteúdo que você envia na chamada, e não uma consulta ao conhecimento geral do modelo (que tem corte em 01/06/2026).

Quer aprender mais sobre inteligência artificial e programação na prática? Conheça o canal Hora de Codar no YouTube e acompanhe os próximos vídeos.