O que quem compra trabalho de PDF realmente pede: medido em 495 anúncios pagos

A maioria das páginas de ferramentas é desenhada da ferramenta para fora: aqui está uma funcionalidade, aqui está quem a pode querer. A direção útil é a inversa, por isso fomos medir os pedidos em si.

O corpus é um conjunto de anúncios freelance recolhidos por este projeto. Ao filtrar os que são uma necessidade real, mostram vontade de pagar e descrevem algo produtizável, restam 495 publicações sobre PDF, digitalizações ou tabelas. Cada número abaixo é uma taxa de correspondência de palavras-chave sobre essas 495 com uma lista de palavras nomeada, pelo que pode ser recalculado e verificado em vez de aceite por confiança.

Os números

• 56 % exigem precisão ou transcrição literal — «exatamente como aparece», «100 % de precisão», «tem de coincidir com o original».
• 54 % pedem que a estrutura ou formatação seja mantida — esquema, quebras de linha, títulos, estilos, ordem das linhas.
• 30 % pedem que as partes ilegíveis sejam assinaladas em vez de adivinhadas.
• 17 % enquadram explicitamente o trabalho como alternativa a reescrever à mão.

Lendo estas quatro linhas em conjunto, a forma da procura fica clara. Não é «extrai a minha tabela». É «reproduz este documento exatamente, mantém a sua estrutura e diz-me onde não conseguiste».

O requisito que aparece em quase todos os anúncios

A frase mais comum neste corpus é uma variante de «a precisão importa mais do que a velocidade». Essa ordem é invulgar em software e merece ser levada à letra: uma saída rápida e errada é pior do que uma lenta e correta, porque o comprador tem de encontrar o erro antes de poder usar o que quer que seja.

…introduzir manualmente todo o texto de cada página PDF num documento Word ou Google, com 100 % de precisão… assinalar quaisquer palavras ilegíveis ou secções pouco claras para que as possa verificar rapidamente.

Repare no que esse anúncio pede na mesma frase: fidelidade perfeita e a lista dos locais onde a fidelidade perfeita não foi atingida. Estes dois pedidos só são contraditórios se assumirmos que a ferramenta deve calar-se sobre a sua própria incerteza. Juntos, descrevem exatamente o comportamento que um extrator fiável deve ter.

Porque «assinala as partes ilegíveis» é o decisivo

Três em cada dez compradores escrevem-no explicitamente. É o requisito que separa uma ferramenta útil de uma perigosa, porque um valor falso e confiante numa folha de cálculo é muito mais difícil de tratar do que uma lacuna visível.

…uma nota breve a assinalar as porções ilegíveis ou pouco claras para que as possa verificar rapidamente. Critérios de aceitação: cada elemento de texto está presente e coincide literalmente com o original; sem caracteres estranhos, linhas vazias ou desvio de formato.

O comprador já percebeu que vai verificar algo. O que quer é que lhe digam que linhas rever, em vez de reler o lote inteiro. É uma promessa mais pequena, mais barata e mais honesta do que «100 % preciso» — e é a que uma máquina consegue cumprir.

Estrutura significa estrutura, não beleza

Quando estes anúncios dizem «mantém o formato», falam da estrutura legível por máquina: que célula pertence a que coluna, células unidas continuam unidas, ordem das linhas preservada, um registo por linha. A palavra «formatação» também abrange tipos de letra e negritos, mas os critérios de aceitação desses mesmos anúncios são quase sempre sobre estrutura e exaustividade.

…uma folha de cálculo totalmente preenchida em Excel ou Google Sheets… uma linha preenchida por relatório… formato uniforme de data, moeda e número… vou verificar a folha final com amostras aleatórias.

Uma folha que parece correta mas cuja célula unida foi achatada na coluna errada falha essa verificação. Uma folha com uma linha que contém um valor não confirmado passa, se esse valor estiver assinalado.

O que isto mudou no que construímos

Duas decisões deste site vêm diretamente da leitura destes anúncios, não de uma lista de funcionalidades.

Primeiro, verificação célula a célula contra o texto original, com as células não confirmadas reportadas individualmente e a entrega inteira marcada como com avisos. O corpus pedia-o em 30 % dos casos; o caso que nos convenceu foi um modelo que transformou em silêncio 循環貸款 em 循環貸款等.

Segundo, uma folha por tabela detetada com a ordem das linhas preservada, em vez de uma única saída achatada. 54 % destes anúncios preocupam-se com a sobrevivência da estrutura, e o achatamento é precisamente a falha que descrevem ao queixar-se das ferramentas.

O que o corpus não diz

É uma amostra de anúncios freelance, enviesada para compradores que já decidiram pagar a uma pessoa. Não diz nada sobre volume, sensibilidade ao preço, nem se estes compradores aceitariam software. O método de palavras-chave também sobreconta: um anúncio que diz «sem ferramentas OCR» conta como menção a OCR, e um que diz «não há tabelas» conta como menção a tabelas. Trate as percentagens como um esboço do que é pedido, não como um tamanho de mercado.

O que estabelece de forma fiável é a ordem dos requisitos. Precisão e estrutura primeiro, assinalar a incerteza em terceiro, e qualquer funcionalidade fora dessas três categorias está totalmente ausente da maioria dos anúncios.