Geocodificação errada com confiança alta: o pior tipo de erro de cadastro

Operação de logística carrega 12.000 endereços de PDV pra geocodificar. Manda pra API do Google Maps. Recebe 11.840 resultados (98%) com status: OK. Sente alívio: "só 160 problemas".

Três semanas depois, motoboy chega num condomínio residencial onde o cadastro dizia que ficava uma loja. Mês depois, outro caminhão entrega em endereço de cliente diferente (rua com nome parecido). Auditoria amostral revela: 15-20% dos OK retornaram coordenada errada com confiança alta.

Esse é o pior tipo de erro de cadastro. O óbvio (status: ZERO_RESULTS) você flagga. O errado com confiança alta entra no sistema, é consumido por roteirização, cobrança e operação. Quando aparece, já causou dano.

Por que a API retorna errado com confiança alta

Geocodificação não é "endereço existe ou não". É interpretação probabilística. Cinco causas mecânicas:

1. Endereço incompleto. "Rua das Flores, Centro" sem número e sem cidade. API completa com a "Rua das Flores, Centro" mais provável — pode ser de outra cidade. Retorna OK confiante.

2. Erro de digitação plausível. "Rua Madureira" pode virar "Rua Madureiro". API encontra um "Rua Madureiro" em outro bairro, retorna OK.

3. Cidade ambígua. "São José" no Brasil tem dezenas. Cadastro tem "São José" sem estado. API escolhe a mais popular.

4. Rua renomeada. Cidade renomeou rua há 2 anos. Cadastro tem nome antigo, API só conhece o novo. Faz match aproximado.

5. CEP cobre área grande. CEP genérico (centro de cidade média) cobre 6-8 ruas. API escolhe o ponto central do CEP, não a posição real do PDV.

Em cada caso, a API acerta dentro do que conhece — mas o que conhece não é o que você queria.

Por que confiança alta é pior que erro óbvio

Erro óbvio (ZERO_RESULTS, status de erro) vira flag automático. Sistema separa, humano revisa, decisão é tomada.

Erro com confiança alta entra na operação como se fosse certo. Roteirizador roda em cima, motorista sai com rota, cliente espera entrega que nunca chega. Causa raiz é descoberta semanas depois — quando descoberta.

O problema da IA pura em data quality é exatamente esse: ela inventa com confiança. O usuário não tem como distinguir resposta correta de invenção plausível.

Por que validar com humano não escala

Resposta intuitiva: "vamos revisar humano cada endereço". Inviável:

• 12.000 endereços = milhares de horas de revisão
• Validador humano lendo planilha cansa em 2-3 horas
• Erro de validação humano tem taxa similar à do erro original
• Custo de validação > custo de aceitar erro

Validação humana 100% não é solução. O que muda o jogo é decidir QUAIS endereços validar.

A virada: cruzar fontes com pesos

A regra fundamental: nenhuma fonte sozinha decide.

Pra cada endereço, sistema pergunta a múltiplas fontes:

• Google Maps (geocoder primário)
• OpenStreetMap (geocoder alternativo, base humana)
• Receita Federal (CNPJ ativo, endereço fiscal)
• Correios (CEP, faixa de número)
• Street View (evidência visual: existe loja com fachada compatível?)

Cada fonte responde:

• Coordenada que ela retorna
• Confiança que ela atribui

Sistema então compara as respostas:

• Se todas concordam (mesma coordenada, confiança alta) → alta confiança consolidada, aceita automático
• Se divergem (cada fonte dá lugar diferente) → baixa confiança consolidada, flag pra revisão
• Se conflito específico (Maps diz Rua A, OSM diz Rua B, Street View mostra fachada que casa com B) → resolve via evidência visual

O humano só revisa onde as fontes divergem — tipicamente 5-15% do total. Em 12.000 endereços, isso é 600-1.800 casos manejáveis.

Por que isso só ficou viável em 2026

Cruzar APIs sempre foi possível. O que ficou viável recentemente:

1. Visão computacional honesta. Comparar foto de Street View com cadastro de "Mercadinho Bonsucesso" exigia hardware/modelo dedicado. Hoje, modelo de visão genérico faz, baratíssimo por consulta.

2. Cálculo de confiança consolidada. Múltiplas fontes em paralelo, com pesos, sem código frágil. Ferramentas modernas (LangChain, Vercel AI SDK, modelos com tool use) permitem.

3. Geocoders alternativos abertos. OpenStreetMap melhorou cobertura no Brasil nos últimos 3-5 anos. Hoje é fonte cruzável séria.

Antes de 2024, cruzar 5 fontes pra cada um dos 12k endereços era projeto de meses. Hoje é pipeline em semanas.

O que NÃO resolve

• Mudar de provedor de geocoding. Google Maps, Mapbox, HERE — todos têm o mesmo problema estrutural quando confiança alta = inventou plausível.
• Pagar tier premium. Tier pago melhora SLA, não corrige o "OK confiante errado".
• Cobrar do PDV cadastro completo. PDV pequeno não preenche, vendedor cadastra apressado, problema reaparece.

O que resolve é cruzamento multi-fonte com revisão humana só nas divergências.

Quando vale priorizar

Sinais de que geocodificação errada está pesando:

• Motoboy/caminhão chega endereço inexistente regularmente
• Roteirização gera rota visualmente estranha (cliente em lugar improvável)
• Cobrança volta com "endereço não localizado"
• Cadastro acima de 10k endereços
• Operação capilar nova em região onde dado é fraco

Quando 2+ presentes, geocoding limpo virou pré-requisito operacional.

Próximo passo

Cruzamento multi-fonte de geocoding com confiança consolidada por campo é a forma honesta de evitar que cadastro inventado pela IA vire dor operacional. A FELGOR Vision implementa esse fluxo pra cadastro geográfico em escala. Se quiser ver aplicado no contexto da sua base, agende um diagnóstico de 30 minutos com os fundadores.