23 de julio de 2026Inteligencia artificial3 min de lectura

De un papel a un dato: cómo funciona la extracción de documentos

Casi todas las empresas tienen su información atrapada en documentos: PDF, escaneos, partes escritos a mano. Sacarla de ahí es hoy uno de los proyectos con mejor retorno, y también uno de los que peor se explican.

Cuando alguien dice «digitalizar documentos» puede estar hablando de dos cosas muy distintas. Una es guardarlos en el ordenador en vez de en un archivador, y eso no sirve para gran cosa: un PDF en una carpeta sigue siendo un papel, solo que sin polvo.

La otra es sacar los datos de dentro para que un programa los pueda usar. Esa es la que cambia el trabajo, y tiene tres capas.

Capa 1: convertir la imagen en texto (OCR)

El reconocimiento óptico de caracteres es la parte más antigua y la más resuelta. Coge una imagen y devuelve las letras. Con un PDF generado por un programa es casi perfecto, porque el texto ya está ahí y solo hay que leerlo.

Donde sufre es con papel: escaneos torcidos, sellos encima del número, fotos con sombra, escritura a mano. Y hay un detalle que se pasa por alto: el OCR devuelve texto sin estructura. Sabe que en la página dice «1.210,00», pero no sabe si eso es el total, la base o un número de albarán.

Capa 2: entender qué es cada dato (extracción)

Aquí está el proyecto de verdad. De un montón de texto suelto hay que decidir qué campo es cada cosa. Y esto se puede hacer de tres maneras, de peor a mejor:

Por posición

«El total está siempre abajo a la derecha». Funciona con un único formato y se rompe con el primer proveedor nuevo o con un escaneo desplazado. Es la que produce más frustración.

Por patrones

«Busca la palabra Total y coge el número que viene después». Aguanta mejor, pero hay que escribir una regla por cada variante y el mantenimiento se hace pesado.

Por modelo entrenado con tu histórico

El sistema aprende de los documentos que ya has procesado. Sabe que este proveedor escribe así, que este concepto va a esa cuenta y que ese importe suele ser de este orden. Es lo que aguanta formatos nuevos, y es donde la inteligencia artificial aporta algo real: no adivina, reconoce lo que ya hiciste antes.

Capa 3: hacer algo con el dato

Un dato extraído que se queda en una pantalla no ha resuelto nada. Tiene que entrar en el sistema, generar el asiento, actualizar el stock, avisar de lo que se sale de lo normal.

Y aquí hay que diseñar lo que casi nunca se diseña: qué pasa con lo dudoso. Si el sistema no está seguro, ¿lo mete y avisa, o lo aparta y espera? Nuestra recomendación es apartar y esperar, siempre. Un dato malo dentro del sistema cuesta mucho más que un documento pendiente en una bandeja.

Qué hace falta para que salga bien

1. Volumen. Si son diez documentos al mes, no merece la pena.
2. Repetición. Los mismos proveedores, los mismos formatos. Es lo que permite aprender.
3. Histórico. Documentos ya procesados con el resultado correcto.
4. Una pantalla de revisión rápida. La que decide si el proyecto sirve. Si revisar cuesta más que teclear, no has ganado nada.

Si tu caso son facturas —el más habitual con diferencia— lo desarrollamos paso a paso en cómo automatizar la entrada de facturas. Y si quieres ver dónde encaja esto entre los demás usos de la IA, está en cuatro usos que ya funcionan.

Preguntas frecuentes