Análisis documental con inteligencia artificial: cómo extraer datos
Publicado: · Actualizado:
Por Goiko, Founder & AI Solutions CTO de GUGŌ Creative
Análisis documental con inteligencia artificial: cómo extraer datos de facturas, contratos y albaranes, qué técnica usar, cómo validarlos y cuánto cuesta.
El análisis documental con inteligencia artificial consiste en que un sistema lea documentos —facturas, albaranes, contratos, formularios o correos con adjuntos—, identifique de qué tipo son, extraiga los datos que necesitas, como importes, fechas, NIF, partes o líneas de pedido, y los entregue estructurados al ERP, al CRM o a la herramienta que corresponda. Combina OCR, modelos que entienden la maquetación —tablas, columnas, casillas— y modelos de lenguaje que interpretan el texto libre.
Lo que hace fiable la extracción de datos con IA no es el modelo, sino el control: cada campo con su nivel de confianza, reglas que comprueban que los datos cuadran y revisión humana de los casos dudosos antes de que entren en tus sistemas. El mejor punto de partida suelen ser documentos con mucho volumen y estructura repetida, como facturas de proveedor o albaranes; los contratos admiten resúmenes y extracción de cláusulas, pero con revisión de un profesional. Como referencia, automatizar un flujo documental acotado con revisión humana cuesta entre 10.000 y 20.000 €.
A continuación tienes cómo funciona un flujo de extracción, qué técnica encaja con cada documento, cómo validar los datos, ejemplos, riesgos y costes.
Qué es el análisis documental con inteligencia artificial
Bajo esta etiqueta, también llamada procesamiento inteligente de documentos, caben cuatro tareas que conviene no mezclar al plantear un proyecto:
- Clasificar: decidir qué es cada documento —factura, albarán, contrato, reclamación— y a quién le toca.
- Extraer: convertirlo en campos estructurados según un esquema: proveedor, NIF, fecha, base imponible, IVA, total, líneas.
- Consultar: buscar entre miles de documentos y responder citando el párrafo de origen, normalmente con un sistema RAG.
- Resumir y comparar: sintetizar un expediente o señalar qué cambia entre dos versiones de un contrato.
La diferencia con el OCR clásico está en el resultado: el OCR devuelve texto; un sistema de extracción devuelve datos con nombre, tipo y nivel de confianza que otro programa puede usar. La consulta, en cambio, se apoya en búsqueda semántica, explicada en qué es una base de datos vectorial.
Cómo funciona un flujo de extracción de datos con IA
- Entrada: correo, carga manual, escáner, portal de proveedores o API.
- Preparación: OCR para lo escaneado y separación de los PDF que agrupan varios documentos; Google Document AI tiene un divisor específico para eso.
- Clasificación: se identifica el tipo antes de extraer; Azure Document Intelligence usa sus clasificadores personalizados para eso, antes de invocar el modelo de extracción.
- Extracción: se rellenan los campos del esquema de ese tipo de documento.
- Normalización: fechas, importes y monedas a un formato único, y etiquetas equivalentes unificadas; Amazon Textract, por ejemplo, agrupa «bill number», «invoice number» y «receipt number» en un mismo campo.
- Validación: reglas de negocio y cruces con el ERP.
- Revisión humana: una persona revisa lo que no supera la validación o no llega a la confianza mínima.
- Integración y registro: los datos aprobados van al sistema de destino y queda constancia de qué extrajo la máquina y qué corrigió la persona.
Tres familias de técnicas
- OCR y modelos de maquetación. Extraen texto, tablas y estructura, como el modelo Layout de Azure Document Intelligence o el OCR empresarial y el Form Parser de Google Document AI.
- Modelos preentrenados por tipo de documento. Ya saben qué campos tiene una factura o un ticket: los modelos de factura, recibo, contrato o extracto bancario de Azure, la operación AnalyzeExpense de Amazon Textract o los procesadores de facturas y gastos de Google, cuyo Expense Parser admite español.
- Modelos de lenguaje multimodales. Interpretan texto libre y documentos poco estructurados. La documentación de Claude explica que convierte cada página del PDF en imagen y la acompaña del texto extraído, lo que le permite leer tablas y gráficos; Microsoft ofrece analizadores basados en LLM en Azure Content Understanding.
Con un modelo de lenguaje, la extracción se hace contra un esquema: funciones como las Structured Outputs de OpenAI garantizan que la respuesta respeta el JSON Schema que defines. Garantizan el formato, no el contenido: un importe bien formateado puede ser el importe equivocado. Comprueba también el idioma: según la lista de procesadores de Google, la extracción generativa de su Custom Extractor solo admite oficialmente el inglés.
Tabla: tipos de documento, técnica y riesgo
| Documento | Qué se extrae | Técnica habitual | Riesgo principal | Validación mínima |
|---|---|---|---|---|
| Factura de proveedor | Proveedor, NIF, número, fecha, base, IVA, total y líneas | Modelo preentrenado de facturas; modelo de lenguaje para formatos raros | Contabilizar un importe o un proveedor erróneo | Base más cuota igual a total, NIF válido, sin duplicados y cruce con el pedido |
| Ticket de gasto | Comercio, fecha, importe, impuestos y categoría | Modelo preentrenado de recibos o gastos | Gastos duplicados o fuera de política | Límites por categoría y detección de duplicados |
| Albarán | Referencias, cantidades, fecha y receptor | OCR con maquetación y tablas; a veces, manuscrito | Cantidades mal leídas que descuadran el stock | Cruce con el pedido y la recepción en almacén |
| Contrato | Partes, fechas, importes, renovación y cláusulas clave | Modelo de lenguaje con esquema y citas al texto | Pasar por alto o malinterpretar una cláusula | Revisión del profesional responsable, siempre |
| Formulario o solicitud | Campos, casillas y firmas | Extracción de pares clave-valor | Datos personales incompletos o mal asignados | Campos obligatorios y formatos de DNI, IBAN y fechas |
| Correo con adjuntos | Tipo de petición, remitente, adjuntos y urgencia | Clasificación con modelo de lenguaje | Enrutar mal o seguir instrucciones ocultas en el texto | Cola de revisión y ninguna acción sensible automática |
| Documento de identidad | Nombre, número, fechas y validez | Modelos específicos de identidad | Fraude documental y datos sensibles | Revisión humana y guardar solo lo necesario |
Validación y revisión humana: lo que hace fiable la extracción
Un sistema documental se diseña alrededor de los errores: escaneos torcidos, formatos nuevos, sellos encima del importe, anotaciones a mano.
Umbrales de confianza por campo
Según la documentación de Azure, la confianza de un campo es una probabilidad estimada entre 0 y 1: un 0,95 indica que la predicción probablemente es correcta 19 de cada 20 veces, y en escenarios críticos sirve para decidir si se acepta o se envía a revisión. También advierte de que no todos los campos devuelven confianza, así que el umbral no puede ser la única defensa. Fíjalo por campo —un NIF o un total exigen más que una descripción— y calíbralo con documentos ya revisados.
Reglas de negocio y cruces con otros sistemas
Las reglas detectan lo que la confianza no ve. En facturas, el artículo 6 del Reglamento de facturación enumera los datos que debe contener una factura —número y serie, fecha, nombre o razón social, NIF, domicilio, descripción de las operaciones, tipo impositivo y cuota, entre otros—, y sirve como lista para comprobar si falta algo. A eso se suman los cálculos, la detección de duplicados y el cruce con el ERP: que el proveedor exista, que haya pedido y que las cantidades cuadren con el albarán.
Una revisión humana que sea rápida
Revisar no debería significar volver a teclear. Los servicios devuelven la posición de cada dato —Textract incluye coordenadas y confianza por campo—, así que la interfaz puede mostrar el documento con el valor resaltado junto al campo para confirmarlo o corregirlo sin buscarlo. Cada corrección queda registrada: sirve para auditar y para saber qué campos o proveedores fallan más.
Conviene además revisar por muestreo parte de lo aceptado automáticamente. Amazon A2I lo permite, junto con revisiones por umbral o por campos ausentes, pero ya no admite clientes nuevos: en un proyecto nuevo conviene construir la cola de revisión dentro de la aplicación.
La diferencia entre una buena extracción y una mala no está en el modelo, sino en la validación: un sistema que extrae sin comprobar genera más trabajo del que ahorra.
Ejemplos de uso en empresa
Los tres primeros escenarios son hipotéticos e ilustrativos, no casos de clientes; el último es un caso publicado.
Facturas de proveedor en administración
Las facturas llegan a un buzón en PDF. El sistema extrae cabecera y líneas, valida NIF, cálculos y duplicados, y busca el pedido en el ERP. Las que cuadran dentro de una tolerancia se contabilizan; el resto llega a una cola donde contabilidad ve los campos dudosos resaltados. La conexión con el ERP está desarrollada en integración de IA con ERP y CRM.
Albaranes en un almacén
Los albaranes llegan fotografiados desde el muelle, a veces con anotaciones a mano. El sistema lee referencias y cantidades, las compara con el pedido de compra y avisa de las diferencias antes de dar la recepción por buena.
Contratos en compras o en el área legal
El equipo quiere saber qué contratos vencen o se renuevan solos en los próximos meses. Un modelo de lenguaje extrae partes, fechas, importes y cláusulas de renovación con una cita al párrafo de origen, y un abogado valida cada ficha antes de que alimente las alertas. La IA prepara; la decisión sigue siendo del profesional.
Caso publicado: tickets de gasto en Sabbatic
En Sabbatic, una plataforma de gestión de gastos, trabajamos la captura de tickets con visión artificial, la extracción de importe, fecha y proveedor, y una validación semiautomática que pide revisión humana cuando detecta anomalías.
Riesgos: datos personales, seguridad y decisiones automatizadas
Los documentos contienen casi siempre datos personales: nombres, direcciones, cuentas bancarias y, a veces, datos de salud. El RGPD exige que los datos sean adecuados, pertinentes y limitados a lo necesario, y elegir solo encargados del tratamiento que ofrezcan garantías suficientes, papel que cumple el proveedor de OCR o de modelos al que envías los documentos. Extrae solo los campos que vas a usar y revisa dónde se procesan y cuánto se conservan.
Si la extracción alimenta decisiones sobre personas, como aprobar una solicitud o descartar a un candidato, entran en juego el artículo 22 del RGPD, sobre decisiones basadas únicamente en el tratamiento automatizado, y el anexo III del Reglamento de IA, que considera de alto riesgo, entre otros, los sistemas de selección de personal y los que evalúan la solvencia de personas físicas. Ahí el proyecto deja de ser solo de extracción y necesita un análisis jurídico específico.
Hay además un riesgo propio de los modelos de lenguaje: un documento puede contener instrucciones dirigidas al modelo, visibles u ocultas. OWASP lo llama inyección de prompt indirecta y recomienda separar y marcar el contenido no confiable y exigir aprobación humana para las operaciones privilegiadas. Trata los documentos como datos, nunca como órdenes; más detalle en seguridad y privacidad en proyectos de IA.
Cómo empezar un proyecto de análisis documental
- Elige un tipo de documento: el de más volumen y coste manual, con un responsable claro.
- Reúne una muestra real: incluye escaneos malos, formatos poco habituales y documentos de varias páginas.
- Define el esquema y las reglas: qué campos necesitas de verdad, cuáles son críticos y cómo se comprueba cada uno.
- Mide la situación actual: tiempo por documento, errores y retrasos; sin esa línea base no sabrás si compensa. La guía para medir el ROI de un proyecto de IA explica cómo.
- Empieza con revisión completa: al principio una persona lo revisa todo, y la aceptación automática se amplía cuando los datos demuestran que es segura.
- Integra y amplía: conecta con el sistema de destino y añade tipos de documento de uno en uno.
Es la misma lógica que en cualquier automatización administrativa, desarrollada en cómo automatizar el backoffice sin romper operaciones.
Cuánto cuesta automatizar el análisis de documentos con IA
Estos son los rangos de desarrollo de nuestro informe de precios de software e IA 2026:
- Automatización con IA de un flujo acotado —documentos, correos o clasificación con revisión humana—: 10.000-20.000 €, en 4-6 semanas.
- Asistente con RAG para consultar documentos: 10.000-25.000 €, en 4-8 semanas.
- Copiloto interno integrado en CRM, helpdesk o herramientas del equipo, con permisos por rol: 20.000-50.000 €, en 6-12 semanas.
A eso se suman el uso de modelos por API, desde unos 100 € al mes con poco volumen y entre 2.000 y 5.000 € al mes con volumen alto; la infraestructura cloud, entre 50 y 500 € al mes; y el mantenimiento, entre el 15 y el 25 % del coste de desarrollo al año. Los servicios de extracción en la nube cobran según lo que procesas —en Textract, sin cuotas mínimas—, así que calcula ese coste con tu volumen real y la tarifa vigente. Lo que más mueve el precio es la variedad de formatos, la calidad de los escaneos, las integraciones y lo exigente de la validación; el desglose está en cuánto cuesta automatizar procesos con IA.
Preguntas frecuentes
¿Qué es el análisis documental con inteligencia artificial?
Es el uso de IA para clasificar documentos, extraer sus datos en campos estructurados, buscar dentro de ellos y resumirlos. Combina OCR, modelos de maquetación y modelos de lenguaje, y entrega los datos validados al ERP, al CRM o a otro sistema.
¿Qué diferencia hay entre OCR y extracción de datos con IA?
El OCR convierte la imagen en texto. La extracción con IA identifica qué es cada dato —proveedor, fecha, total— y lo devuelve en un campo con su nivel de confianza, listo para validarse e integrarse.
¿Es fiable la extracción automática de datos de facturas?
Lo es cuando cada campo tiene un umbral de confianza, se comprueba con reglas y contra el ERP, y los casos dudosos pasan por una persona antes de contabilizarse. Sin esa validación, ningún modelo es lo bastante fiable para datos contables.
¿Sirve un modelo de lenguaje generalista para extraer datos de documentos?
Sí, sobre todo con documentos poco estructurados, como contratos o correos, si se le pide un esquema definido. Pero un formato correcto no garantiza un dato correcto: necesita la misma validación y revisión que cualquier otra técnica.
¿Qué documentos conviene automatizar primero?
Los de mucho volumen, estructura repetida y validación sencilla, como las facturas de proveedor o los albaranes. Los contratos y los expedientes aportan valor, pero exigen revisión profesional y conviene abordarlos después.