Leer documentos automáticamente: del reconocimiento al asiento verificado

El lunes hay en el buzón compartido diecisiete facturas en PDF, tres fotos de albaranes hechas con el móvil y un montón de formularios escaneados. Los PDF tienen todos un aspecto distinto, y dos de ellos son a su vez meros escaneos. Alguien de la oficina los abre uno tras otro, lee proveedor, fecha, número de factura, importes y tipo impositivo y los teclea en la contabilidad. Eso cuesta horas y no es la parte en la que se necesita saber hacer algo.

Esta situación de partida está muy extendida en pequeñas empresas, consultas y negocios artesanales. Apenas llama la atención, porque cada factura individual lleva solo unos minutos. Pero sumado, consume un tiempo que falta en otro lugar y genera errores en sitios poco llamativos: cifras intercambiadas, un descuento por pronto pago olvidado, una factura contabilizada dos veces porque llegó una vez por correo postal y otra por correo electrónico.

A ello se suma que el conocimiento depende de una persona. Quien lleva años registrando las facturas recibidas sabe que un determinado proveedor esconde la fecha en el pie de página y que otro pone el número de cliente en grande delante del número de factura. Esa experiencia no está escrita en ningún sitio. Si la persona falta, la búsqueda de errores empieza de cero, y toda automatización tiene que hacer visible ese conocimiento antes de poder reproducirlo.

La idea de dejar esto en manos de un software resulta obvia. En este escenario suponemos que la empresa está dispuesta a ello, pero no quiere confiar a ciegas. Justo ahí empieza la cuestión de fondo: no si un programa puede reconocer texto, sino cómo asegurarse de que solo lo verificado llegue a la contabilidad.

Los sistemas de reconocimiento suelen anunciarse con una única tasa de acierto. En la práctica, esa cifra dice poco, porque no aclara a qué se refiere: a caracteres, a campos o a documentos completos. Un documento con doce campos relevantes solo está bien capturado cuando los doce son correctos. Incluso con una alta precisión por campo, queda una proporción apreciable de documentos con al menos un error.

Más peligroso que el error es el error silencioso. Si un 1 se lee como un 7 o se desplaza una coma, el resultado parece plausible. Nadie lo nota hasta que se ha ordenado el pago o el asesor fiscal pregunta. Una persona también se equivoca al teclear, pero a menudo se da cuenta por el total de que algo no cuadra. Un sistema automático solo lo hace si se le enseña expresamente esa comprobación.

A ello se suman documentos que no encajan en absoluto en el patrón: notas de abono con importes negativos, facturas agrupadas que abarcan varios albaranes, facturas en moneda extranjera, anotaciones manuscritas, sellos sobre las cifras. Y siempre aparecen proveedores nuevos cuyo diseño el sistema nunca ha visto. Una solución seria debe tener para todo ello una vía que no se llame adivinar.

El OCR clásico convierte una imagen en texto, nada más. Entrega caracteres y su posición, pero no comprende cuál de ellos es el número de factura y cuál el número de cliente. Para obtener campos se necesitan reglas o plantillas: buscar a la derecha de la palabra «N.º de factura», tomar el número del recuadro de abajo a la derecha. Eso funciona de forma fiable mientras un proveedor mantenga su diseño y falla en el primer rediseño.

La extracción con IA procede de otra manera. Un modelo considera texto y diseño conjuntamente y asigna los campos según su significado, incluso en diseños que nunca ha visto. Eso ahorra el mantenimiento de plantillas y tolera variantes. El precio es otro tipo de error: el modelo puede entregar valores plausibles pero inventados o intercambiados, y sus decisiones son menos fáciles de seguir que una regla.

La tercera vía suele olvidarse: no leer en absoluto. Desde la implantación de la factura electrónica, muchas facturas llegan como archivo estructurado, por ejemplo en formato XRechnung o ZUGFeRD, cuyos campos se pueden leer directamente. Aquí el reconocimiento es superfluo y la lectura se convierte en una validación de esquema. Por eso una buena vía de entrada pregunta primero si hay datos estructurados y solo después recurre al OCR o a la IA.

No contrapondríamos los métodos, sino que los escalonaríamos. Primero los datos estructurados; para proveedores conocidos con un diseño estable, reglas o plantillas; para todo lo demás, extracción con IA. Cada nivel tiene un carácter de error distinto, y la capa de verificación posterior debe poder manejarlos todos.

Del análisis se deduce una decisión básica: la lectura nunca debe decidir por sí sola sobre un asiento. La extracción ofrece propuestas, una capa propia las verifica, y solo lo que supera ambas sigue automáticamente. Esto es más lento de construir que un script que escribe campos en la contabilidad, pero es la única manera de poder decir después por qué algo pasó.

La alternativa, hacer que una persona revise además cada justificante, parece segura pero apenas ahorra nada. Las personas revisan mal cuando casi todo es correcto: la atención disminuye y el error poco frecuente se cuela. Es mejor dirigir la atención hacia donde el propio sistema tiene dudas o se ha infringido una regla. Una cola de revisión pequeña y bien fundamentada es más eficaz que un gran montón aprobado por inercia.

Otra ponderación afecta al proveedor. Los servicios ya hechos de reconocimiento de justificantes se configuran rápido y aprenden de muchos documentos, pero envían los justificantes a terceros y se adaptan mal a las particularidades. Una solución propia basada en componentes abiertos requiere más esfuerzo, pero da control sobre el flujo de datos, las reglas y los costes. Con documentación sensible, por ejemplo de consultas médicas, el flujo de datos pesa más. Entonces la cuestión del encargo de tratamiento y del lugar de almacenamiento debe plantearse al principio, no al final.

Nuestra recomendación sería empezar en pequeño: con un tipo de documento, normalmente las facturas recibidas, y con los cinco a diez proveedores más frecuentes. Quien construya primero con rigor la cadena de verificación podrá conectar más adelante otros tipos de documento sin reinventar la seguridad.

Un justificante llega por una entrada fija: un buzón, una carga de archivos o una carpeta de escaneo. Ya aquí se le asigna una suma de comprobación del archivo y una primera comprobación de duplicados. A continuación viene el reconocimiento, que elige la vía adecuada según el origen. El resultado no es un asiento contable, sino un registro de datos con campos, los pasajes de texto correspondientes y un valor de confianza por campo.

La validación de campos comprueba primero el formato: ¿la fecha es realmente una fecha?, ¿el IBAN es formalmente válido?, ¿el NIF-IVA tiene el patrón esperado? Después viene la verosimilitud de contenido. ¿La base imponible más el impuesto da el total? ¿El importe del impuesto corresponde al tipo, en Alemania normalmente el 19 o el 7 por ciento? ¿Las partidas suman el importe total? ¿Conocemos al proveedor y su cuenta bancaria coincide con la que teníamos hasta ahora?

Resulta especialmente valioso el cotejo con lo que ya existe en la empresa. Si hay un pedido o un albarán de la factura, las cantidades y los importes deberían coincidir. Si el número de factura de ese proveedor ya apareció antes, hay sospecha de duplicado. Si una cuenta bancaria difiere, es un patrón de fraude clásico y nunca debe ir por la vía automática, ni siquiera con una alta confianza de reconocimiento.

Al final de la cadena hay una decisión con tres resultados posibles: procesar automáticamente, enviar a la cola de revisión o rechazar con motivo. Cada decisión se registra, junto con la regla que la desencadenó. El registro es discreto, pero es lo que permite evaluar el procedimiento después.

Técnicamente, la solución consta de pocos componentes. Un servicio de entrada recibe archivos y los almacena de forma inalterable. Un servicio de reconocimiento entrega los campos, ya sea a partir de la estructura de una factura electrónica, mediante reglas para diseños conocidos o con un modelo que valora texto y posición conjuntamente. Una capa de validación comprueba los resultados y un flujo de trabajo los distribuye. Todas las piezas pueden sustituirse por separado, algo importante dada la rapidez con que evolucionan los modelos.

La confianza es el concepto más delicado. Muchos modelos devuelven para cada campo un valor entre cero y uno, pero solo está calibrado en parte: un valor de 0,9 no significa que nueve de cada diez respuestas sean correctas. Por eso no fijaríamos los umbrales a ojo, sino que los calibraríamos con documentos reales. Se procesa una muestra, se compara con el registro manual y se sitúa el umbral donde empiezan los errores.

Los campos obligatorios, como importe, fecha, número de factura y proveedor, reciben umbrales más estrictos que los secundarios, como el plazo de pago o la referencia. Además, en los importes comprobamos, con independencia de la confianza, si la factura cuadra aritméticamente. Una factura con alta confianza pero con una suma incoherente va a la cola. Una con confianza media y suma coherente, proveedor conocido y pedido correspondiente puede pasar directamente.

La cola de revisión es en sí una interfaz sencilla: a la izquierda el documento, a la derecha los campos reconocidos con los pasajes de texto resaltados y debajo el motivo por el que el documento ha acabado ahí. La persona corrige, confirma y puede proponer una regla, por ejemplo dar de alta un proveedor nuevo. Cada corrección se guarda, porque es la fuente de datos más valiosa para mejorar después.

Los abonos y las anulaciones llevan importes negativos y se refieren a facturas anteriores. Un sistema que solo conoce facturas estándar los contabiliza como entradas. Por eso una regla debe comprobar conjuntamente el tipo de documento y el signo, y vincular el abono con el documento original. Igual de complicadas son las facturas colectivas con varios tipos impositivos: aquí no basta con comprobar un tipo, cada partida debe corresponder a su propio tipo y los subtotales deben sumar el total.

Las fotos hechas con el móvil son un capítulo aparte. Tomas torcidas, sombras y dobleces empeoran cualquier reconocimiento. Ayuda un preprocesado que enderece las páginas, las recorte y valore la calidad. Si la calidad es demasiado baja, el sistema no debería adivinar, sino pedir una nueva captura. Es menos cómodo que un resultado, pero más honesto que una cifra errónea.

En los formularios, como fichas de pacientes o inscripciones, entra en juego la escritura a mano. El reconocimiento de escritura manual es bastante menos fiable que el de texto impreso, y los dígitos en los campos de formulario son especialmente propensos a errores. En esos casos mantendríamos por principio el control de cuatro ojos para los campos sensibles y limitaríamos la automatización a la precumplimentación. Lo mismo vale para los documentos con datos de salud: exigen aclarar con cuidado dónde se almacenan y cómo se tratan antes de que cualquier servicio los vea.

Por último, el idioma: las facturas del extranjero usan otros formatos de fecha, separadores decimales y términos fiscales. Un importe como «1.234,50» significa algo distinto de «1,234.50». Las reglas deben conocer el país de origen y la moneda; de lo contrario surgen errores de un factor mil que incluso parecen coherentes en la comprobación de sumas.

El beneficio de una solución así es verosímil, pero no se puede cuantificar de forma general. Cabe esperar que los documentos rutinarios de proveedores conocidos pasen con poco esfuerzo y que el tiempo por documento disminuya. Cuánto depende de la mezcla de documentos, de la calidad de las plantillas y del número de casos dudosos. Una promesa como «un 80 por ciento menos de trabajo» sería inventada sin los documentos concretos de la empresa.

Se puede medir mucho, y antes de empezar. Se toma una muestra de varios cientos de documentos reales, se registran una vez a mano como referencia y se deja que el sistema lea los mismos. Después se cuentan los errores por campo y por documento, separando los inofensivos de los que tienen consecuencias. Es importante distinguir entre la tasa de documentos totalmente correctos y la tasa de errores que pasaron inadvertidos.

En el funcionamiento se añaden indicadores continuos: porcentaje de documentos procesados automáticamente, porcentaje que pasa a la cola de revisión, tiempo hasta la aprobación, porcentaje de campos corregidos en la cola y la muestra aleatoria de la vía automática. El último indicador es el más honesto, porque mide lo que el sistema consideró correcto y no lo era. Extraer cada mes veinte o treinta documentos procesados automáticamente basta para una primera imagen.

No se puede prometer la ausencia de errores. Incluso una buena cadena deja pasar de vez en cuando un documento erróneo, y la responsabilidad de la contabilidad sigue siendo de la empresa. Tampoco se puede decir de antemano con qué rapidez se amortiza la inversión. Tiene sentido una fase piloto con un criterio de interrupción claro: si tras la calibración la tasa de errores en la vía automática sigue por encima del límite acordado, se baja el umbral y se prevé más trabajo humano.

Con el reconocimiento, un documento no está terminado: también debe poder encontrarse y permanecer inalterado durante años. El original debe archivarse vinculado a los datos extraídos y al registro de decisiones, no solo el asiento contable. Quien deba atender más tarde una inspección fiscal o una consulta quiere ver el documento y entender cómo se contabilizó. Un renombrado según reglas claras y un archivo con protección contra escritura ayudan más que un producto de archivo complicado.

A modo de orientación: en Alemania rigen para los justificantes contables y las cartas comerciales plazos legales de conservación de varios años, a menudo de entre seis y diez años según el tipo de documento, y existen requisitos de inalterabilidad y trazabilidad. Los plazos se han modificado en el pasado. Esto no es asesoramiento jurídico. Aclare la configuración concreta, incluido si el original en papel puede eliminarse tras el escaneo, con su asesoría fiscal.

Tres experiencias son las que más alcance tienen. Primero, la calidad de la entrada decide más que la elección del modelo: una vía fija de buzón y escaneo, PDF limpios y pedir a los proveedores facturas electrónicas mejoran todo lo posterior. Segundo, la capa de validación es el verdadero valor, porque los modelos cambian y las reglas permanecen. Tercero, las correcciones de la cola no son una molestia, sino material de entrenamiento para reglas, listas de proveedores y umbrales.

También forma parte del panorama lo que no debería automatizarse. Las aprobaciones de pagos, los cambios en datos maestros como las cuentas bancarias y la decisión ante cuestiones fiscales poco claras siguen en manos de personas. La automatización prepara, documenta y avisa, pero no asume responsabilidad. Quien traza este límite de forma explícita construye un sistema en el que el equipo confía porque conoce sus límites.

Leer documentos automáticamente compensa cuando llegan con regularidad muchos documentos similares y su registro consume un tiempo que estaría mejor empleado en otra parte. Lo decisivo no es la técnica de reconocimiento, sino la cadena posterior: reglas de validación, confianza, una cola para los casos dudosos y un registro. Con esta cadena, un error es un suceso visible; sin ella, un daño silencioso.

El siguiente paso es pequeño y no cuesta más que algo de tiempo. Reúna cien documentos aleatorios de los últimos meses, clasifíquelos a grandes rasgos por proveedor y formato y anote cuántos de ellos ya existen de forma estructurada. Este recuento muestra dónde compensa automatizar y qué casos especiales cabe esperar. Sobre esa base puede esbozarse un piloto con un plan de medición claro.

Prevea tiempo para la referencia. El registro manual de la muestra parece un rodeo, pero es el cimiento de cualquier afirmación posterior: sin valores correctos conocidos no se puede fijar un umbral ni afirmar una tasa de error. Quien ahorra aquí acaba con un sistema cuya fiabilidad nadie puede demostrar, tampoco el proveedor.

Con gusto revisamos esta muestra con usted y le decimos con claridad si merece la pena un piloto o si basta, como primer paso, con una vía de entrada ordenada y facturas electrónicas. También eso puede ser el mejor resultado: menos tecnología, menos errores.