OCR, capa de texto, análisis visual: qué lee de verdad un documento

Cuando cargas un documento das por sentado que se «lee». Pero leer un PDF no es una sola operación: según cómo esté hecho el archivo, hay formas muy distintas de sacarle el texto. Entenderlas ayuda a comprender por qué algunos documentos se procesan en un instante y otros requieren algún segundo más — y por qué algunos proveedores prometen «IA en todas partes» cuando a menudo bastaría con mucho menos.

El documento ya estructurado

El mejor caso de todos. Algunos documentos — sobre todo la factura electrónica — ya son datos: detrás de la apariencia gráfica hay un archivo con los campos etiquetados uno por uno. Aquí no hace falta «leer» nada, basta con interpretar la estructura. Es preciso al 100% y no requiere ningún análisis avanzado.

Muchos PDF «nativos digitales» generados por ERP también tienen metadatos o estructuras repetibles. Un buen motor reconoce estos patrones y no malgasta OCR donde no hace falta.

La capa de texto nativa

Muchos PDF nacen digitales: el texto ya está dentro del archivo, seleccionable y copiable. En estos casos no hace falta «mirar» la imagen, basta con extraer el texto que ya existe. Rápido, fiable, económico. El problema es cuando esa capa falta o está incompleta.

Cuidado con el falso amigo: a veces la capa de texto existe pero está desordenada — el total al final del archivo aparece antes del encabezado en el flujo de extracción. Aquí hace falta inteligencia sobre el diseño, no solo copia del texto en bruto.

El OCR sobre los documentos escaneados

Una factura impresa y luego escaneada, o un recibo fotografiado, es solo una imagen: de texto «de verdad» no hay nada. Aquí entra el OCR, que reconoce los caracteres a partir de los píxeles. Funciona bien, pero es sensible a la calidad del escaneo: torcido, descolorido o de baja resolución complican la vida.

• 300 dpi es un buen mínimo para texto pequeño
• Las tablas estrechas castigan los escaneos torcidos
• Sellos y firmas sobre los números son el caso clásico de revisión

El análisis visual con IA, como último recurso

Cuando el diseño es complejo o el escaneo es realmente difícil, hace falta un nivel más: la IA mira el documento en su conjunto, entiende dónde está cada cosa, interpreta tablas y bloques. Es el arma más potente, pero también la más costosa — por eso tiene sentido usarla solo cuando los demás métodos no bastan.

Los modelos multimodales destacan en documentos «sucios» o nunca vistos. Pero usarlos en cada factura electrónica estructurada sería como usar un jet para ir al bar: rápido, sí, pero el coste no tiene sentido.

La cascada «determinista primero»

La lógica mejor es una cascada: prueba estructura, luego capa de texto, luego OCR, luego análisis visual. Cada documento toma el camino más corto que lo lleva a un resultado correcto. Pagas solo el esfuerzo necesario, y los tiempos medios se mantienen bajos incluso con un 10% de escaneos difíciles.

La regla es sencilla: prueba primero el modo más económico y preciso, y sube de nivel solo si hace falta de verdad.

Qué significa para ti en la práctica

Si tu flujo está compuesto sobre todo por PDF digitales, no hace falta un motor «solo visión». Si recibes muchos albaranes fotografiados desde el almacén, un OCR robusto y la revisión focalizada importan más que la factura electrónica perfecta. Pregunta siempre: ¿cuál es el mix de mis documentos, y cómo el sistema elige el método para cada uno?

LOCRAI sigue esta filosofía: estructura primero, IA cuando hace falta. Menos coste, menos variabilidad, más explicabilidad — y resultados que aguantan cuando el volumen sube.