Extracción de datos de facturas PDF: métodos, errores frecuentes y cómo evitarlos

La factura PDF es el documento más automatizado — y sin embargo donde los errores cuestan más: un total erróneo se propaga en contabilidad, un código IVA incorrecto en la liquidación, una línea faltante en almacén. Entender métodos de extracción y puntos de rotura típicos evita cambiar data entry manual por data entry «automático» que hay que corregir.

Cuatro enfoques, del más lento al más escalable

• Manual — operador lee y teclea: flexible, no escala, errores humanos
• Plantilla / coordenadas fijas — reglas por proveedor conocido: rápido hasta que cambia el layout
• OCR + reglas — texto extraído y patrones buscados en el flujo: bien en layouts repetibles
• IA / IDP — interpretación de layouts nuevos, tablas y campos semánticos: escala con la variabilidad

PDF nativo vs escaneo: no es la misma factura

Un PDF generado por el ERP del proveedor suele tener text layer o estructura electrónica: la extracción puede ser casi instantánea. Una factura impresa y escaneada es una imagen: hace falta OCR, con todas las limitaciones de DPI y calidad. Un flujo serio detecta el tipo de archivo y elige el método — no trata todo como escaneo.

Errores frecuentes — y por qué ocurren

• Totales — separador decimal (coma vs punto), descuentos al pie, redondeos IVA no alineados con líneas
• NIF y códigos — OCR confunde 0/O, 1/l; campos partidos en dos líneas
• Líneas — tablas con descripciones multilínea, filas partidas en varias páginas, cantidad en columna estrecha
• Duplicados — misma factura por correo y upload, números de protocolo distintos

Automatizar la extracción sin validar totales solo mueve el error del momento de teclear al de registrar en contabilidad.

Qué preguntar antes de automatizar

Traed una muestra representativa: mezcla de proveedores, al menos algunos escaneos, casos «sucios». Preguntad tasa de campos correctos al primer pase, no solo «accuracy» genérica. Verificad controles cruzados: total documento vs suma líneas, tipos IVA admitidos, NIF proveedor en maestro.

Revisión dirigida, no revisar todo

El objetivo no es cero clics humanos en cada archivo, sino cero tecleo repetitivo: el sistema extrae, señala anomalías, el operador interviene solo ahí. Un flujo que obliga a revisar cada campo aporta poco frente al manual.

Para facturas de compra con muchos proveedores, LOCRAI extrae campos y líneas con validación integrada y encola solo excepciones — así medís el ahorro en el tiempo que hoy dedicáis a copiar, no en promesas abstractas.