Extracción de datos: la primera pieza del control documental
Presupuestos, facturas, BPU, DPGF, contratos marco, listas de precios. Extraer un precio unitario, un descuento, una cantidad, una fecha de vencimiento de un documento que no fue concebido para ser leído por una máquina. Esta etapa es la base silenciosa del control de compras, finanzas y contabilidad. Cuando se hace de forma descuidada, todo lo que sigue (la conciliación, la detección de anomalías, la decisión) resulta incierto.
La mayoría de las organizaciones invierten en herramientas sofisticadas de análisis y de reporting, pero descuidan el eslabón que las alimenta. Ahora bien, un dato mal extraído no produce un análisis degradado: produce un análisis falso, con la misma apariencia de fiabilidad que un análisis correcto. Es precisamente esto lo que hace que la extracción de datos sea a la vez técnica y estratégica.
Extracción de datos: ¿de qué hablamos realmente?
La extracción de datos consiste en transformar un documento no estructurado (un PDF, una hoja de cálculo, un escaneo, un correo electrónico recapitulativo) en información estructurada, explotable y comparable. Concretamente, se trata de identificar en un documento los elementos determinantes (naturaleza de la prestación, cantidades, precios unitarios, descuentos, condiciones de pago, fechas de vencimiento, referencias contractuales) y de restituirlos en una forma lógica, lista para ser cruzada con otras fuentes.
Hay que distinguir la extracción de las etapas vecinas. La captura consiste en recuperar el documento. La clasificación consiste en identificar su tipo (¿es un presupuesto, una factura, un BPU?). La conciliación consiste en comparar los datos extraídos con los documentos de referencia. La extracción es la etapa bisagra entre el documento en bruto y la inteligencia: decide la calidad de todo lo que viene después. Una conciliación perfecta sobre datos mal extraídos sigue siendo una conciliación falsa.
Por qué la extracción es un problema más difícil de lo que parece
La primera intuición consiste en pensar que leer un documento es trivial. Un humano lo hace en unos segundos. Es precisamente eso lo que enmascara la dificultad real del problema a gran escala.
La heterogeneidad de los formatos: no existe ningún estándar legal que imponga la estructura de un presupuesto o de una factura de proveedor. Cada emisor aplica su propia maquetación, sus propias etiquetas, sus propios códigos de artículo. El mismo producto puede aparecer bajo tres denominaciones diferentes según tres proveedores. Un presupuesto puede ser un PDF generado por un ERP, una tabla de Excel maquetada a mano o un simple correo electrónico. Antes de comparar dos documentos, hay que traducirlos por tanto a un lenguaje común, algo que el ojo humano hace sin pensarlo pero que un sistema debe aprender a reproducir de manera fiable y repetible.
La densidad y la variabilidad documental: un BPU (Bordereau de Prix Unitaires) puede contener varios cientos de líneas, cada una con su código, su unidad de medida y su precio. Una DPGF (Décomposition du Prix Global et Forfaitaire) declina su propia lógica en cada contrato. Extraer correctamente cuatrocientas líneas de prestación, sin olvidar ni una sola y sin confundir una cantidad con un importe, supera rápidamente las capacidades de un tratamiento manual atento, sobre todo bajo presión de tiempo.
El dato no estructurado: la mayor parte de la información que circula entre un proveedor y una dirección de compras no está ordenada en casillas nítidas. Está sumergida en texto libre, tablas sin bordes, anotaciones, condiciones particulares expresadas en lenguaje natural. Un descuento puede figurar en una cláusula en lugar de en una columna. Gastos accesorios pueden aparecer bajo una etiqueta que no corresponde a nada en el presupuesto inicial. Extraer no se limita por tanto a copiar cifras: hay que comprender el contexto para saber qué cifra cuenta.
No todos los documentos son iguales: la escala de complejidad
Comprender por qué la extracción resiste a la automatización supone admitir que los documentos no se sitúan todos en el mismo nivel de dificultad. Cuanto más variable es un documento en su forma y más rico en su contenido, más exigente se vuelve la extracción. Se puede representar esta realidad como una escala de complejidad creciente. El contexto general no juega a favor de las empresas: según IDC, cerca del 90 % de los datos de las empresas no están estructurados, un orden de magnitud confirmado por otros actores del sector como Databricks, que los sitúan entre el 80 % y el 90 %.
En el primer nivel se encuentran los documentos simples y estructurados, como un pedido estandarizado o una hoja de cálculo normalizada. Su forma es previsible, su extracción relativamente directa. En el segundo nivel, los documentos semiestructurados (facturas, formularios) ofrecen algunos puntos de referencia de estructura, pero cada emisor declina su propia presentación. En el tercer nivel, los documentos no estructurados (presupuestos en formato libre, listas de precios, estados financieros) mezclan texto y cifras sin lógica común de un proveedor a otro. En la cima, los documentos de muy alta complejidad (contratos marco, BPU, DPGF, CCTP) acumulan cientos de líneas, cláusulas en lenguaje natural y condiciones indexadas.
El punto decisivo para las funciones de compras, finanzas y contabilidad es el siguiente: lo esencial de los documentos que tratan a diario se concentra en la parte alta de esta escala. No son los casos fáciles los que dominan, sino los casos complejos. Es precisamente por esta razón que una extracción pensada para los documentos simples se hunde ante los documentos reales.
Del OCR a la IA agéntica: la larga trayectoria de la extracción documental
La extracción automática de datos no nació con la inteligencia artificial reciente. Sigue una trayectoria larga, en la que cada etapa ha empujado un poco más la rigidez de la plantilla.
Ya en los años 1950, las primeras lecturas ópticas (OCR) convertían documentos mecanografiados en datos de máquina. En los años 1970 aparece el OCR omnifuente, capaz de reconocer caracteres sea cual sea la tipografía. A partir de los años 1980, los algoritmos de visión por ordenador permiten tratar maquetaciones más variadas. En los años 2010 emerge una primera generación de herramientas de tratamiento documental, que superpone interfaces amigables al OCR y empieza a movilizar el machine learning y el procesamiento del lenguaje natural (NLP) para ganar flexibilidad.
El hilo conductor de esta historia es claro: cada generación ha buscado liberarse de la restricción del modelo predefinido, esa fragilidad por la que un simple cambio de maquetación rompe la extracción. La ruptura actual, impulsada por la combinación del NLP, de los modelos de visión (VLM) y de la IA agéntica, prolonga esta trayectoria franqueando un umbral: leer un documento sin plantilla, comprendiendo su contenido en lugar de calcarlo.
Los enfoques clásicos y su techo de cristal
Frente a este desafío, las organizaciones han movilizado históricamente tres recursos, cada uno chocando con el mismo límite.
La entrada manual de datos: sigue siendo la norma en muchos departamentos. Es flexible pero costosa y falible. Entre el 40 % y el 70 % del tiempo de un comprador puede verse absorbido por el tratamiento documental, del cual una parte significativa es reintroducción de datos. Cada entrada es una ocasión de introducir una inexactitud (una referencia mal codificada, un descuento redondeado, un decimal desplazado) que contaminará después todos los análisis posteriores.
El OCR clásico: el reconocimiento óptico de caracteres digitaliza un documento y extrae texto de él. Es una primera etapa útil, pero se detiene en la superficie. El OCR basado en modelos rígidos funciona mientras el documento respeta exactamente la plantilla esperada. El menor cambio de maquetación rompe la extracción. Sobre todo, el OCR lee sin comprender: no sabe que el precio por kilo que acaba de leer debe cotejarse con una lista de precios negociada seis meses antes, ni que una etiqueta diferente remite a la misma prestación. Desplaza el problema hacia una hoja de cálculo, no lo resuelve.
La hoja de cálculo: Excel sigue siendo el refugio universal. Compara celdas y no contextos. No detecta que una línea «manipulación incluida» corresponde a «gastos de envío gratuitos» en otro documento, y un simple error de fórmula se propaga en silencio por todos los cálculos que dependen de él. A bajo volumen, presta servicio. En cuanto el número de documentos y la complejidad de las condiciones aumentan, alcanza sus límites estructurales.
El punto común de estos tres enfoques: tratan la extracción como una operación mecánica, cuando es una operación de interpretación.
El desafío de negocio: lo que una extracción fiable hace ganar realmente
Concentrar la atención en la extracción no es un refinamiento técnico. Es ahí donde se juega una parte concreta del margen.
El tiempo devuelto a los equipos: automatizar la extracción es liberar las horas hoy dedicadas a leer, reintroducir y normalizar documentos. Ese tiempo no es tiempo estratégico: es tiempo de verificación mecánica pagado al precio de un experto. Al recuperarlo, los equipos de compras y finanzas pueden reasignarlo a la negociación, a la relación con el proveedor y al análisis, es decir, a lo que crea realmente valor.
La fiabilidad de las decisiones: Una extracción fiable produce una base de datos comparable. Sin ella, las decisiones de compra estructurantes (renovar un contrato, consolidar volúmenes, renegociar una tabla de precios) se toman sobre datos parciales o reconstituidos a mano. Con ella, cada decisión se apoya en lo que los documentos contienen realmente, y no en lo que se supone que contienen.
La detección posterior: La extracción condiciona mecánicamente la calidad de la detección de desviaciones. Un descuento no extraído es un descuento que nunca será controlado. Una línea de gastos mal interpretada es una desviación que pasará bajo el radar. Ahora bien, los márgenes de error se sitúan entre el 3 % y el 5 %. Es precisamente porque la extracción se fiabiliza en la fase previa que la detección de las desviaciones documentales puede alcanzar una precisión elevada después. Hoy, uno de cada dos documentos de proveedor escapa todavía al control, y la extracción deficiente es a menudo la primera causa.
Conclusión
La extracción de datos es la pieza más discreta del control de compras y finanzas, y sin embargo la que decide todo lo demás. No se ve en los cuadros de mando, no es objeto de proyectos estratégicos dedicados, y es justamente por eso que constituye un punto ciego costoso. Mientras el dato entre en el sistema mediante una entrada manual falible o una digitalización ciega, ninguna herramienta de análisis posterior podrá compensar este defecto de base.
Fiabilizar la extracción es negarse a construir decisiones sobre datos inciertos. Es también la primera condición para recuperar tiempo, asegurar el margen y devolver a los equipos la visibilidad que nunca han tenido sobre lo que sus documentos contienen realmente.
¡Descubre ZYLIO!
