OCR Facturas: Extracción de Datos con IA

Hagamos las cuentas con números ilustrativos. Si tu equipo captura 500 facturas al mes y cada una toma entre 3 y 4 minutos de tecleo, son de 25 a 33 horas mensuales de captura pura. Es el equivalente a una semana de trabajo de una persona, cada mes, dedicada a copiar datos que ya existen en un documento. A eso súmale el tiempo de corregir errores de dedo: un dígito mal tecleado en el total o en el UUID genera retrabajo cuando llega la conciliación.

El costo real no es solo el sueldo de esas horas. Es el cierre de mes que se alarga porque las facturas se capturan en tandas al final. Es el pago duplicado que nadie detecta a tiempo. Es el IVA que no se acredita en el periodo correcto porque la factura llegó tarde al sistema. Y es tu gente de cuentas por pagar haciendo trabajo de capturista en lugar de revisar, negociar con proveedores y cuidar el flujo de efectivo.

La salida habitual es comprar una herramienta genérica de OCR. Funciona bien con el encabezado de facturas limpias y con formatos comunes. Se cae cuando llegan las partidas, los formatos raros de ciertos proveedores o las fotos tomadas con celular. Ahí tu equipo termina revisando todo otra vez, y la herramienta se convierte en un paso extra en lugar de un ahorro.

El encabezado cubre los campos que importan en una operación en México: RFC del emisor y del receptor, folio fiscal o UUID, fecha de emisión, subtotal, IVA, total, moneda y forma de pago. Si tu proceso necesita otros campos, como número de pedido, referencia de pago o centro de costos, los agregamos durante la definición del alcance.

Después están las partidas: cantidad, descripción y precio unitario de cada renglón de la factura. Aquí es donde las herramientas genéricas fallan. Las tablas de partidas cambian de formato entre proveedores, se parten entre páginas, llevan columnas extra o descuentos por renglón. Un extractor a medida se entrena y se valida con los formatos reales de tus proveedores, no con una plantilla universal.

Este tipo de extracción es un problema de machine learning aplicado a documentos. Si quieres entender cómo trabajamos los modelos detrás de estos sistemas, revisa nuestra consultoría en machine learning.

El sistema acepta los formatos en los que tus facturas llegan en la realidad: PDFs nativos generados por el sistema del proveedor, PDFs escaneados de documentos impresos y fotos tomadas con celular. Cada formato tiene una precisión distinta, y el reporte de la muestra te muestra esa diferencia campo por campo.

Cuando tienes el XML del CFDI disponible, lo usamos como fuente complementaria. El XML trae los valores del encabezado de forma exacta, así que sirve para confirmar lo que el OCR leyó del PDF o de la imagen. Muchas empresas reciben el PDF por correo y el XML queda archivado en otra carpeta; parte del proyecto es aprovechar lo que ya tienes sin pedirle a tus proveedores que cambien nada.

Una aclaración importante: este sistema extrae datos de los documentos. No valida facturas ante el SAT ni sustituye ningún proceso fiscal de tu contador. Lo que hace es sacar la información de los papeles y dejarla lista para tu operación.

Cada campo extraído lleva un nivel de confianza. Un UUID leído de un PDF nativo sale con confianza alta. Un total leído de una foto borrosa sale con confianza baja. Tú defines el umbral: por encima, el campo pasa directo; por debajo, cae en la cola de revisión. Así una persona corrige solo los campos dudosos con la imagen original al lado, en segundos, en lugar de capturar la factura entera.

En la práctica, los revisores no miran cada carácter. Revisan lo que rompe en producción: que subtotal más IVA cuadre con el total, que el RFC tenga un formato válido, que el UUID esté completo, que las partidas sumen lo que dice el encabezado. Hemos visto que esas verificaciones cruzadas atrapan la mayoría de los errores antes de que lleguen al sistema contable.

La precisión no se declara, se mide. Tomamos un conjunto de facturas con los valores correctos validados por tu equipo y comparamos campo por campo lo que el sistema extrajo. El resultado es un porcentaje de aciertos por campo, no un número global que esconde dónde falla. Si las partidas salen al 92% y el encabezado al 99%, tú lo ves así y decidimos juntos dónde poner el umbral de revisión.

La salida base es simple: archivos Excel o CSV con una fila por factura y las partidas en su propia tabla, listos para importar donde los necesites. Empezamos con lo que ya usas hoy, sin obligarte a cambiar de sistema.

La conexión directa con tu ERP o sistema contable se evalúa durante la definición del alcance. Depende de qué sistema usas, qué interfaces ofrece y qué reglas de tu operación hay que respetar, como validar contra órdenes de compra o centros de costos. Si la integración directa no tiene sentido en la primera etapa, los archivos de exportación resuelven mientras tanto.

Los datos extraídos también alimentan reportes: gasto por proveedor, por categoría, por mes, sin que nadie vuelva a teclear nada. Si ese frente te interesa, nuestra consultoría de business intelligence convierte esos datos en tableros de gasto, y la consultoría de datos ordena las fuentes para que los números cuadren entre sistemas.

Una factura contiene RFC, montos, relaciones comerciales y datos de tus proveedores. Lo tratamos con ese nivel de cuidado: acceso restringido a las personas que trabajan en tu proyecto, retención definida por escrito y eliminación acordada al terminar cada etapa. El código y los datos son de tu propiedad, del piloto en adelante.

Por eso pedimos algo concreto antes de la muestra: no envíes facturas reales por correo sin cifrar. Escríbenos primero y te damos un canal adecuado para compartir los documentos, con acceso controlado. Si lo prefieres, la muestra puede ser de facturas anonimizadas o de periodos cerrados; lo importante es que representen la variedad de formatos de tus proveedores.

Preferimos decírtelo antes que después: hay documentos que suben la tasa de error de cualquier OCR. Escritura a mano sobre la factura, sellos estampados encima del texto, papeles arrugados o escaneos de baja resolución. También los formatos de proveedores que aparecen una sola vez y no se parecen a ningún otro.

Lo importante es qué pasa con esos casos. No entran al sistema con datos equivocados sin que nadie lo note. Caen en la cola de revisión por confianza baja y una persona los corrige o los captura a mano. El sistema es honesto sobre lo que no sabe, y esa honestidad es lo que hace que puedas confiar en lo que sí procesa automáticamente. Si una parte grande de tu volumen llega en mal estado, el reporte de la muestra lo va a mostrar, y te lo diremos antes de que gastes en un piloto.

El proyecto arranca con lo que ya tienes: tus facturas, tus exportaciones y tus formatos actuales. No necesitas ordenar nada antes de escribirnos. Estas son las etapas:

Si después de la evaluación con la muestra los números no justifican seguir, te lo decimos y te quedas con el reporte. Es información útil para decidir, aunque no trabajemos juntos.