Pasar documentos en papel o imagen a texto con IA

Tienes una carpeta de facturas en papel, un contrato escaneado en PDF que no deja seleccionar ni una palabra, o una foto hecha con el móvil a un albarán medio manuscrito. Y lo quieres en texto editable. La pregunta habitual es cuál es la mejor IA para pasar de imagen a texto, y la respuesta honesta es que la herramienta pesa menos de lo que parece: lo que decide si esto te ahorra tiempo o te lo acaba costando es qué documento tienes, qué vas a hacer con el texto y cuántos documentos son. Este artículo va de resolver la tarea con criterio en una empresa: qué cambia con los modelos multimodales, qué documentos siguen dando guerra, cómo pedirlo, cómo verificarlo y cuándo esto deja de ser una tarea asistida para convertirse en un proceso a automatizar.

Qué significa «la mejor IA» para esta tarea

Cuatro preguntas ordenan la decisión, y ninguna es «cuál es más potente»:

¿Qué tipo de documento es? Un folio impreso, escaneado recto y con buen contraste está en el extremo fácil; una fotocopia de una fotocopia con un sello encima está en el otro; con la misma herramienta el resultado no se parece.

¿Qué necesitas al final? No es lo mismo el texto corrido de un contrato para poder buscarlo que seis campos de cuatrocientas facturas en columnas de una hoja de cálculo: lo segundo es más exigente y se pide de otra forma.

¿Cuántos son y cada cuánto? Diez documentos al mes y dos mil cada semana no son el mismo problema, aunque la tarea se parezca. Volveremos sobre ello al final.

¿Qué contiene? Si aparece el nombre, el NIF o la cuenta de alguien que no eres tú, la elección deja de ser tuya y pasa a ser una decisión de empresa.

Con esas cuatro respuestas, casi todo caso de oficina se resuelve con la herramienta que ya tengáis autorizada. Decidir esto con criterio es lo que trabajamos en la formación en IA para empresas: menos «qué herramienta uso» y más «qué le pido, qué reviso y cuándo esto no es el camino».

OCR clásico y modelos multimodales: qué cambia de verdad

El reconocimiento óptico de caracteres —el OCR de toda la vida— identifica formas en una imagen y devuelve los caracteres que corresponden. Con un documento limpio es muy fiable, pero devuelve texto plano: la disposición visual —que esto era una tabla, que el folio tenía dos columnas— se pierde salvo que la herramienta esté configurada para conservarla.

Lo que aportan los modelos multimodales, que aceptan una imagen como entrada, es otra capa: además de leer los caracteres, interpretan esa disposición. Pueden devolverte una factura con sus campos separados, una tabla mal escaneada convertida en filas y columnas, o un formulario con cada etiqueta junto a su valor. Ahorran la parte más tediosa, que casi nunca era leer las letras sino recolocarlas.

El contrapeso hay que decirlo con la misma claridad. Un OCR clásico, cuando no distingue un carácter, tiende a devolver algo raro o un hueco: el error se ve. Un modelo de lenguaje trabaja proponiendo lo más probable, así que ante una cifra borrosa su inclinación natural es completar con algo verosímil y coherente con el resto del documento. El resultado sale limpio, bien formateado y equivocado a la vez.

Qué documentos salen bien y cuáles dan guerra

Antes de nada, una comprobación que ahorra mucho tiempo: abre el PDF e intenta seleccionar un párrafo. Si puedes, ya contiene texto y no necesitas IA; copia y pega y tendrás una transcripción exacta. El reconocimiento solo hace falta cuando el PDF es, en realidad, una imagen.

Salen bien los documentos impresos con tipografía normal, escaneados rectos y con buen contraste; los formularios de estructura estable; y los textos corridos. Dan guerra:

• El manuscrito. Con letra clara funciona mejor de lo que la gente espera; con letra apretada, tachones o números escritos deprisa es donde más lecturas verosímiles pero falsas aparecen.
• Sellos, firmas y anotaciones encima del texto. Un sello de registro cruzando una fecha es el caso clásico: lo que hay debajo se adivina, y adivinar es lo que no quieres.
• Las tablas complejas: celdas combinadas, cabeceras a dos niveles, subtotales intercalados, columnas sin línea que las separe.
• Los documentos a varias columnas. El problema no es leer, es el orden de lectura: es fácil que mezcle el final de la columna izquierda con el principio de la derecha.
• Los escaneos malos: torcidos, con sombra del móvil encima, página curvada, fotocopia degradada, marca de agua o texto sobre fondo de color.

Nada de esto significa «no se puede»: significa que el tiempo de revisión cambia mucho según el documento, y conviene estimarlo antes de prometer un plazo.

Cómo pedirlo para que el resultado sea usable

La diferencia entre un volcado que hay que rehacer y uno que puedes pegar en una hoja está en la instrucción. Tres cosas no pueden faltar: qué es el documento, qué formato de salida quieres y qué hacer cuando algo no se lee.

«Te adjunto la imagen de una factura de proveedor española. Extrae estos campos en una tabla, una fila por factura: número, fecha de emisión, nombre y NIF del emisor, base imponible, tipo de IVA, cuota y total. Transcribe literalmente lo que pone, sin corregir erratas ni reformatear las cifras. Si un campo no se lee con seguridad, escribe ILEGIBLE y no lo deduzcas del resto del documento. Si no aparece, escribe NO CONSTA. Al final, indica qué campos has marcado como ILEGIBLE.»

Las dos frases que más rendimiento dan son las menos glamurosas: la que prohíbe deducir y la que obliga a marcar lo ilegible. Sin ellas, el modelo hace lo que hace por defecto —una salida completa y coherente— y te quedas sin saber qué se leyó y qué se reconstruyó. Con ellas obtienes algo más útil que una transcripción perfecta: una con sus dudas señaladas, revisable en cinco minutos en lugar de en cuarenta.

Revisa: el formato de salida antes que el contenido. Si has pedido una tabla y te ha devuelto párrafos, o las cifras traen separadores distintos a los de tu hoja, corrige la instrucción y repite; es más rápido que arreglarlo documento a documento.

Este patrón —contexto, campos, formato de salida y regla explícita para lo que no se sabe— sirve para cualquier tarea de oficina, y es el fondo del curso de prompt engineering: la forma de pedir las cosas que evita que el modelo rellene huecos por su cuenta.

Resumir un PDF no es lo mismo que digitalizarlo

Se confunden porque el punto de partida se parece, pero los riesgos no son los mismos. Digitalizar es una transcripción: hay una respuesta correcta y se comprueba carácter a carácter. Resumir es una interpretación, y ahí lo que falla no es un dígito sino una omisión. Si lo que necesitas es esto segundo, el sitio es resumir un PDF y documentos largos con IA; aquí seguimos con el paso previo, que es conseguir un texto fiable del que partir.

Cómo verificar el resultado, que es la parte que nadie cuenta

La regla de fondo: no todos los campos valen lo mismo, así que no todos se revisan igual.

Campos que se revisan siempre, uno a uno: importes, fechas, NIF y CIF, IBAN, números de factura o de expediente, nombres propios y cantidades con su unidad. Ahí un carácter mal leído no produce un texto raro que salte a la vista, sino un dato válido y falso. Ayuda tener presentes las confusiones típicas: el cero y la O, el uno con la ele y la i mayúscula, el cinco con la S, «rn» leída como «m»; y el intercambio de la coma decimal y el punto de miles, que convierte mil doscientos en 1,2 sin que nada parezca roto.

Cuadra los números en lugar de leerlos. Es la comprobación que más errores caza con menos esfuerzo: en facturas, la suma de las líneas tiene que dar la base imponible, y base más cuota el total. Ese cuadre son dos fórmulas en una hoja de cálculo, y lo que no cuadre es la lista exacta de documentos que hay que mirar a mano. En ChatGPT en Excel: fórmulas, tablas y análisis está el método para pedir esas fórmulas y para probarlas antes de fiarte.

No mezcles transcribir con corregir. Si el original tiene una errata, el volcado debe tenerla. En cuanto permites que el modelo «arregle» el documento, pierdes la referencia contra la que comparar, y en algo con valor contable o contractual esa referencia es lo único que te protege. El mismo criterio aplicado a tareas contables está en IA para contabilidad: qué tareas ahorra ChatGPT.

Y desconfía de un volcado impecable: uno sin ningún hueco es más sospechoso que uno con tres celdas marcadas como ilegibles.

Los documentos que digitalizas casi nunca son solo tuyos

Esta es la parte que se salta con más facilidad cuando hay prisa. Lo que en una empresa se digitaliza son, casi por definición, documentos con datos de otras personas: facturas con el NIF de clientes, nóminas, contratos, copias de DNI, expedientes de alumnos. Subir eso a una herramienta de IA es un tratamiento de datos personales del que responde la empresa, y la responsabilidad no cambia porque el documento viniera en papel.

En la práctica, tres cosas. La cuenta importa: una personal gratuita y una corporativa con condiciones contractuales de tratamiento de datos no son intercambiables, aunque la interfaz sea idéntica. La decisión no la toma quien va a hacer la tarea, sino quien lleva la protección de datos. Y con datos de salud, de menores o de categorías especiales el listón sube: ahí la respuesta por defecto es no subir nada hasta tener la vía autorizada por escrito.

El criterio completo está en Qué no compartir nunca con ChatGPT en el trabajo, y conviene resolverlo antes de que alguien digitalice su primera carpeta.

Diez facturas al mes o dos mil: dónde deja de ser una tarea

Todo lo anterior describe una tarea manual asistida: pasas unos documentos por una herramienta, revisas el resultado y lo usas. Para volúmenes pequeños y ocasionales es lo correcto, pero hay un punto en el que deja de tener sentido.

En mi trabajo con datos el criterio que uso es este: si una tarea termina copiándose todos los días sobre miles de filas, probablemente ya no necesitas una fórmula mejor, sino sacar el proceso de ahí y llevarlo a SQL, Python o una capa de datos automatizada. Con la digitalización pasa lo mismo. Digitalizar diez facturas con ayuda de IA es una tarea. Digitalizar dos mil al mes no es esa misma tarea hecha más rápido con un prompt mejor: es un proceso, y necesita construirse como tal.

Las señales de que has cruzado la línea son reconocibles: siempre el mismo documento con el mismo formato, entra a diario, el resultado acaba en el mismo sistema, la revisión ya no cabe en la jornada de nadie y hace falta trazabilidad de quién validó qué. Cuando se juntan tres o cuatro, lo que falta no es pedirlo mejor: falta un flujo con reconocimiento automático, validación contra reglas de negocio, una cola de excepciones e integración con el sistema.

Y eso ya es implantación, no formación: otro tipo de proyecto, con análisis previo, otros plazos y otro riesgo técnico. Esa parte no la abordo desde aquí, la trabajo desde Meridian Data, la consultora de datos e IA desde la que hago los proyectos técnicos. Confundir las dos cosas sale caro en ambas direcciones: montar un flujo automatizado para cuarenta facturas al mes es tirar dinero, y formar a un equipo para que teclee dos mil a mano no arregla nada.

La frontera, además, no la marca el tamaño de la empresa: la marca la repetición. Una asesoría pequeña que recibe seiscientos tíquets al mes está del lado del proceso; una empresa grande que digitaliza un archivo histórico una vez está del lado de la tarea asistida.

Por dónde empezar

Si tu caso es el de la tarea asistida —volúmenes manejables, documentos variados, ninguna intención de montar un sistema—, el camino corto es este: comprueba si el PDF ya tiene texto, pide los campos concretos en el formato en el que los vas a usar, exige que marque lo ilegible en vez de deducirlo, cuadra los números en la hoja y revisa a mano solo lo que no cuadre. Y decide antes de empezar si esos documentos pueden salir de la empresa y hacia qué cuenta.

Eso es lo que se practica con documentos reales en el curso de ChatGPT para empresas, dentro del itinerario de formación en IA para empresas. Si trabajas solo y lo que tienes delante son tus propias facturas, presupuestos y albaranes, el punto de partida es el curso de IA para autónomos. Y si no tienes claro de qué lado de la frontera cae tu caso, reserva media hora y lo miramos con tus documentos antes de que inviertas en la solución equivocada.