OCR o LLM para extraer datos de documentos: cuál necesitas (y por qué el híbrido gana)

Llega el mismo correo casi cada semana: «recibimos miles de documentos al mes y los estamos picando a mano; ¿lo hacemos con OCR o con IA?». Suena a pregunta técnica y en realidad es una pregunta de compras: alguien tiene dos presupuestos sobre la mesa, uno barato y predecible y otro flexible y caro, y quiere que le digan cuál. La respuesta honesta incomoda un poco: la elección no la manda la tecnología. La manda la forma de tus documentos.

La tesis en una frase: esto no va de «IA sí o no». Va de plantilla estable frente a formato caótico, y quien decide al final es el coste por documento. Si tus documentos siempre tienen la misma forma, el OCR clásico es más barato, determinista y auditable. Si cada uno llega como le da la gana, un LLM multimodal lee lo que sea sin plantilla —y te lo cobra en cada página—. Por eso en producción casi nunca gana uno de los dos en solitario: gana el híbrido.

OCR o LLM para extraer datos de documentos: qué hace exactamente cada uno

OCR clásico convierte la imagen en texto y, por encima, una capa de reglas decide qué texto es qué campo: el número de factura vive en el recuadro de arriba a la derecha, el total es lo que sigue a la palabra TOTAL. La inteligencia no está en leer: está en la plantilla. Le das una zona o un patrón y, ante la misma entrada, te devuelve siempre exactamente lo mismo.

Un LLM multimodal no lee zonas: mira la página entera —texto, tablas, sellos, una anotación a mano, la foto torcida hecha con el móvil— y te devuelve los campos que le pides porque entiende qué es una factura, un albarán o un contrato. No hay plantilla que mantener. Tampoco hay garantía de que dos ejecuciones sobre el mismo documento devuelvan carácter por carácter lo mismo.

La diferencia que importa no es cuál de los dos es más listo. Es qué pasa el martes que un proveedor rediseña su factura sin avisar a nadie.

El OCR clásico falla cuando le cambias la forma. El LLM falla cuando el documento es ambiguo y rellena el hueco con algo verosímil. Dos modos de fallo distintos, dos redes de seguridad distintas. Lo que ninguno de los dos hace por su cuenta es avisarte de que ha fallado: esa parte la montas tú o no existe.

Cuándo elegir OCR clásico con plantilla

Elige OCR clásico cuando el documento siempre tiene la misma forma y esa forma no depende de nadie de fuera. Es el caso de lo que genera tu propio sistema y el de un puñado corto de emisores estables: el mismo albarán del mismo transportista, el mismo formulario que rellenan tus clientes, el extracto del mismo banco mes tras mes.

• El volumen es alto y la lista de formatos es corta. Pocos emisores, muchos documentos: la plantilla se amortiza cada día que pasa.
• Necesitas el mismo resultado siempre. Un proceso que se audita o que dispara un pago no puede depender de que hoy salga igual que ayer.
• Tienes que explicar de dónde salió cada campo. Con reglas señalas la zona y el patrón; con un modelo señalas una explicación en prosa, que no es lo mismo delante de un auditor.
• El coste por documento tiene que ser plano. Si el año que viene multiplicas el volumen, un coste que crece por página se nota mucho antes de lo que crees.

El precio de esta opción se paga en mantenimiento y no aparece en la factura del software: cada emisor nuevo es una plantilla nueva y cada rediseño ajeno es una plantilla rota. Si tu lista de emisores crece sola, no estás comprando una tecnología barata: estás creando un puesto de trabajo fijo para alguien.

Cuándo elegir un LLM multimodal

Elige LLM cuando la forma es el problema. Documentos de cientos de emisores distintos, contratos donde el dato importante vive en una cláusula que cada despacho redacta a su manera, correos con adjuntos que llegan en PDF, en foto y a veces reenviados tres veces. Ahí una plantilla no es cara: es imposible.

• Cada documento viene de un sitio distinto. El coste de mantener una plantilla por emisor supera al de leer con modelo, y encima nunca termina.
• El campo no es una zona, es una idea. «¿Hay penalización por retraso?» no está en una casilla: hay que entender el texto para contestarlo.
• El volumen es bajo o irregular. Con pocos documentos al mes, montar y mantener plantillas es un proyecto que no se amortiza nunca.
• Estás explorando. Antes de industrializar nada, un modelo te dice en una semana qué campos son extraíbles de verdad y cuáles se te resisten. Es el reconocimiento del terreno más barato que existe.

El precio aquí es el opuesto: pagas por documento, cada mes, para siempre, y pagas además la validación. Un modelo que devuelve un IBAN casi correcto es peor que uno que no devuelve nada, porque el «casi» pasa limpiamente todos los filtros que solo miran si el campo está relleno.

Por qué en producción gana el híbrido

En cuanto un sistema de este tipo lleva unos meses vivo, casi todos acaban en la misma arquitectura: unos porque la diseñaron así y otros porque llegaron a ella a golpes. No es un empate tibio entre dos opciones. Es la única forma de tener a la vez el coste del OCR y la cobertura del modelo.

1. Clasificar primero. Antes de extraer nada, el sistema decide qué tipo de documento es y de quién viene. Ese paso es barato y condiciona todo lo demás: es exactamente el trabajo de clasificar los documentos que entran.
2. El grueso conocido, por la vía barata. Si el documento encaja con una plantilla que ya tienes, se extrae con reglas. Es la mayor parte del volumen y cuesta casi lo mismo procesar mil que dos mil.
3. Lo raro, al modelo. Emisor nuevo, formato que no encaja, escaneo malo: ahí entra el LLM, que no necesita haber visto antes ese documento. Pagas el precio alto solo por la cola, no por el catálogo entero.
4. Comprobación semántica cruzada. El modelo también sirve para revisar lo que sacaron las reglas: ¿la suma de las líneas cuadra con el total?, ¿el vencimiento es posterior a la emisión?, ¿ese proveedor existe en tu maestro? Son errores que una plantilla nunca detecta, porque leyó perfectamente un dato equivocado.
5. Una regla de confianza que decide quién mira. Cada campo sale con una puntuación; por debajo del umbral, el documento va a una bandeja de revisión en vez de entrar al ERP. Ese umbral es una palanca de negocio, no un detalle técnico: subirlo cuesta horas de persona, bajarlo cuesta errores que aparecen tarde.
6. Todo lo que corrige una persona vuelve al sistema. Una corrección repetida sobre el mismo emisor es la señal de que ese emisor ya merece su plantilla. Así el híbrido se abarata solo: la cola cara se va convirtiendo en volumen barato.

Este es el patrón de fondo de cualquier proceso automatizado de punta a punta con IA: el camino feliz por la vía más barata, la excepción por la vía más capaz y una puerta explícita hacia el humano. En extracción documental se ve con una claridad casi brutal, porque el coste por documento lo pone todo negro sobre blanco.

Qué cuesta de verdad leer un documento

La línea del presupuesto es la parte pequeña. El coste real de un sistema de extracción se reparte en cinco sitios y solo uno de ellos aparece en la propuesta del proveedor:

• Proceso. Lo que cuesta pasar el documento por el motor. Plano en OCR, proporcional a páginas y longitud en LLM.
• Mantenimiento del formato. Plantillas nuevas y plantillas rotas. Prácticamente cero con modelo; crece con tu lista de emisores con reglas.
• Revisión humana. Lo que pagas por cada documento que alguien tiene que mirar. Suele ser la partida más grande y casi nunca está en la comparativa que te enseñan.
• Reproceso. Documentos que hay que volver a pasar porque llegaron cortados, se subieron dos veces o el lote se cayó a la mitad.
• El error que se cuela. Un importe mal leído que llega a contabilidad no se paga en euros de software: se paga en un pago duplicado, en una devolución o en un cierre que se retrasa. Es el más caro y el único que no tiene línea propia en ningún presupuesto.

Antes de firmar nada, pon esas cinco partidas en la misma hoja para los dos escenarios, con tu volumen real y tu mezcla de emisores. Es el mismo ejercicio que calcular el ROI de una automatización con IA: si el ahorro solo aparece cuando ignoras la revisión humana, el ahorro no existe.

Cómo se mide la calidad: exactitud por campo, no «precisión» global

Aquí es donde se cuela la mitad de los proyectos. Un proveedor te enseña una cifra de precisión global y esa cifra no significa nada, porque promedia campos que no valen lo mismo. Leer mal el nombre comercial del proveedor es una molestia; leer mal el importe es dinero mal movido. Un único número los mezcla y te tranquiliza justo en el sitio donde deberías estar nervioso.

La medición que sirve se hace así:

1. Un número por campo, no uno para todo. Exactitud de importe, de fecha, de identificador fiscal, de número de documento. Cada uno con su propio listón, según lo que cuesta equivocarse en él.
2. Coincidencia exacta, no parecido. En un IBAN o un NIF, «casi» es incorrecto. Se compara carácter por carácter contra un conjunto de documentos etiquetados a mano por alguien de tu equipo, no contra la demo del proveedor.
3. Separa «no lo sé» de «me lo invento». Un campo vacío es un caso de revisión; un campo relleno y falso es un incidente. Un sistema que se calla cuando duda vale más que uno que siempre responde.
4. Mide también por emisor. El promedio esconde al proveedor cuyo formato lleva tres semanas rompiéndose sin que nadie lo note.
5. Vuelve a medir cuando cambie algo. Modelo nuevo, versión nueva del proveedor, plantilla tocada: se repasa el mismo conjunto de prueba. Sin eso no sabes si has mejorado o si has arreglado una cosa y roto otra.

Con esos números en la mano la conversación cambia de tono: dejas de comparar demos y empiezas a comparar resultados sobre tus documentos, que es lo único que vas a usar.

Qué hacer con la revisión humana

La revisión humana no es el fracaso de la automatización: es la pieza que la hace desplegable. El error está en cómo se monta. Poner a una persona a revisar el cien por cien de lo que sale es haber cambiado teclear por leer, y leer pantallas llenas de datos correctos es una tarea en la que el ser humano es malísimo: a los veinte minutos se aprueba todo sin mirar y el control existe solo en el organigrama.

Lo que funciona es lo contrario: que el sistema decida a quién enseña qué. A la persona solo le llega lo que el umbral de confianza marca como dudoso, lo que supera cierto importe y lo que viene de un emisor nunca visto. Y le llega con el campo señalado sobre la imagen, no como un formulario en blanco que hay que rellenar mirando el PDF al lado. Es exactamente el argumento de humano en el bucle en una automatización con IA: el valor no está en supervisar, está en decidir qué se supervisa.

Cuándo no merece la pena automatizar esto

Hay casos en los que la respuesta correcta es no hacerlo, y decirlo en voz alta ahorra proyectos enteros:

• Volumen bajo y estable. Si el trabajo cabe en un rato a la semana, el proyecto —integración, pruebas, mantenimiento— cuesta más que el problema. No lo automatices: documéntalo y sigue.
• Documentos que ya llegan estructurados. Si el emisor puede mandarte el mismo dato por API, en XML o como factura electrónica, leer un PDF es autolesión. Pide el dato bien antes de construir un lector.
• Nadie sabe cuál es el resultado correcto. Si tu propio equipo discute qué es «la fecha» de un documento, ninguna tecnología va a zanjar esa discusión. Primero se decide, después se automatiza.
• El documento dispara algo irreversible. Extraer para proponer, sí. Extraer para ejecutar sin revisión un pago, una baja o una resolución, todavía no.
• Los documentos vienen mal desde el origen. Fotos cortadas, escaneos ilegibles, páginas del revés. Arreglar la captura suele dar más resultado que cualquier modelo, y cuesta bastante menos.

Ese filtro es el mismo que se aplica al decidir qué procesos automatizar con IA: repetitivo, con entrada digital, con criterio de acierto definido y con alguien que se hace responsable del resultado. Si falta el cuarto, no tienes un proyecto: tienes un experimento con presupuesto.

La decisión, en tres preguntas

1. ¿Cuántos emisores distintos generan la mayor parte de mis documentos? Si son pocos y estables, empieza por plantillas. Si son muchos y cambiantes, empieza por modelo.
2. ¿Qué me cuesta un campo mal leído que nadie detecta? Si la respuesta es «un pago duplicado», tu umbral de confianza va alto y tu revisión humana no es opcional.
3. ¿Puedo etiquetar a mano cien documentos reales esta semana? Si no puedes, no puedes medir; y sin medir, elegir entre OCR y LLM es expresar una preferencia, no tomar una decisión.

La pregunta con la que llegaste —«¿OCR o LLM?»— es la pregunta de un catálogo, no la de tu operación. La tuya es otra: qué parte de mis documentos tiene forma estable, qué parte no, y cuánto me cuesta cada una. Contestada esa, el diseño se cae solo: reglas para lo conocido, modelo para lo raro, un número de confianza que decide cuándo entra una persona y un contador que te dice si la cola cara está encogiendo. Lo demás es elegir logotipo.