Los partes en papel, escaneados o fotografiados suelen terminar en una tarea repetitiva: abrir el documento, localizar la orden, leer horas y cantidades, comprobar un código y volver a escribir los datos en el sistema.
Automatizar esa lectura es posible, pero no conviene presentar el OCR o la IA como una certeza. La escritura manual, la calidad de imagen y los formatos distintos generan dudas que deben quedar visibles.
Prototipo técnico real. Se desarrolló y validó un proceso para partes industriales combinando OCR, tratamiento de imagen, códigos y visión con IA. No se presenta como sustitución completa del trabajo administrativo ni como implantación autónoma sin revisión.
El documento no llega limpio
Una fotografía puede estar inclinada, tener sombras o incluir marcas manuscritas. Un PDF puede contener varias páginas o un código poco legible. Antes de extraer campos se necesita preparar la imagen.
En el prototipo utilizamos herramientas como OpenCV para corregir y localizar zonas, Tesseract para OCR, pyzbar para códigos y un modelo de visión local para interpretar campos cuando la estructura lo requería.
Una cadena de lectura, no una única llamada a IA
El proceso se dividió en pasos comprobables:
- Convertir PDF o imagen a un formato de trabajo consistente.
- Corregir rotación, contraste y ruido cuando fuera necesario.
- Detectar códigos de barras o QR.
- Extraer texto y campos candidatos.
- Comparar los datos con órdenes y operarios existentes.
- Enviar a revisión los valores con baja confianza o conflicto.
Esta arquitectura permite saber dónde falló un documento. Si no se detectó el código, el problema es distinto de haber leído «7,5» como «75».
La revisión humana forma parte del diseño
En vez de pedir a una persona que vuelva a leer todo, la interfaz destaca solo los campos dudosos. Los valores con buena confianza y coherencia aparecen preparados; los demás deben confirmarse antes de integrarse.
Por qué utilizamos un modelo local
La prueba incluyó un modelo de visión ejecutado en infraestructura propia. Esto permitió trabajar sin enviar cada documento a un servicio externo y experimentar con el proceso completo.
Un modelo local también tiene costes: necesita recursos, mantenimiento y evaluación. No se eligió por una supuesta superioridad general, sino porque encajaba con la necesidad de control y con la infraestructura disponible.
Qué se validó y qué sigue pendiente
Se validó la viabilidad de combinar lectura clásica, códigos y visión para preparar campos estructurados y una revisión dirigida. El siguiente paso para una implantación completa sería medir el comportamiento con una muestra representativa, definir umbrales por campo y acordar qué errores nunca pueden pasar automáticamente.
No publicamos una tasa de precisión porque una cifra obtenida con pocos documentos sería engañosa. La precisión debe medirse por tipo de campo y calidad de entrada, no con un porcentaje único.
Qué aprendimos
- La preparación de imagen puede ser tan importante como el modelo.
- Los códigos aportan una referencia más fiable que el texto libre.
- La confianza debe traducirse en una acción: aceptar, revisar o rechazar.
- La IA es útil cuando reduce lectura manual sin ocultar la incertidumbre.
Preguntas frecuentes
¿Puede el sistema leer cualquier formulario?
No con la misma fiabilidad. Los formatos estables y los códigos claros permiten mejores resultados. Si cada documento tiene una estructura distinta, la validación debe ser más exigente.
¿Se eliminan los originales?
No debería. El documento original debe conservarse según las necesidades del proceso para poder revisar, auditar o corregir la extracción.
Este enfoque forma parte de nuestros trabajos de datos e IA aplicada: automatizar donde existe evidencia y mantener revisión donde todavía hay incertidumbre.