Extraer datos de facturas con IA: cómo leer documentos

En resumen: Extraer datos de facturas con IA consiste en que un modelo de lenguaje con visión lea el documento, aunque cada proveedor use un formato distinto, y devuelva campos como NIT, fecha, valores y productos. Sirve cuando hay volumen y formatos variados. Lo importante no es la lectura sino el control: validaciones automáticas, revisión humana de los casos dudosos y muestreo.

Si en tu empresa alguien pasa horas copiando datos de facturas, órdenes de compra o formularios a un sistema, conoces el problema: es lento, aburrido y los errores aparecen semanas después, cuando una cuenta no cuadra. Leer documentos es una de las tareas donde la inteligencia artificial ya es útil de verdad. Aquí va cómo funciona, qué se puede esperar y dónde están los límites.

¿Qué es la extracción de datos de documentos con IA?

La extracción de datos con IA es convertir un documento (un PDF, una foto, un escaneo) en datos estructurados que un sistema puede usar: campos con nombre y valor, listos para registrar. En lugar de que una persona lea "Total a pagar: $1.250.000" y lo digite, el sistema lo lee y lo deja en la columna correcta.

También se le llama procesamiento inteligente de documentos. El objetivo no es digitalizar documentos en el sentido de escanearlos y archivarlos, sino entenderlos y aprovechar lo que dicen.

¿En qué se diferencia del OCR clásico?

El OCR clásico convierte una imagen en texto; un modelo de lenguaje con visión, además, entiende qué significa cada parte de ese texto. Esa diferencia es la que cambia el resultado cuando los documentos vienen en formatos distintos.

Aspecto	OCR clásico	Modelo de lenguaje con visión
Qué entrega	El texto que ve, en bloque	Campos con significado: proveedor, total, fecha
Formatos distintos	Necesita una plantilla por formato	Suele adaptarse a formatos que no ha visto
Tablas de productos	Suele desordenarlas	Las interpreta como filas y columnas
Letra a mano o mala calidad	Falla con frecuencia	Le va mejor, pero también falla
Costo por documento	Bajo	Mayor, con pago por uso
Riesgo típico	No leer un dato	Leer mal o inventar un dato con seguridad

La última fila es la que más importa. El OCR, cuando falla, suele dejar un campo vacío o con caracteres raros, y eso se nota. Un modelo de lenguaje puede devolver un valor que parece correcto y no lo es. Por eso el flujo tiene que incluir validaciones, no solo lectura.

En la práctica, muchos flujos combinan las dos cosas: OCR para obtener el texto y un modelo de lenguaje para interpretarlo, o directamente un modelo que recibe la imagen. Los modelos detrás de ChatGPT, Claude o Gemini se pueden usar así, a través de su API, dentro de un proceso automático.

¿Cómo es el flujo típico para leer facturas con IA?

Un flujo bien diseñado tiene cinco pasos, y la IA participa solo en uno de ellos.

1. Recepción. Los documentos llegan a un buzón de correo dedicado o a una carpeta compartida. El sistema los detecta solo; nadie tiene que reenviarlos.
2. Extracción. El modelo lee el documento y devuelve los campos definidos, siempre en el mismo formato.
3. Validación con reglas. Un programa, no la IA, comprueba que la información tenga sentido: que subtotal más impuestos dé el total, que el NIT esté en tu lista de proveedores, que la fecha no sea futura, que la factura no esté repetida.
4. Revisión humana de los dudosos. Lo que no pasa las validaciones va a una bandeja donde una persona ve el documento al lado de los datos extraídos y corrige.
5. Registro. Los datos aprobados pasan al sistema contable, al ERP o a la hoja de cálculo, con el documento original adjunto para auditoría.

El paso 3 es el que convierte un experimento en algo confiable. Sin validaciones, cada dato extraído es una apuesta. Si el flujo tiene que conectarse con tu software contable o tu ERP, en integrar las herramientas que ya usas explicamos las opciones.

¿Qué datos se pueden extraer de una factura?

De una factura se puede extraer prácticamente todo lo que una persona lee en ella. Los campos más comunes son:

• Datos del emisor: razón social, NIT, dirección.
• Número de factura, fecha de emisión y fecha de vencimiento.
• Subtotal, impuestos, retenciones si aparecen, y total.
• Detalle de productos o servicios: descripción, cantidad, valor unitario y valor por línea.
• Condiciones de pago, número de la orden de compra relacionada y observaciones.

Lo que conviene definir desde el comienzo es qué campos necesita de verdad tu proceso. Extraer todo por si acaso aumenta el costo y los puntos de revisión. Si contabilidad solo necesita proveedor, número, fecha y valores, empieza por ahí.

Un caso aparte: la factura electrónica

En Colombia, la factura electrónica no es solo un PDF: se genera como un archivo estructurado (XML) que normalmente llega acompañado de su representación gráfica. Si recibes ese archivo, muchas veces conviene leerlo directamente en lugar del PDF, porque los datos ya vienen ordenados y no hay nada que interpretar.

La IA aporta más en lo que no llega estructurado: cuentas de cobro, facturas de proveedores del exterior, remisiones, soportes escaneados. Verifica con tu contador o con tu proveedor de facturación cómo te están llegando hoy esos archivos.

¿Qué tan precisa es la IA leyendo documentos?

La precisión depende del documento, no solo del modelo. Con PDF digitales limpios suele ser alta; con fotos borrosas, sellos encima o letra a mano baja bastante. Como no hay una cifra universal, lo correcto es medirla con tus propios documentos antes de confiar en ella.

Hay tres formas de controlarla:

• Validaciones cruzadas. Todo lo que se pueda comprobar con aritmética o con tus datos maestros se comprueba: totales que cuadren, NIT que exista, orden de compra que coincida con la factura.
• Umbrales. Se define qué pasa directo y qué va a revisión. Por ejemplo: facturas por encima de cierto valor, de proveedores nuevos o con alguna validación fallida siempre las mira una persona.
• Muestreo. Aunque todo pase las reglas, alguien revisa una muestra al azar cada semana. Así detectas errores que ninguna regla atrapó y sabes si la calidad se mantiene.

Supón una distribuidora que recibe 400 facturas de proveedores al mes, y una persona tarda en promedio 4 minutos en digitar cada una: son unas 27 horas al mes. Si la hora de esa persona le cuesta a la empresa, por ejemplo, 25.000 pesos, hablamos de unos 675.000 pesos al mes solo en transcripción. Con el flujo automático, esa persona pasa de digitar a revisar los dudosos y una muestra. Cuánto se ahorra depende de cuántos documentos caen a revisión, y eso solo se sabe probando. Para convertir esas horas en una decisión, sirve la guía de cómo calcular el retorno de una automatización.

¿Qué otros documentos se pueden procesar con IA?

El mismo esquema sirve para cualquier documento que hoy alguien lee y transcribe. Los casos más frecuentes:

• Órdenes de compra de clientes que llegan en PDF, cada una con el formato de su empresa, para crear el pedido en tu sistema.
• Remisiones y guías de despacho, para comparar lo que se envió con lo que se facturó.
• Hojas de vida, para pasar experiencia, estudios y datos de contacto a una tabla comparable. La decisión de a quién entrevistar la toma una persona.
• Formularios escaneados de clientes o proveedores: vinculación, garantías, encuestas en papel.
• Contratos, para extraer fechas, valores, plazos y cláusulas de renovación, y generar alertas antes de que venzan.

Cuando el proceso va en la dirección contraria, es decir, generar documentos en lugar de leerlos, el tema es otro. Lo tratamos en automatizar cotizaciones, contratos y reportes.

¿Cuándo no conviene automatizar la lectura de documentos?

No conviene cuando el volumen es muy bajo, cuando los documentos son ilegibles o cuando ya existe una fuente estructurada con los mismos datos.

• Volumen muy bajo. Si llegan 15 facturas al mes, digitarlas toma alrededor de una hora. Montar y mantener el flujo no se paga.
• Documentos ilegibles. Fotos oscuras, papel térmico borrado, letra difícil. Si una persona tiene que adivinar, la IA también, y lo hará con más seguridad de la que debería.
• Los datos ya existen estructurados. El XML de la factura electrónica, un portal del proveedor que exporta a Excel, una API. Leer el PDF sería dar un rodeo.
• No hay quién revise. Las primeras semanas exigen que alguien valide resultados. Sin esa persona, los errores se acumulan en silencio.
• Datos sensibles sin condiciones claras. Si los documentos tienen información personal o confidencial, primero hay que definir con qué proveedor y bajo qué términos se procesan. Lo explicamos en cómo usar ChatGPT y Claude en la empresa sin arriesgar los datos.

Cómo lo abordamos

En CodeLess Co preferimos empezar estos proyectos con una muestra de tus documentos reales, no con una demostración genérica. Así se puede medir cuántos se leen bien, cuántos caen a revisión y cuánto costaría operar el flujo al mes, antes de construir la versión completa. Es parte de lo que describimos en inteligencia artificial para empresas, y encaja con los demás usos que repasamos en inteligencia artificial para pymes.

Si en tu empresa alguien pasa el día digitando documentos, conversemos. La primera conversación es gratis: cuéntanos qué documentos reciben y cuántos al mes.

Preguntas frecuentes

¿Se puede usar ChatGPT para leer facturas?

Sí, para pruebas puntuales puedes subir una factura a ChatGPT, Claude o Gemini y pedirle los datos. Para un proceso de empresa no es lo recomendable: no hay validaciones, cada persona lo hace distinto y puedes terminar compartiendo datos de proveedores en cuentas personales. Lo adecuado es usar el modelo a través de una integración, con reglas de validación y revisión de los casos dudosos.

¿La IA puede leer facturas escritas a mano?

Puede leer muchas, pero con menos precisión que los documentos impresos o digitales. La calidad depende de la letra, del estado del papel y de la foto. Si tu proceso recibe muchos documentos a mano, prueba con una muestra real, fija umbrales más estrictos y envía más casos a revisión humana. A veces, cambiar el formulario de papel por uno digital resuelve mejor el problema.

¿Qué pasa si la IA lee mal un valor?

Si el flujo está bien diseñado, el error lo atrapa una validación antes de llegar al sistema: el total no cuadra, el NIT no existe o el valor está fuera de lo normal para ese proveedor, y el documento va a revisión humana. Los errores que pasan todas las reglas se detectan con el muestreo periódico. Por eso nunca conviene registrar datos extraídos sin ningún control.

¿Cuánto cuesta procesar documentos con IA?

Depende del volumen, del tamaño de los documentos y del proveedor del modelo, que normalmente cobra por uso. A eso se suman la construcción de la integración, la revisión humana y el mantenimiento. No hay una cifra general que sirva: lo sensato es procesar una muestra real, medir el consumo y proyectarlo a 12 meses frente a lo que hoy cuesta digitar a mano.