Automatizar facturas con OCR: qué validar antes de aceptar los datos
El OCR puede localizar texto y un modelo documental puede proponer proveedor, fecha, número, impuestos, totales y líneas. Ninguna de esas salidas equivale por sí sola a una factura válida, bien contabilizada o aprobada para pago. La automatización útil separa extracción, validación y autorización.
Lo esencial, antes de empezar
- La confianza del modelo ayuda a dirigir revisión, pero no mide por sí sola la corrección contable.
- Número, proveedor, moneda, base, impuestos y total requieren controles distintos.
- Una factura duplicada puede estar perfectamente leída; la deduplicación es otra capa.
- La aprobación para registrar o pagar debe quedar fuera de la extracción cuando el riesgo lo exige.
La respuesta corta: extraer no es aceptar
Diseña tres estados visibles: documento recibido, datos extraídos y datos aceptados. Añade después el estado de aprobación comercial o contable que corresponda. Así un OCR correcto no puede saltarse una comprobación necesaria.
Microsoft documenta que su modelo preconstruido de facturas devuelve campos y líneas estructurados. Ese catálogo indica qué puede proponer una herramienta, no qué campos necesita tu proceso ni quién puede aprobarlos. Define el esquema mínimo antes de comparar proveedores o subir documentos reales.
El flujo debería conservar el archivo original, una huella del documento, la salida sin modificar, los cambios de la persona revisora y la versión finalmente exportada. Sin esas capas resulta difícil explicar si el error estaba en la imagen, en la extracción, en una regla de validación o en una corrección manual.
Controla la entrada antes de evaluar el modelo
- Admite formatos declarados y rechaza archivos dañados, cifrados o inesperados con un motivo comprensible.
- Conserva todas las páginas y detecta anexos, facturas de varias páginas y documentos que contienen más de una factura.
- Comprueba rotación, resolución, contraste, recortes y texto tapado antes de culpar al extractor.
- Separa factura, abono, proforma, albarán y recibo; compartir números no los convierte en el mismo documento.
- Trata archivos adjuntos como entrada no fiable: aplica límites, análisis de seguridad y almacenamiento con acceso restringido.
Las buenas prácticas de Amazon Textract relacionan la calidad de entrada y los umbrales con el caso de uso. Una imagen legible para una persona todavía puede perder separadores decimales o asociar un valor a la etiqueta equivocada. Registra calidad y tipo de documento para poder analizar los fallos por grupo.
Valida cada campo según su consecuencia
| Campo | Control automático | Cuándo revisar |
|---|---|---|
| Proveedor | Coincidencia con maestro y estado activo | Desconocido, varios candidatos o cambio bancario |
| Número | Formato, presencia y unicidad por proveedor | Vacío, repetido o caracteres dudosos |
| Fecha | Fecha válida y periodo permitido | Fuera de periodo o posterior a recepción |
| Moneda | Código permitido y coherencia con proveedor | Ausente o distinta a la esperada |
| Base e impuestos | Recalcular sumas y tolerancia definida | Descuadre o régimen no reconocido |
| Total | Base más impuestos menos descuentos | Diferencia fuera de tolerancia o signo inesperado |
| IBAN | Formato y coincidencia con dato aprobado | Cualquier alta o cambio |
La tolerancia debe responder a redondeos legítimos y nunca ocultar diferencias sin explicación. Un ejemplo hipotético: si las líneas suman 99,99 y el total impreso es 100,00, la regla puede mandar a revisión en vez de alterar una cifra. Este artículo no establece un criterio fiscal; el responsable contable debe definir campos, periodos y tolerancias aplicables.
Combina confianza, coherencia y contexto
Microsoft distingue entre accuracy y confidence y advierte que la confianza debe interpretarse con datos representativos. Un valor alto no prueba que el proveedor exista ni que el total sea coherente. Un valor bajo tampoco obliga a rechazar todo el documento si el campo puede verificarse con una regla determinista.
Si los documentos llegan por email, la guía para automatizar el correo con control cubre sincronización y clasificación del buzón. La extracción de facturas debe comenzar después de identificar de forma segura el mensaje y el adjunto que corresponden.
Detecta duplicados y conserva una aprobación separada
Calcula una huella del archivo para detectar reenvíos idénticos, pero no te quedes ahí: el mismo documento puede escanearse de nuevo. Combina proveedor, número, fecha, moneda y total normalizados y envía coincidencias dudosas a revisión. Un abono que referencia la factura original no es un duplicado, y dos proveedores pueden compartir un patrón de numeración.
- 01
Extracción
El sistema propone campos y conserva evidencia de página y región cuando la herramienta la ofrece.
- 02
Validación
Reglas de formato, maestro, sumas y duplicados producen un resultado explicado.
- 03
Revisión
Una persona corrige o confirma las excepciones asignadas a su rol.
- 04
Aprobación
El responsable autorizado decide registrar, pagar, devolver o solicitar información; queda identificada la versión aprobada.
Un asistente sobre políticas o contratos puede complementar la revisión, pero necesita sus propios permisos y pruebas. La guía de IA con documentos de empresa explica esa capa sin confundir recuperación de conocimiento con aceptación de una factura.
Prueba con una muestra estratificada y mide corrección humana
No elijas solo facturas limpias del proveedor más frecuente. Construye una muestra que represente formatos, idiomas, monedas, escaneos, líneas, abonos y excepciones reales sin exponer más datos de los necesarios.
- Define una verdad de referencia revisada para cada campo de la muestra.
- Mide por campo: correcto, ausente, valor incorrecto y asociación incorrecta; un promedio global esconde fallos críticos.
- Registra documentos que pasan solos, documentos revisados, tiempo de corrección y errores que alcanzan el sistema destino.
- Prueba duplicados, cambios bancarios, sumas con redondeo, varias páginas, imágenes malas y documentos que no son facturas.
- Verifica permisos, retención, borrado, exportación y trazabilidad antes de usar información real de forma continuada.
- Fija criterios de pausa: caída de calidad, nuevo formato sin validar, fallo del destino o cola de revisión sin capacidad.
Un proyecto de automatización con IA debería concretar este contrato de campos, excepciones y aceptación antes de prometer ahorro. El resultado válido puede ser automatizar solo la recepción y la propuesta de datos, manteniendo revisión en los campos de mayor consecuencia.
Prueba el OCR sin copiar facturas reales sin control
El conjunto de aceptación debe cubrir formatos, importes, impuestos, baja calidad y errores, pero no necesita circular por desarrollo con identidades reales. La guía sobre datos de prueba sintéticos o anonimizados explica cómo conservar relaciones y casos límite, separar riesgos y documentar el borrado.
Fuentes y referencias
Documentación oficial y referencias de mercado consultadas para verificar los puntos que cambian con el tiempo.
