De PDF a dato estructurado: el pipeline de IDP

Cuando alguien dice "automaticé la carga de facturas", lo que casi siempre construyó es un pipeline de IDP — Intelligent Document Processing. Suena a caja negra mágica: entra un PDF arrugado y sale, prolijo, un registro listo para el ERP. Pero adentro hay una cadena de etapas bien definidas, donde cada una resuelve un problema distinto y tiene su manera particular de romperse. Vale la pena abrir la caja.

Las cinco etapas

Un pipeline de IDP serio se parece bastante a esto, en orden:

1. Ingesta y normalización: el documento llega como PDF nativo, PDF escaneado, foto de WhatsApp o email con adjunto. Hay que enderezarlo (deskew), mejorar contraste, separar páginas y detectar la orientación. Basura que entra, basura que sale.
2. OCR / extracción de texto: convertir la imagen en texto y, clave, guardar la posición de cada palabra. Como expliqué en por qué el OCR no alcanza, esto es solo el insumo, no el resultado.
3. Clasificación: ¿esto es una factura, un remito, un contrato, una nota de crédito? Sin saber el tipo, no sabés qué campos buscar. Es una tarea de clasificación clásica, parecida a distinguir clasificar de detectar y segmentar en visión.
4. Extracción de entidades: acá se mapea cada valor a un campo del esquema — total, CUIT, fecha, ítems. Es donde el layout pesa más que el texto.
5. Validación y entrega: chequeos de negocio (¿el subtotal + IVA da el total?), umbrales de confianza y entrega al sistema destino.

Cada etapa tiene su talón de Aquiles

PDF → [ingesta] → [OCR] → [clasificación] → [extracción] → [validación] → registro
        ↑           ↑          ↑                 ↑              ↑
     escaneo      texto     tipo mal         campo mal     no cierra
     torcido      sucio     detectado        mapeado       el cálculo

El error se propaga: si la ingesta endereza mal una página, el OCR lee peor, la clasificación duda y la extracción inventa. Por eso conviene medir la confianza en cada paso, no solo al final. Un pipeline que solo reporta "listo / falló" es ciego justo donde más necesitás ver.

El humano no es opcional, es una etapa más

La etapa de validación casi nunca es 100% automática, y está bien que así sea. Lo sano es enrutar por confianza: si el modelo está seguro, pasa directo; si duda, va a una cola de revisión humana. Eso es human-in-the-loop, y es lo que separa una demo de un sistema que aguanta producción.

El objetivo no es automatizar el 100% de los documentos. Es automatizar el 90% fácil con alta confianza y darle al humano solo el 10% difícil.

Pipeline antes que modelo

La tentación es pensar que IDP es "un buen modelo de IA". No: es una arquitectura de etapas donde el modelo es una pieza. La diferencia entre un proyecto que funciona y uno que no suele estar en las partes aburridas — la normalización de la ingesta, los chequeos de validación, el ruteo por confianza — más que en el modelo estrella. Si querés ver por qué este enfoque por etapas escala mejor que un bot que copia y pega, mirá por qué RPA no es IA. El PDF a dato estructurado no es un salto: es una escalera, y cada escalón cuenta.