Inteligencia artificial y productividad

La IA puede reducir la captura repetitiva de facturas: leer un PDF o una imagen y proponer proveedor, fecha, importes y partidas. El ahorro aparece cuando esos datos llegan a una revisión organizada, no cuando se convierten automáticamente en una compra o un pago.

Para una pyme que recibe documentos de muchos proveedores, el problema no siempre es la falta de información: es tenerla repartida entre archivos y volver a escribirla en cada sistema. La extracción documental permite preparar un borrador estructurado y concentrar el trabajo humano en las excepciones.

Este es un tema tecnológico vigente, no el anuncio de una nueva obligación fiscal ni de una integración ya incluida en Aspel. Consultamos el 22 de octubre de 2026 la documentación oficial de Microsoft sobre extracción de facturas y puntuaciones de confianza para distinguir capacidades disponibles de controles que cada empresa debe implementar.

Qué puede hacer realmente un modelo documental

Microsoft documenta que su modelo de facturas de Azure Document Intelligence utiliza reconocimiento óptico de caracteres (OCR) para extraer campos y partidas de documentos, incluidos PDF, escaneos e imágenes tomadas con un teléfono. El resultado se entrega en un formato estructurado que una aplicación puede procesar.

Esto permite pasar de «alguien debe transcribir cada renglón» a «alguien debe revisar los datos propuestos y resolver los casos dudosos». Es una capacidad de un servicio específico: no significa que cualquier chatbot, escáner o sistema administrativo tenga la misma función, ni que la conexión con tu sistema venga lista.

Un resultado con alta confianza no es una factura aprobada

La puntuación de confianza expresa la certeza estimada del modelo sobre una predicción. Microsoft recomienda utilizarla para decidir qué resultados requieren revisión humana y advierte que no todos los campos devuelven una puntuación. Un campo sin ese dato no debe interpretarse como automáticamente correcto.

Además, leer bien un importe no demuestra que la compra esté autorizada, que el servicio se haya recibido o que el documento no esté duplicado. Son comprobaciones del negocio, distintas del reconocimiento de texto.

No existe un umbral universal que podamos recomendar para todas las empresas. Conviene probar con documentos representativos, revisar los errores por campo y exigir mayor control donde una equivocación tenga consecuencias económicas. Una tabla con varias partidas merece atención aunque el total parezca correcto.

Si ya tienes datos estructurados, no los conviertas otra vez en una imagen

Como criterio de implementación, si el proveedor entrega un XML de CFDI, evalúa primero el aprovechamiento de sus campos estructurados mediante un flujo compatible y validado. Pasar por OCR una representación impresa puede añadir errores de lectura innecesarios. La IA documental tiene más sentido donde la información útil solo llega en PDF o imagen.

La extracción no sustituye las verificaciones fiscales ni la revisión contable que correspondan. Tampoco debe inventar un RFC, una moneda o un impuesto que no logró identificar: esos casos se dejan pendientes y se contrastan con el documento y los registros autorizados.

Un piloto pequeño, con una bandeja de revisión

Ejemplo: capturar menos sin perder el control

Imagina una empresa que recibe facturas de mantenimiento en PDF. La IA propone proveedor, fecha y total; la persona responsable compara el resultado con el archivo, detecta que una factura ya estaba registrada y devuelve otra porque no se distingue la moneda. Solo los registros revisados pasan al siguiente paso administrativo.

Es un ejemplo hipotético, no un resultado medido de Tiser. El beneficio buscado es reducir transcripción y ordenar excepciones. Si corregir la salida toma más tiempo que capturar manualmente, hay que ajustar el alcance, la calidad de entrada o la herramienta antes de ampliar el piloto.