Snowfox AISnowfox AI
Esc

Escriba para buscar. La tecla Enter abre el primer resultado.

21 de noviembre de 2026 · 7 min de lectura

¿Cómo lee contratos el procesamiento inteligente de documentos?

El procesamiento inteligente de documentos convierte contratos en datos estructurados en cinco etapas. Lo difícil: las relaciones entre partes, no las entidades.

Por el equipo de Snowfox AI

En esta página

Ver como Markdown

El procesamiento inteligente de documentos (IDP, por sus siglas en inglés) convierte contratos y otros documentos no estructurados en datos estructurados que un sistema puede usar. Funciona por etapas: leer la página, entender su estructura, extraer las entidades (partes, fechas, importes), extraer las relaciones entre ellas (quién otorga qué poder a quién) y, por último, validar el resultado y enviar los casos dudosos a una persona. Las entidades son la parte más fácil. En las relaciones es donde la mayoría de los proyectos con contratos tiene éxito o fracasa.

¿Qué es el procesamiento inteligente de documentos?

El IDP combina reconocimiento óptico de caracteres (OCR, que convierte la imagen de un texto en texto legible por máquina), análisis de la estructura de la página, procesamiento de lenguaje natural (PLN) y reglas de negocio para convertir documentos en campos de una base de datos. Se diferencia del OCR por sí solo en lo que entrega. El OCR le da texto. El IDP le da un registro: esta persona, en este rol, con este poder, válido hasta esta fecha.

Esto importa en los contratos porque el valor rara vez está en un solo campo. Un poder de representación o los estatutos sociales de una empresa solo le sirven a un equipo de incorporación de clientes (onboarding) cuando alguien ha determinado quién puede firmar por quién y dentro de qué límites.

¿Cuáles son las etapas de un pipeline de IDP?

Un pipeline para contratos tiene cinco etapas. Cada una falla a su manera y los errores se arrastran a las siguientes, así que mídalas por separado.

Etapa Qué hace Qué suele salir mal
1. Ingesta y OCR Recibe el PDF, comprueba si tiene capa de texto o es un documento escaneado, y genera el texto Escaneos deficientes, sellos sobre el texto, OCR aplicado a archivos que ya tenían texto
2. Análisis de la estructura de la página Identifica el orden de lectura, las cláusulas, los encabezados, las tablas y los bloques de firma Dos columnas leídas como una, tablas aplanadas, numeración de cláusulas perdida
3. Extracción de entidades Encuentra y etiqueta partes, representantes, números de identificación, fechas, importes y poderes Una misma persona escrita de tres formas, roles confundidos, texto estándar tomado por contenido
4. Extracción de relaciones Vincula las entidades: quién representa a qué empresa, quién otorga qué poder a quién Vínculos entre cláusulas distantes que se pasan por alto, condiciones y excepciones omitidas
5. Validación y revisión humana Aplica reglas de negocio y deriva los casos de baja confianza a un revisor Una cola de revisión demasiado grande para ser útil, o demasiado pequeña para detectar errores

No omita el análisis de la estructura de la página. Un modelo que recibe las cláusulas desordenadas comete errores que parecen de lenguaje, pero son de estructura.

¿Por qué es más difícil extraer relaciones que entidades?

Una entidad es una decisión local. El nombre que sigue a “representada por” es una persona, “12 de marzo de 2025” es una fecha, y un modelo suele poder deducirlo de la frase que lo rodea. Una relación es una decisión sobre dos o más entidades y el texto que las conecta. En los contratos, ese texto tiene tres propiedades incómodas.

  1. Distancia y términos definidos. El poderdante se nombra en el preámbulo y los poderes se enumeran varias cláusulas después. Entre un punto y otro, el apoderado pasa a ser “el Apoderado” o “el antes mencionado”. El modelo tiene que resolver esas menciones hasta llegar a una parte concreta, una tarea llamada resolución de correferencias.
  2. Dirección. “A otorga a B” y “B otorga a A” contienen las mismas entidades. Equivocarse en la dirección produce un registro que parece completo y es incorrecto.
  3. Condiciones. Los poderes vienen con límites: de forma conjunta con otro firmante, hasta un importe, durante un plazo. Una relación extraída sin su condición suele ser peor que ninguna, porque exagera lo que alguien puede hacer.

Los errores también se propagan. Si se pasa por alto una entidad, se pierden todas las relaciones en las que participa.

¿Cómo debe medirse la exactitud?

“Exactitud” es una palabra imprecisa en el trabajo de extracción, así que defínala antes de que alguien cite una cifra. Las medidas útiles son la precisión (de lo que el sistema extrajo, cuánto es correcto), la exhaustividad o recall (de lo que había en el documento, cuánto encontró el sistema) y el F1, que combina ambas.

Deje estas decisiones por escrito:

  • Unidad. Por entidad, por relación o por documento. La medida por documento es la más estricta y suele ser la que le importa al equipo de operaciones.
  • Regla de coincidencia. La coincidencia exacta y la parcial del nombre de una parte dan cifras distintas.
  • Denominador de las relaciones. Evaluadas a partir de entidades correctas, o de extremo a extremo desde el PDF sin procesar. La segunda cifra es más baja y más cercana a producción.
  • Conjunto de prueba. Documentos que el modelo nunca ha visto, tomados de la entrada real, incluidos los escaneos deficientes. Fíjelo y manténgalo.

Después añada las medidas operativas que determinan si el proyecto se amortiza: la proporción de documentos procesados sin intervención humana, la tasa de error entre ellos y el tiempo de revisión por documento.

Qué no hacer: presentar una única cifra combinada, evaluar solo con los documentos más limpios, o comparar la cifra de un proveedor con la suya sin comprobar que la unidad y la regla de coincidencia sean las mismas.

¿Dónde encajan los LLM y dónde siguen ganando los modelos supervisados?

Los grandes modelos de lenguaje (LLM) han cambiado la economía de este trabajo, pero no han jubilado a los modelos supervisados. Un modelo supervisado es el que se entrena con ejemplos que personas han etiquetado con la respuesta correcta.

Situación Mejor opción Por qué
Pocos ejemplos etiquetados, muchos tipos de documento LLM Trabaja a partir de instrucciones y unos pocos ejemplos
Referencias de largo alcance, términos definidos, condiciones LLM, con verificaciones Resuelve bien la correferencia y la paráfrasis
Alto volumen de una familia de documentos estable Modelo supervisado Menor costo por página, latencia predecible, resultados uniformes
Confianza calibrada para decidir qué va a revisión Modelo supervisado A las puntuaciones se les puede aplicar un umbral; la confianza que declara un LLM no es fiable

En la práctica, la respuesta suele ser un enfoque híbrido. Un LLM propone, un modelo supervisado o un conjunto de reglas verifica, y cada valor extraído apunta a la página y al fragmento del que procede, para que un revisor pueda comprobarlo en segundos. Exija esa referencia. Una extracción sin fragmento de origen no se puede auditar, y esa referencia es la principal defensa frente a un modelo generativo que produce un valor verosímil que no está en el documento.

No envíe todos los contratos al modelo más grande disponible para luego llamarlo pipeline. Sin un conjunto de prueba fijo, no sabrá cuándo un cambio de prompt o de versión del modelo empeoró los resultados.

¿Cómo es esto en un proyecto real?

El caso de éxito publicado por Snowfox en el sector financiero es un ejemplo directo. Una empresa de servicios financieros necesitaba agilizar la incorporación de clientes, lo que dependía de leer contratos complejos en PDF e identificar las partes y los poderes otorgados. El enfoque fue un pipeline de IDP que combinó el reconocimiento de documentos con la extracción supervisada de entidades y relaciones a partir de texto en lenguaje natural.

El caso publicado indica un 93% de exactitud en la extracción de entidades y un 95% en la detección de relaciones entre entidades. Léalos como dos mediciones independientes, no como una clasificación de dificultad. Evalúan tareas distintas sobre denominadores distintos, y el caso publicado no detalla el protocolo de evaluación. La conclusión para un comprador es que las dos etapas se midieron por separado, y eso es lo que permite a un equipo decidir dónde concentrar el esfuerzo de revisión.

Por dónde empezar

Empiece por el proceso, no por el modelo. Elija una familia de documentos, anote los campos y las relaciones que realmente usa el equipo que recibe los datos, y etiquete un pequeño conjunto de prueba antes de elegir cualquier tecnología.

Preguntas y respuestas

¿Cuál es la diferencia entre el OCR y el procesamiento inteligente de documentos?

El OCR convierte la imagen de una página en texto. El procesamiento inteligente de documentos añade análisis de la estructura de la página, extracción de entidades y relaciones, y validación, de modo que el resultado es un registro estructurado que un sistema puede usar.

¿Por qué es más difícil extraer relaciones que entidades en los contratos?

Una entidad suele identificarse a partir de la frase que la rodea. Una relación vincula entidades que pueden estar a páginas de distancia, mencionadas mediante términos definidos, con una dirección y unas condiciones que deben ser todas correctas.

¿La extracción de contratos debe usar un LLM o un modelo supervisado?

Por lo general, ambos. Los LLM se desenvuelven bien con documentos variados y referencias de largo alcance a partir de pocos ejemplos, mientras que los modelos supervisados ofrecen menor costo por página, resultados uniformes y puntuaciones de confianza en familias de documentos estables y de alto volumen.

Empiece por el problema, no por la tecnología

Cuéntenos qué es lento, caro o invisible en su operación. Si la IA o unos datos mejores son la respuesta adecuada, le mostraremos dónde. Si no lo son, también se lo diremos.

¿Aún no está listo para definir el alcance de un proyecto?

Empiece por el Diagnóstico de Preparación para IA. Cinco dimensiones, revisadas en conjunto, y una lectura honesta de dónde se encuentra realmente.

Hacer el diagnóstico