Extracción de datos con IA — resultados estructurados a partir de PDF, facturas y texto no estructurado

El caso de uso valioso y poco llamativo

Durante dos décadas, extraer datos estructurados de documentos no estructurados era un proyecto de un trimestre: una canalización de OCR, reglas regex, gestión de casos límite y plantillas de diseño por proveedor. Con un LLM sujeto a un esquema JSON, son 30 líneas de código, ofrece precisión desde el primer intento y puede ponerse en producción en un día. Los ejemplos siguientes se ejecutan en Kunavo, una puerta de enlace independiente compatible con OpenAI, pero el patrón pertenece a los modelos y funciona igual con cualquiera de ellos.

¿Quiere extraer facturas específicamente? Esta página ofrece una visión general entre documentos. La guía dedicada a la extracción de datos de facturas profundiza en ese único tipo de documento: compara los enfoques antiguos basados en plantillas y modelos con una llamada a un LLM con visión, incluye el tutorial completo de Python con restricciones de esquema, la protección aritmética, el enrutamiento de modelos en dos niveles y el coste por factura.

Categorías en las que esto funciona especialmente bien:

• Facturas, recibos y órdenes de compra
• Contratos y acuerdos legales (extraer partes, fechas y obligaciones)
• Currículos / CV (convertirlos a una estructura compatible con ATS)
• Enriquecimiento de leads a partir de firmas de correo electrónico o páginas web
• Historias clínicas e informes de laboratorio (con gestión de PII)
• Anuncios inmobiliarios y catálogos de productos
• Clasificación y entrada estructurada de correos electrónicos

El patrón central en 30 líneas

import json
from openai import OpenAI
client = OpenAI(api_key="sk-kn-...", base_url="https://api.kunavo.com/v1")

# The schema is the output contract. Claude enforces a json_schema
# response_format (json_object it does not), so the reply has this shape
# unless max_tokens cuts it off (finish_reason == "length").
STR = {"type": ["string", "null"]}
NUM = {"type": ["number", "null"]}
INVOICE = {
    "type": "object",
    "properties": {
        "vendor": {"type": "string"},
        "invoice_number": STR, "date_iso": STR, "due_date_iso": STR,
        "currency": STR, "subtotal": NUM, "tax": NUM, "total": NUM,
        "line_items": {"type": "array", "items": {
            "type": "object",
            "properties": {"description": {"type": "string"},
                           "qty": NUM, "unit_price": NUM, "amount": NUM},
            "required": ["description", "qty", "unit_price", "amount"],
            "additionalProperties": False,
        }},
    },
    "required": ["vendor", "invoice_number", "date_iso", "due_date_iso",
                 "currency", "subtotal", "tax", "total", "line_items"],
    "additionalProperties": False,
}
RESPONSE_FORMAT = {"type": "json_schema",
                   "json_schema": {"name": "invoice", "schema": INVOICE}}
RULES = "Extract the invoice. Use null for missing fields. Dates in ISO 8601."

# Extract structured fields from an invoice PDF (after OCR)
def extract_invoice(ocr_text: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",
        messages=[
            {"role": "system", "content": RULES},
            {"role": "user", "content": ocr_text},
        ],
        response_format=RESPONSE_FORMAT,
        max_tokens=1200,
    )
    return json.loads(resp.choices[0].message.content)

# Extract from an image directly (no OCR step needed)
def extract_invoice_from_image(image_url: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",   # vision + an enforced schema
        messages=[
            {"role": "system", "content": RULES},
            {"role": "user", "content": [
                {"type": "text", "text": "Extract this invoice:"},
                {"type": "image_url", "image_url": {"url": image_url}},
            ]},
        ],
        response_format=RESPONSE_FORMAT,
        max_tokens=1200,
    )
    return json.loads(resp.choices[0].message.content)

Dos flujos: solo texto (después de un paso de OCR separado) y visión directa (un modelo de visión lee la imagen y devuelve JSON en una sola llamada). La ruta de visión es más rápida de construir, pero ligeramente más cara por llamada; la ruta OCR y después LLM es más barata a escala porque el OCR solo se paga una vez por página.

Pruebas de precisión

En un conjunto de datos público de facturas (1.000 facturas de 50 proveedores), con modo JSON y un prompt de sistema de 200 palabras:

• Claude Haiku 4.5: 96 % de precisión a nivel de campo
• Claude Sonnet 4.6: 98 % de precisión a nivel de campo
• Plantillas tradicionales: 80-90 % con proveedores conocidos, 0 % con proveedores nuevos

El LLM gestiona diseños de nuevos proveedores sin ejemplos previos. Añada 2-3 pares de ejemplos al prompt del sistema (few-shot) y Haiku se aproxima a la precisión de Sonnet por una fracción del coste.

Coste por documento

• Factura (~2K tokens de entrada, ~500 de salida): Haiku ~$0.003, Sonnet ~$0.02
• Contrato de una página (~5K de entrada): Haiku ~$0.005, Sonnet ~$0.04
• Contrato de 10 páginas (~50K de entrada, resumen estructurado de salida): Sonnet ~$0.30
• Currículum (~3K de entrada): Haiku ~$0.003
• Imagen de recibo con visión: Haiku, aproximadamente el coste de una factura; la imagen cuenta como unos 1.5K tokens de entrada

Procesar 10.000 facturas al mes: ~$30 con Haiku. La alternativa comercial más cercana (Rossum, AWS Textract + posprocesamiento) cuesta ~$2.000-5.000 al mes para el mismo volumen.

Los 5 patrones que mantienen una precisión alta

• Gestión explícita de valores nulos: indique al modelo que use null para los campos ausentes, no "N/A" ni cadenas vacías. El código posterior puede distinguir entre "ausente" y "intencionadamente vacío"
• Fechas ISO 8601: indíquelo explícitamente. De lo contrario, el modelo elige formatos regionales y el análisis posterior falla
• Moneda como código ISO: "USD", no "$"; "EUR", no "€". Evite ambigüedades ($ puede significar USD, CAD o AUD)
• Valide el JSON: use Pydantic / Zod para imponer su esquema. Si no es válido, vuelva a solicitarlo con el error
• Compruebe manualmente el 1 % durante una semana y después el 0,1 % de forma continua. Realice un seguimiento de la precisión a nivel de campo, no solo a nivel de registro

Qué modelo usar en cada caso

Consideraciones de cumplimiento

Para documentos que contienen PII (las facturas tienen nombres y direcciones; las historias clínicas lo contienen todo), seudonimice los datos antes de la extracción o use Zero Data Retention en el nivel superior. Consulte la guía de cumplimiento para patrones específicos por región y el análisis detallado del DSGVO para el manual alemán.

Empiece en /app/signup: con el pago por uso, una recarga de $10 cubre unas 3.000 extracciones de facturas y su saldo nunca caduca. Lea la documentación de chat en /docs/chat para saber qué restricciones impone response_format en cada familia de modelos y para consultar patrones de uso de herramientas.

Preguntas frecuentes