Extracción documental en dos fases: leer con IA, validar con código

Todo lo que entra en un despacho llega en el peor formato posible: escrituras escaneadas del 2009, facturas en tres plantillas distintas del mismo proveedor, notificaciones judiciales fotografiadas con el móvil. La tentación es pedirle a un modelo multimodal que lo lea todo y confiar. Nosotros lo partimos en dos fases con contratos muy distintos.

Fase 1: leer (probabilística)

La primera fase es del modelo: clasificar el documento y extraer campos con salida estructurada — partes, importes, fechas, identificadores. Aquí aceptamos que el resultado es una hipótesis con una confianza, no un dato. El prompt pide exactamente los campos del esquema, en un formato que una máquina pueda verificar, y nada más.

Fase 2: validar (determinista)

La segunda fase no contiene ningún modelo. Cada campo extraído pasa una batería de validadores escritos en código:

• Formato: un DNI valida contra su dígito de control; un IBAN, contra su checksum; una fecha, contra el calendario.
• Rango: un importe de factura negativo o un interés del 400% no pasan, vengan de donde vengan.
• Coherencia interna: las líneas deben sumar el total; la fecha de vencimiento no puede ser anterior a la de emisión.
• Coherencia externa: el deudor extraído debe casar con el expediente al que el documento dice pertenecer.

Solo lo que pasa todas las validaciones se consolida. Lo que no, va a una cola de revisión con el documento, la extracción y el validador exacto que falló — el revisor humano corrige en segundos porque ve por qué se detuvo.

Reportar honesto o no reportar

Esta separación tiene un efecto lateral que nos importa mucho: podemos cambiar de modelo de lectura — mejor, más barato, más rápido — sin tocar una línea de la validación. La fase 1 compite en un mercado que mejora cada trimestre; la fase 2 es nuestra y no se negocia.