Saltar al contenido
IA8 min

Leer documentos con IA: de la credencial y el estado de cuenta al expediente, sin capturar a mano

Por · cofundador y Chief Executive Officer de Hábil ·

Cómo automatizar la captura de documentos con IA para leer INE, comprobantes y estados de cuenta: confianza por campo, revisión y control.

En 1 minuto

Hoy una IA puede leer una credencial, un comprobante de domicilio o un estado de cuenta y dejar sus datos en el sistema sin que nadie los teclee. Esa es la parte fácil. Lo que separa una captura confiable de una que crea problemas es lo que pasa después de leer: comparar cada dato contra otra fuente, marcar lo que no se leyó bien y mandarlo a una persona, en lugar de rellenar el hueco con algo que parece correcto. Este artículo explica cómo pedirle eso a cualquier proyecto de captura con IA.

Imagine una empresa que abre cada semana cientos de expedientes de clientes nuevos. Es ficticia, pero se parece a muchas. Cada expediente lleva una identificación, un comprobante de domicilio y un estado de cuenta, y en este ejemplo llegan como fotos tomadas con el teléfono: algunas chuecas, con reflejo o cortadas. Un equipo de cuatro personas los abre uno por uno y copia los datos al sistema.

La dirección ve una demo: la IA lee una credencial de ejemplo y llena los datos visibles: nombre, domicilio y fecha de nacimiento. Alguien pregunta lo natural: «¿entonces ya no necesitamos capturar?».

La respuesta corta es que la captura deja de ser el trabajo, pero el trabajo no desaparece: cambia de lugar. Este artículo es para quien va a aprobar un proyecto así. Sostiene una idea: leer es lo fácil; lo que cuesta es comparar, marcar lo dudoso y no rellenar en silencio, con una persona aprobando lo que mueve dinero.

Por qué leer no es lo mismo que capturar bien

Una persona que captura un documento hace tres cosas a la vez, aunque no lo piense: lee, se da cuenta de cuándo no entiende algo y pregunta antes de inventar. Una IA hace muy bien la primera. Las otras dos hay que diseñarlas.

Hay dos formas de equivocarse. En la lectura de caracteres, la más simple: un dígito mal reconocido o un dato que falta. Y cuando el flujo usa IA generativa para interpretar o completar el documento, una más delicada: el perfil de IA generativa del NIST, el instituto de estándares de Estados Unidos, llama confabulación a la producción de contenido falso o equivocado dicho con seguridad, lo que coloquialmente se conoce como «alucinaciones» [1]. En un documento, eso se ve así: el último dígito de un número de cuenta salió borroso en la foto, y en lugar de dejarlo en blanco, el sistema pone uno. El expediente se ve completo. El error aparece semanas después, cuando un depósito rebota. En los dos casos la regla es la misma: no completar en silencio y mandar la excepción a revisión.

Por eso la pregunta útil frente a una demo no es «¿lo lee bien?», sino «¿qué hace cuando no lo lee bien?».

Lo que se le pide a un proyecto de captura con IA

1. Que cada dato traiga qué tan seguro está

Varios servicios de lectura de documentos de los grandes proveedores de nube entregan una calificación de confianza para ciertas predicciones, como una palabra o un campo extraído: qué tan probable es que se haya leído bien. La documentación de Microsoft dice que, donde la exactitud es crítica, esa confianza sirve para decidir si el dato se acepta solo o se marca para revisión de una persona, y advierte que no todos los campos la traen [2]. La de Amazon recomienda fijar un umbral mínimo y, por debajo de él, descartar el resultado o marcarlo para una revisión más cuidadosa [3].

Antes de diseñar el flujo, conviene confirmar qué calificaciones entrega el proveedor para sus documentos. Con esa base, el proyecto tiene que poder decir, campo por campo, cuánta confianza pide antes de aceptar un dato solo, y no tiene por qué ser la misma para todo: el número de cuenta pide más que la colonia. Y una cosa más: esa calificación mide la lectura, no si el documento es auténtico, si está vigente o si coincide con otra fuente. Eso se revisa aparte.

2. Que compare antes de aceptar

Leer bien no prueba que el dato sea cierto ni que el documento sea de quien lo presenta. Una credencial bien leída puede estar vencida; un domicilio bien leído puede no coincidir con el del comprobante. La guía de verificación de identidad del NIST separa controles distintos: confirmar que el documento es genuino y auténtico, confirmar que los datos que trae son correctos y, cuando el proceso lo pide, confirmar que quien lo presenta es su titular [4]. Cada control contesta una pregunta distinta.

En un expediente, cotejar es preguntar cosas como estas:

  • ¿El nombre de la identificación es el mismo del estado de cuenta?
  • ¿El domicilio del comprobante coincide con el que dio el cliente?
  • ¿La fecha del comprobante cae dentro del plazo que pide su política?
  • ¿Los datos de la identificación coinciden con lo que dice la fuente oficial que consulta su proceso?

Cada respuesta que no cuadra es una excepción, no un error que alguien corrige a escondidas.

3. Que el hueco se quede como hueco

Si un dato no se leyó, el sistema tiene que dejarlo vacío y decir por qué: «ilegible», «cortado», «no viene en el documento». Rellenarlo con lo más probable ahorra un minuto hoy y cuesta una aclaración mañana. Esta regla conviene escribirla en el contrato del proyecto, no dejarla a criterio de nadie.

4. Que una persona vea solo lo que importa

El objetivo no es que nadie mire los expedientes. Es que el equipo deje de copiar y se dedique a lo que sí necesita criterio: lo que no cuadró, lo que se leyó con poca confianza y lo que quedó vacío. Si una IA lee bien la mayoría de los documentos, ese equipo ya no pasa el día tecleando, sino resolviendo los casos dudosos.

Y lo que mueve dinero —abrir una línea de crédito, liberar un pago, cambiar una cuenta de depósito— lo aprueba una persona, aunque todos los datos hayan cuadrado.

5. Que quede un registro de revisión

Para cada dato del expediente debería poder verse de qué documento salió, con qué confianza se leyó, contra qué se comparó y quién lo aprobó si pasó por revisión. Sin ese rastro, cuando un dato resulta mal no hay forma de saber si falló la foto, la lectura, la regla o la persona.

Los datos personales no son un detalle

Una credencial y un estado de cuenta contienen datos personales, y el estado de cuenta, además, datos financieros. La Ley Federal de Protección de Datos Personales en Posesión de los Particulares, publicada en el Diario Oficial el 20 de marzo de 2025, pide al responsable observar, entre otros, los principios de finalidad y proporcionalidad, y dice que los datos financieros o patrimoniales requieren el consentimiento expreso de su titular, salvo las excepciones que la misma ley prevé [5]. Qué aviso, qué consentimiento y qué controles corresponden a su proceso lo confirma su área legal antes de operar; este artículo no lo sustituye.

Para un proyecto de captura, eso lleva a preguntas que su área legal, la de seguridad y la operación tienen que poder contestar:

  • ¿Para qué se usa cada dato que se extrae, y hace falta todo lo que se extrae?
  • ¿Dónde se procesan los documentos, y quién puede verlos?
  • ¿Cuánto tiempo se guardan las imágenes después de capturar?

Entre los controles de diseño que conviene evaluar está enmascarar los datos personales en las bitácoras técnicas y en las pantallas de quien no los necesita. Un ejemplo, con datos de mentira: en la pantalla de revisión, el equipo ve «Ana Ejemplo Prueba» y «CURP: [dato ficticio enmascarado]»; la clave completa solo la ve quien la necesita para aprobar.

Antes de abrirlo a todos

Pruebe la captura con una muestra de expedientes recientes. Revise por separado los campos de mayor riesgo —identidad, cuenta y domicilio— y cuente tres cosas: cuántos expedientes pasaron sin tocar, cuántos se fueron a revisión y por qué, y cuántos datos aceptados sin revisión hubo que corregir después. Ese último número no sale en una demo: solo se sabe revisando a mano una parte de lo que el sistema aceptó solo. El método completo para fijar la línea base, la muestra y el criterio para escalar está en El piloto de IA salió bien en la demo.

Su primer diagnóstico de expedientes

Tome cincuenta expedientes recientes y marque en cada uno qué dato faltó o no cuadró, qué campo necesitó revisión y cuánto tardó la persona en resolverlo. Con eso tiene la línea base para medir cualquier propuesta y la lista de reglas de excepción con las que vale la pena empezar.

Y antes de firmar, haga al proveedor dos preguntas: qué hace el sistema cuando no puede leer un dato —dejarlo vacío o rellenarlo— y contra qué compara cada dato antes de aceptarlo.

Qué hace Hábil

En Hábil construimos a la medida la IA que trabaja con los datos y las reglas de sus sistemas.

Si su equipo pasa horas copiando a sus sistemas los datos de identificaciones, comprobantes de domicilio, estados de cuenta y facturas, la propuesta está en Hábil AI: captura automatizada, donde la IA extrae los datos y su equipo atiende solo las excepciones. Si el alta es de clientes que abren su cuenta desde el teléfono, comprobamos que es una persona real frente a la cámara, comparamos su rostro con su identificación y validamos sus datos contra el INE y RENAPO; los casos dudosos pasan a una persona de su equipo. Lo que mueve dinero o datos lo ejecuta con una persona aprobando.

La conversación puede empezar con su conteo de los cincuenta expedientes, aunque esté a medias. Juntos revisamos dónde se va el tiempo y por dónde conviene empezar.

Escríbanos por WhatsApp; para proteger su información, no comparta por ese medio documentos ni datos de sus clientes. En la conversación acordaremos el canal para el caso.

Pida su primera conversación, sin costo.

Consultadas el 18 de noviembre de 2026. Cada referencia lleva su confianza: alta (fuente primaria leída).

Referencias

  1. NIST, «Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile» (NIST AI 600-1, julio de 2024), riesgo 2.2: «Confabulation: The production of confidently stated but erroneous or false content (known colloquially as "hallucinations" or "fabrications") by which users may be misled or deceived». Es de uso voluntario. Abierta en vivo el 18-nov-2026. Confianza: alta. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
  2. Microsoft Learn, Azure AI Document Intelligence, «Interpret and improve model accuracy and confidence scores»: «A confidence score indicates probability by measuring the degree of statistical certainty that the extracted result is detected correctly» y «For scenarios where accuracy is critical, confidence can be used to determine whether to automatically accept the prediction or flag it for human review»; y «Currently, not all document fields return a confidence score». Es documentación de un proveedor, citada como práctica. Abierta en vivo el 18-nov-2026. Confianza: alta. https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept/accuracy-confidence?view=doc-intel-4.0.0
  3. Amazon Web Services, Amazon Textract Developer Guide, «Best Practices»: «In applications that are sensitive to detection errors (false positives), enforce a minimum confidence score threshold. The application should discard results below that threshold or flag situations as requiring a higher level of human scrutiny». Es documentación de un proveedor, citada como práctica. Abierta en vivo el 18-nov-2026. Confianza: alta. https://docs.aws.amazon.com/textract/latest/dg/textract-best-practices.html
  4. NIST, «Digital Identity Guidelines: Identity Proofing and Enrollment» (SP 800-63A, revisión 4), entre los pasos de la verificación de identidad: «Evidence validation: Confirm that supplied identity evidence is genuine, authentic, and accurate», «Attribute validation: Confirm the accuracy of the core attributes» e «Identity verification: Confirm that the applicant is the genuine owner of the presented evidence and attributes». Abierta en vivo el 18-nov-2026. Confianza: alta. https://pages.nist.gov/800-63-4/sp800-63a.html
  5. Cámara de Diputados, «Ley Federal de Protección de Datos Personales en Posesión de los Particulares», «Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025»; última reforma publicada en el DOF el 14-11-2025. Artículo 5: «El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales». Artículo 7: «Los datos financieros o patrimoniales requerirán el consentimiento expreso de la persona titular, salvo las excepciones a que se refieren los artículos 9 y 36 de la presente Ley». Abierta en vivo el 18-nov-2026. Confianza: alta. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf