El OCR (reconocimiento óptico de caracteres) es la tecnología que lee el texto de una imagen o de un documento escaneado y lo convierte en texto digital que se puede buscar, copiar o pasar a otro programa. Los motores actuales usan aprendizaje automático y reconocen texto impreso y, en algunos idiomas como el español, también manuscrito.
En la práctica
Microsoft lo resume así: el OCR extrae texto impreso o manuscrito de carteles, etiquetas o documentos como formularios y facturas, y elimina o reduce mucho la necesidad de teclear datos a mano. Su motor devuelve páginas, líneas y palabras con su posición y una puntuación de confianza.
En una pyme se usa para:
- Buscar escrituras, contratos o actas escaneados por lo que dicen, no por el nombre del archivo.
- Leer facturas en papel o en PDF escaneado antes de pasarlas a contabilidad.
- Sacar la fecha de un certificado escaneado para avisar antes de que caduque.
- Preparar documentos antiguos para que un asistente con RAG pueda consultarlos.
El OCR solo te da el texto. Sacar campos concretos, como el NIF o el total de una factura, es otro paso: Microsoft lo llama procesamiento inteligente de documentos y lo construye sobre el OCR. Un modelo de lenguaje también puede hacer ese paso. Anthropic explica que, cuando le envías un PDF a Claude, convierte cada página en una imagen y le pasa además el texto extraído. En el caso de las facturas, la ley te da la lista de campos: número y serie, fecha, NIF del emisor, tipo impositivo y cuota, entre otros (Real Decreto 1619/2012, art. 6).
Dónde se procesa importa. Tesseract es un motor de código abierto (licencia Apache 2.0) que reconoce más de 100 idiomas y funciona en tu propio equipo. El motor de Microsoft se usa en su nube o en un contenedor instalado en tus servidores. Si un proveedor hace el OCR en su nube con documentos que llevan datos personales, es tu encargado del tratamiento.
Hay más ejemplos en automatizar procesos con IA en una pyme y en IA para administradores de fincas.
Errores frecuentes
- Escanear mal. La documentación de Tesseract indica que funciona mejor con al menos 300 ppp, que una página torcida empeora mucho el resultado y que los bordes oscuros del escáner pueden leerse como caracteres de más.
- Dar el texto por bueno. Un 8 leído como un 3 cambia un importe. Combina el OCR con reglas que comprueben lo comprobable, como que la base más el IVA da el total, y manda a una persona lo que no cuadre.
- Olvidar que el texto escaneado también es contenido ajeno. Anthropic incluye el resultado del OCR de un archivo subido entre las vías de inyección de instrucciones: un documento puede llevar órdenes dirigidas al modelo que lo lee después.