Extracción documental para operaciones
Los documentos de campo atraviesan una línea de extracción sensible a la confianza y producen registros fiables sin perder la evidencia original.
Nota del caso
La implementación se trató como un sistema operativo pequeño: primero visibilidad, después ownership y solo entonces automatización.
Caso de uso
Extracción documental para operaciones
Los documentos de campo atraviesan una línea de extracción sensible a la confianza y producen registros fiables sin perder la evidencia original. Una operación de servicios de campo dependía de un flujo constante de formularios PDF y adjuntos. El equipo copiaba cliente, ubicación, fecha, servicio, notas y referencias a un registro, y volvía a buscar el documento original cuando algún valor no cuadraba.
Resultado: Los documentos rutinarios se convierten en registros útiles con mucha menos manipulación, mientras los campos dudosos pasan a una vía de corrección. Cada valor conserva su fuente, confianza y decisión de revisión.
Mapa del flujo
Workflow de documento a registro estructurado
El workflow conserva el archivo original, extrae campos y envia dudas a revision.
Base de datos principal: Supabase
Todo el workflow usa Supabase como fuente de verdad: guarda cada registro, su estado y los eventos clave para ver que paso, reintentar fallos y depurar sin buscar en cada herramienta.
Iconos de herramientas
Racional del sistema
La extracción solo sirve si la incertidumbre es visible
El flujo no asume que todos los PDF estén limpios. Extrae los campos sencillos, conserva el archivo original y envía los valores dudosos a revisión.
La fuente queda conectada
Cada registro estructurado enlaza al documento original, acelerando disputas y correcciones.
Confianza por campo
Un documento puede estar casi listo aunque un campo necesite revision; no hace falta reprocesarlo entero.
Revisión por excepción
La revisión humana se reserva para los valores de baja confianza, no para cada adjunto repetido.
Add-ons que encajan encima
El punto de partida
Una operación de servicios de campo dependía de un flujo constante de formularios PDF y adjuntos. El equipo copiaba cliente, ubicación, fecha, servicio, notas y referencias a un registro, y volvía a buscar el documento original cuando algún valor no cuadraba.
El diagnostico se hizo sobre volumen real, herramientas conectadas, puntos de decision y excepciones. La pregunta no era solo que automatizar, sino que prueba demostraria que el proceso habia terminado bien. La prueba operativa importo tanto como la automatizacion.
La implementación
Ductio creo un intake documental que guarda el archivo original, extrae campos requeridos, normaliza valores, puntua confianza por campo y envia registros low-confidence a revision antes de actualizar el tracker.
La implementacion separo reglas, contexto libre, decisiones humanas y efectos externos. Asi el sistema podia mejorar el trabajo diario sin convertir cada excepcion en una caja negra. IA como apoyo dentro del proceso, no como piloto automático.
Qué se usó
La selección de herramientas se hizo desde el proceso, no desde una preferencia técnica previa. El criterio fue que cada pieza tuviera un owner claro, integración estable y una forma sencilla de revisar errores.
En la práctica se combinó Inbox, Google Drive, OCR/extracción, Supabase, OpenRouter, Review dashboard. Las herramientas visibles para el equipo quedaron cerca de su trabajo diario, mientras la lógica de integración quedó documentada y separada de decisiones comerciales sensibles.
La mejora se vio en el trabajo diario.
En lugar de presentar el resultado como un dashboard, el equipo lo notó en tres escenas concretas: menos preparación manual, menos búsqueda de contexto y menos dudas sobre quién tenía que actuar.
Copy-paste: Transferencia manual de campos pasó de Alto a Bajo.
Revisión: Items que revisa una persona pasó de Todos a Excepciones.
Calidad: Registros estructurados pasó de Irregular a Limpia.
Prueba antes/después
Qué cambió en la operación
Antes
Después
Artefactos visibles
- JSON de campos extraidos
- Vista de confianza
- Cola de revision
- Link documento original
- Payload update tracker
- Decision log de excepciones
Controles
- Campos low-confidence a revision
- Documento original retenido
- Confianza por campo guardada
- Sin overwrite sin aprobacion
- Decision de reviewer ligada al registro
Qué cambió después
Los documentos rutinarios se convierten en registros útiles con mucha menos manipulación, mientras los campos dudosos pasan a una vía de corrección. Cada valor conserva su fuente, confianza y decisión de revisión.
El resultado no fue solo ahorrar minutos. El equipo gano una secuencia comun para revisar entradas, entender contexto, decidir, actuar y comprobar que el workflow habia quedado registrado. 75% menos copiar-pegar
El workflow en una línea
Cómo se construyó
Los adjuntos se guardan en una carpeta documental, pasan por OCR/extraccion, OpenRouter ayuda con texto ambiguo, Python/FastAPI normaliza campos y Supabase/review dashboard decide si actualizar tracker o pedir revision.
El stack fue pragmático: Inbox, Google Drive, OCR/extracción, Supabase, OpenRouter, Review dashboard. No se eligieron herramientas para impresionar, sino por ownership, integración y mantenimiento. El resultado es un sistema que el equipo puede entender y operar.
Lo que quedó entregado
- Inbox/upload intake
- Retencion archivo fuente
- Extraccion OCR
- Normalizacion campos
- Confidence scoring
- Cola excepciones
- Tracker update
- Audit con link fuente
- La entrada manual bajó de forma clara en documentos repetidos.
- Campos de baja confianza quedan visibles para revision en vez de contaminar el tracker.
- Operaciones ganó una vista semanal más limpia.
- Cada registro estructurado mantiene link al documento original.
- Reviewers revisan excepciones, no cada adjunto.
- La calidad de datos mejora porque las reglas de normalizacion son consistentes.
- Los responsables trabajan primero las excepciones en lugar de revisar una pila indiferenciada de adjuntos.
