IA documental: cómo automatizar pedidos que llegan por email sin teclear nada

El pipeline tiene tres pasos: clasificación (qué tipo de documento es y de qué cliente), extracción (sacar las líneas de pedido del PDF, Excel o imagen usando modelos de visión y lenguaje combinados con OCR), y mapeo contra el maestro de artículos del ERP para traducir la referencia del cliente a la referencia interna.

El paso de mapeo es el más crítico operativamente: cada cliente tiene sus propias referencias para los mismos artículos. Sin un mapeo correcto, la extracción perfecta no sirve de nada porque el ERP no reconoce las referencias del cliente. Este mapeo se construye automáticamente con el histórico de pedidos y se refina con cada corrección humana.

El punto crítico no es la extracción, eso ya es razonablemente fiable con los modelos actuales, sino qué hacer con la incertidumbre. Un pedido con líneas claras entra solo al ERP; una línea dudosa (referencia no reconocida, cantidad ambigua, formato inusual) se marca para revisión humana en un clic, en lugar de fallar en silencio o de bloquear todo el pedido por una sola línea rara.

Sin este diseño, el sistema que "automatiza al 100%" se convierte en una fuente de errores silenciosos: líneas que entran mal al ERP, discrepancias que aparecen en el muelle, devoluciones que nadie entiende de dónde vienen. La clave no es la automatización total, es la automatización inteligente que sabe cuándo necesita a un humano.

Ejecutado en infraestructura propia (modelos privados, sin enviar los documentos comerciales a un servicio externo), este tipo de proyecto suele amortizarse en meses cuando el volumen de pedidos por email es alto.

En un caso real, eliminó más de 200 horas al mes de transcripción manual y movió los errores de referencia y cantidad de "descubiertos en el muelle" a "detectados antes de entrar al sistema", que es exactamente donde el error cuesta menos corregir. Ver caso: IA documental para pedidos por email.

Uno de los frenos habituales cuando se presenta este tipo de sistema a dirección es la pregunta sobre privacidad: ¿los pedidos de los clientes están pasando por ChatGPT o algún servicio en la nube de un tercero? La respuesta correcta es que depende de cómo esté construido el sistema.

Lo que construimos es un pipeline que corre en los servidores del cliente o en infraestructura cloud privada dentro de su cuenta (Azure, AWS o GCP bajo su control). Los modelos de visión y lenguaje que usamos pueden ejecutarse en local, sin tráfico hacia servicios externos. Los documentos comerciales, que pueden contener precios, márgenes y datos de clientes, no salen del perímetro de la empresa. Eso es un requisito no negociable para muchos de nuestros clientes, y es factible con los modelos disponibles hoy.

La pregunta más práctica antes de arrancar un proyecto así: ¿cuántas horas al mes destina el equipo administrativo a transcribir pedidos que llegan por email? Si la respuesta es menos de 20 horas mensuales, probablemente el ROI no justifica el proyecto en este momento. Si es de 40-50 horas o más, el ahorro anual supera con claridad el coste de desarrollo y mantenimiento del sistema.

El segundo factor es la variabilidad de formatos. Un sistema que procesa pedidos siempre del mismo cliente, siempre en el mismo Excel con las mismas columnas, puede resolverse con una macro o un script de parseo simple sin IA. El valor de la IA documental aparece cuando hay 10, 20 o 30 clientes distintos, cada uno con su propio formato, y ese número crece con el negocio. Ahí el sistema aprende con cada corrección y se hace más preciso con el tiempo, mientras que los scripts de parseo requieren mantenimiento manual cada vez que un cliente cambia su plantilla.