El piloto que prometía el 95%
Una empresa de retail con 15 sucursales procesaba alrededor de 400 facturas de proveedores por mes. El equipo de administración pasaba dos días completos por semana cargando datos en el sistema. Un proveedor les ofreció una solución de "IA para facturas" con una tasa de precisión del 95% en la demo.
Contrataron el servicio. Tres meses después, la tasa de precisión real sobre sus facturas estaba entre el 60% y el 70%, dependiendo del proveedor. El 30-40% de facturas restante requería revisión manual — que llevaba más tiempo que la carga original porque el operador tenía que encontrar el error, corregirlo en la herramienta, y luego aprobar. El costo total del proceso aumentó.
El problema no era la herramienta. Era que el demo usó facturas limpias de grandes proveedores con formatos estandarizados. La operación real incluía facturas de 180 proveedores distintos, muchas en formatos diferentes, varias escaneadas con calidad variable, algunas con datos corregidos a mano.
Por qué la precisión varía tanto
Hay tres tipos de facturas desde el punto de vista de un sistema de extracción, y se comportan muy diferente.
Facturas estructuradas: XML del AFIP
Si tu proveedor emite facturas electrónicas a través del sistema de comprobantes electrónicos de AFIP, la "automatización" en realidad es una integración directa con el webservice de AFIP. Los datos vienen en XML con estructura fija: CUIT del emisor, número de comprobante, fecha, monto neto, IVA, total. La precisión es del 100% — no hay interpretación, hay lectura directa.
Esta es la mejor alternativa y aplica a la mayoría de los proveedores formales en Argentina. Si tu ERP o sistema de gestión tiene integración con los webservices de AFIP, empezá por ahí antes de evaluar cualquier solución de OCR.
Facturas semi-estructuradas: PDFs nativos
Facturas generadas digitalmente y exportadas como PDF — sin ser XML de AFIP — tienen una estructura consistente por proveedor pero variable entre proveedores. El total siempre está en algún lugar, pero en el proveedor A está en el margen derecho y en el proveedor B está al final de una tabla.
Los sistemas modernos de extracción manejan esto con modelos por proveedor: aprenden la estructura de los primeros 20–30 documentos de cada emisor y aplican ese modelo a los siguientes. La precisión después del período de aprendizaje suele estar entre el 85% y el 95% en proveedores recurrentes con formatos estables. El riesgo está en proveedores que cambian su plantilla — lo que parece poco frecuente hasta que un proveedor actualiza su sistema y el modelo deja de funcionar.
Facturas no estructuradas: imágenes y escaneados
Facturas físicas escaneadas, fotos tomadas con el celular, o documentos de proveedores que imprimieron y volvieron a escanear. Aquí la variabilidad es alta y la precisión es impredecible. Factores que degradan el resultado: resolución del escaneado, inclinación, sombras, texto manuscrito, tinta borrosa, papel con membrete de fondo complejo.
En estas condiciones, los mejores sistemas actuales alcanzan 70–80% en condiciones favorables y caen bastante por debajo en documentos de mala calidad. El costo de la revisión manual del 20–30% restante hay que incluirlo en el análisis de ROI.
El caso donde funciona bien
Una empresa de servicios profesionales procesa 300 facturas de proveedores por mes. La distribución es:
- 180 facturas de proveedores grandes con XML de AFIP disponible → integración directa, 0 tiempo de operador
- 90 facturas de proveedores medianos con PDF nativo consistente → 93% de precisión después de un mes de entrenamiento, revisión manual de 6–7 facturas
- 30 facturas de proveedores pequeños con escaneados variables → revisión manual del 40%, unas 12 facturas
Resultado real: el tiempo de carga manual pasó de 2 días semanales a 3–4 horas semanales. El 60% del volumen desapareció por integración directa con AFIP. El 30% se automatizó razonablemente. El 10% restante todavía requiere manos humanas, pero es manejable.
Eso es un caso de éxito legítimo. Lo que lo hace funcionar no es la IA — es que el 60% más limpio se resolvió con integración estructurada, y la IA se aplicó al segmento donde tiene sentido aplicarla.
Cuándo no vale la pena
Volumen bajo con alta variedad. Si procesás 50 facturas por mes de 45 proveedores distintos, el período de entrenamiento por proveedor nunca se amortiza. El tiempo de configuración y mantenimiento del sistema puede superar el tiempo que ahorraría.
La mayoría de tus proveedores son informales. Si trabajás con proveedores que no emiten comprobante electrónico AFIP, el documento base suele ser una imagen de baja calidad o directamente un papel físico. La automatización tiene un techo bajo en este escenario.
El error tiene costo regulatorio alto. Si una factura mal cargada genera un crédito fiscal incorrecto en IVA o afecta la liquidación de Ingresos Brutos, el riesgo de un error sin detección es mayor que el costo del operador que lo hubiera visto. En ese caso, la automatización puede ser una herramienta de asistencia (sugerir, no confirmar) pero no puede reemplazar la revisión humana en la etapa final.
Estás evaluando la herramienta equivocada. Antes de implementar extracción de facturas, verificá si el problema real es la carga de datos o es la gestión de aprobaciones, la conciliación con órdenes de compra, o la falta de integración entre tu sistema de compras y tu contabilidad. La IA aplicada al síntoma equivocado no resuelve el problema.
Lo que hay que pedir en una demo
Cuando evaluás una solución de automatización de facturas, pedí que el demo use tus propias facturas — no las del proveedor. Específicamente:
- Un lote de 50 facturas reales de tus últimos 30 días
- Que incluya al menos 10 de tus proveedores más chicos o con documentos menos prolijos
- Que muestren la tasa de confianza por campo, no solo el promedio general
- Que definan exactamente qué pasa cuando un campo está bajo el umbral de confianza (¿alerta? ¿rechazo automático? ¿fila de revisión?)
Una solución que no acepta correr el demo con tus datos reales está ocultando algo.
Si querés evaluar si la automatización de facturas tiene sentido para el volumen y tipo de documentos que procesás, podemos hacer ese análisis antes de que comprometás presupuesto. Hablemos sobre automatización con IA.