Qué es el OCR y cómo funciona
OCR convierte una imagen de texto en texto real, buscable y usable. Esto es lo que pasa técnicamente detrás, y qué significa el "nivel de confianza" que ves en un resultado.
Escaneas una factura y en segundos aparecen el número, el proveedor y el monto como texto real, no como una foto. Eso es OCR — Optical Character Recognition, reconocimiento óptico de caracteres — la tecnología que convierte los píxeles de una imagen en texto que un sistema puede leer, buscar e indexar, en vez de solo mostrar.
De la imagen al texto: qué hace el OCR en realidad
El proceso tiene, en términos generales, tres pasos: detectar dónde hay texto en la imagen (regiones), reconocer qué caracteres forman ese texto comparándolos contra un modelo entrenado, y reconstruir palabras y líneas respetando el orden de lectura. El resultado no es solo el texto — también incluye la posición exacta de cada palabra en la página y un puntaje de confianza por cada dato extraído.
Es clave entender qué NO hace el OCR por sí solo: no "entiende" el documento como lo haría una persona. Reconoce formas que coinciden con caracteres entrenados; no sabe que un número específico es el total de la factura hasta que una capa adicional de extracción lo relaciona con ese campo, generalmente usando patrones o la posición relativa dentro del documento.
Por qué la calidad de la imagen importa más que la resolución
Una foto de alta resolución pero borrosa, oscura o con reflejo produce peor OCR que una foto de menor resolución pero nítida y bien iluminada — la cantidad de píxeles no compensa un carácter que el modelo no puede distinguir con claridad. Los defectos más comunes que degradan la precisión son desenfoque, poca luz, reflejo, texto demasiado pequeño y el documento cortado en el encuadre.
Por eso cada página que se digitaliza recibe un puntaje de calidad y una lista de los defectos detectados, antes de que el error llegue al dato extraído — la alternativa es descubrir el problema después, cuando alguien confía en un dato que en realidad venía de una imagen ilegible.
Qué es el "nivel de confianza" que ves en un resultado
Cada campo extraído (fecha, proveedor, monto, número de factura) trae un puntaje de qué tan seguro está el sistema de haberlo leído bien — no es una medida binaria de "correcto o incorrecto", es una probabilidad. Un campo con confianza alta probablemente es correcto tal cual; uno con confianza baja necesita revisión humana antes de darlo por bueno.
Esa distinción es la base de un flujo de digitalización razonable: los documentos con confianza alta se pueden aprobar automáticamente, y los que caen por debajo de cierto umbral entran a una cola de revisión — nadie revisa manualmente el 100% de lo que se sube, pero tampoco se confía a ciegas en el 100% de lo que extrae el OCR.
OCR no es lo mismo que "entender" un documento
Reconocer texto y extraer tablas estructuradas (filas, columnas, encabezados) son capacidades relacionadas pero distintas — un motor de OCR moderno puede detectar que una sección del documento es una tabla y devolver cada celda por separado, no solo el texto corrido de toda la página.
Aun así, ninguna de las dos reemplaza el criterio humano para las decisiones que importan: el OCR asiste extrayendo el dato candidato, pero quien aprueba que ese dato queda como la versión oficial del documento sigue siendo una persona. Es la misma razón por la que un dato con baja confianza no se guarda automáticamente como definitivo.
Preguntas frecuentes
¿El OCR funciona igual de bien con manuscritos que con texto impreso?
No — el OCR moderno es muy confiable con texto impreso (facturas, contratos generados digitalmente, formularios), pero su precisión baja notablemente con letra manuscrita, sobre todo si es poco prolija. Si tu proceso depende de documentos manuscritos con frecuencia, conviene planear una revisión manual más exigente para esos casos específicos, no aplicar el mismo umbral de confianza que a un documento impreso.
¿El OCR puede leer tablas, o solo texto corrido?
Los motores de OCR modernos sí pueden detectar estructura de tabla — filas, columnas y encabezados — no solo texto lineal. Eso permite, por ejemplo, extraer automáticamente cada línea de un detalle de factura en vez de solo el texto completo sin estructura. La precisión de esa detección depende de qué tan clara sea la tabla en el documento original.