Cómo obtener resultados limpios y precisos
de la extracción de documentos con IA

Sus Nombres de Columnas Son Instrucciones

Cuando escribe un nombre de columna en una herramienta de extracción con IA, no solo está etiquetando una columna de hoja de cálculo — le está indicando al modelo qué buscar, cómo identificarlo y cómo formatear el resultado. El modelo lee el nombre de columna como una instrucción y lo aplica a cada documento del lote.

Esto significa que un nombre de columna vago produce un resultado vago: "Date" en una factura que tiene cinco fechas diferentes le da la que el modelo encuentre primero. Un nombre de columna específico produce un resultado específico: "Issue Date (YYYY-MM-DD)" le indica al modelo qué fecha encontrar y cómo formatearla.

Los ocho consejos a continuación cubren las principales formas de hacer que los nombres de columnas trabajen más para usted — desde el control del formato hasta la desambiguación y las técnicas estructurales que previenen errores silenciosos en el procesamiento por lotes.

Ocho Consejos para Mejores Resultados de Extracción

1. Incorpore los requisitos de formato en el nombre de columna

En lugar de "Date", escriba "Date (YYYY-MM-DD)". En lugar de "Amount", escriba "Amount (number only, no currency symbol)". El modelo lee el nombre de columna tanto como un identificador de campo como una instrucción de formato.

Esto es importante porque diferentes documentos fuente formatean el mismo valor de manera diferente — "March 15, 2024", "15/03/2024" y "2024-03-15" son la misma fecha en tres formatos. Si nombra la columna "Date (YYYY-MM-DD)", la salida se estandariza a un formato en todos los documentos del lote, sin necesidad de posprocesamiento. El mismo principio se aplica a los montos: "Total Amount (number only, 2 decimal places)" elimina los símbolos de moneda y los separadores de miles para que la columna esté lista para operaciones numéricas sin limpieza.

2. Desambigüe cuando un documento tiene varias instancias del mismo tipo de campo

Una orden de compra tiene una Fecha de Pedido, una Fecha de Entrega y una Fecha de Vencimiento de Pago. Si solicita "Fecha", obtendrá la fecha que el modelo encuentre primero. Solicite "Fecha de Pedido", "Fecha de Entrega" y "Fecha de Vencimiento" como tres columnas separadas: la especificidad guía la extracción al valor correcto en cada caso.

Esto se aplica igualmente a los montos (total de factura vs. depósito pagado vs. saldo pendiente), nombres (proveedor vs. destinatario vs. persona de contacto) y números de referencia (número de OC vs. número de factura vs. número de seguimiento). Cualquier tipo de campo que pueda aparecer más de una vez en un documento necesita un nombre que lo desambigüe.

3. Use lenguaje natural para campos inferidos o clasificados

No necesita saber cómo un documento llama a un campo: puede describir lo que desea. "Tipo de Transacción (Débito o Crédito)" funciona como nombre de columna incluso cuando diferentes bancos etiquetan el mismo concepto como "Retiro/Depósito", "DR/CR" o simplemente usan montos positivos/negativos. El modelo clasifica cada transacción basándose en la comprensión semántica, no en una coincidencia de palabras clave contra el documento fuente.

Esto también funciona para campos condicionales: "Estado (Pagado o No Pagado, según el sello de pago o el texto de confirmación)" es una instrucción válida. El modelo evalúa el documento y aplica su lógica de clasificación: no está limitado a campos que estén literalmente presentes con esa etiqueta exacta.

4. Agregue un valor de ejemplo a columnas ambiguas

Cuando un nombre de campo por sí solo podría interpretarse de múltiples maneras, agregar un valor de ejemplo entre paréntesis resuelve la ambigüedad. El modelo trata el ejemplo como una señal de calibración: el mismo mecanismo que el prompting few-shot en un prompt de modelo de lenguaje.

Tres casos donde esto ayuda de manera consistente:

• Campos de clasificación con una taxonomía específica: "Categoría de Gasto (p. ej., Alquiler, Servicios Públicos, Nómina, Viajes)" — los valores de ejemplo definen exactamente qué categorías usar, en lugar de permitir que el modelo invente las suyas. Sin los ejemplos, dos lotes procesados en momentos diferentes podrían producir nombres de categorías inconsistentes.
• Anclaje de formato entre fuentes inconsistentes: "Teléfono (p. ej., +1-415-555-0123)" — cuando documentos de diferentes países o sistemas usan convenciones de formato distintas, un ejemplo fija la salida a un formato sin necesidad de una regla de formato explícita.
• Distinción entre identificadores similares: "Número de OC (p. ej., PO-2024-0892, no el número de factura)" — en documentos que contienen múltiples números de referencia, el ejemplo excluye explícitamente el incorrecto.

El ejemplo no tiene que ser datos reales: un valor de muestra plausible es suficiente. Funciona como un demostrador de patrón, no como un filtro.

5. Comprenda cómo la indexación de columnas evita errores silenciosos

Una propiedad estructural de la extracción fiable con IA: cada valor extraído debe emparejarse con su número de índice de columna, no solo con su posición en una cadena separada por comas. Esto importa más de lo que parece inicialmente.

Sin una indexación de columnas explícita, un campo faltante provoca un desplazamiento silencioso de columnas. Si una fila tiene cinco columnas pero el modelo omite el campo 3 porque está ausente en un documento particular, los campos 4 y 5 caen en las columnas equivocadas para esa fila. En un lote de 50 documentos, este tipo de desalineación es difícil de detectar: los totales terminan en las columnas de nombres de proveedores, las fechas en las columnas de montos, hasta que los números no cuadran en el procesamiento posterior.

Con la salida indexada (p. ej., "1. 2024-03-15", "2. 1590.00", "3. ACME Supplies"), cada valor lleva su identidad de columna explícitamente. Un campo faltante produce un marcador de posición vacío en el índice correcto en lugar de desplazar silenciosamente los valores posteriores hacia la izquierda. Cada fila mantiene la misma estructura independientemente de cuántos campos estuvieran realmente presentes en el documento fuente, y las celdas vacías marcan correctamente los datos faltantes en lugar de corromper las columnas adyacentes.

Esto también suprime una clase de errores de alucinación: sin la restricción de índice, un modelo puede llenar un campo faltante con un valor adyacente que suene plausible en lugar de dejarlo en blanco. La indexación explícita hace que "nada encontrado aquí" sea un estado de salida válido y reconocido.

6. Use la detección automática primero al trabajar con un tipo de documento desconocido

Cuando se encuentre con un tipo de documento del que no haya extraído antes, súbalo sin especificar ninguna columna. El modelo analizará la estructura visual del documento y generará una lista de campos inicial basada en lo que encuentre.

Use esa salida para comprender qué campos están presentes de manera consistente y cómo el documento fuente los etiqueta; luego refine sus nombres de columnas para los siguientes ejecuciones por lotes. Esto es más rápido que adivinar nombres de columnas e iterar a través de celdas en blanco para descubrir qué contiene realmente el documento. Es especialmente útil para diseños desconocidos: informes de laboratorio de un nuevo sistema hospitalario, estados de cuenta de un banco que acaba de agregar a su flujo de trabajo, o el formato de factura de un nuevo proveedor.

7. Sea explícito sobre si desea una fila por documento o una fila por línea de artículo

Una factura con ocho líneas de artículo puede producir una fila (con los artículos concatenados o resumidos) u ocho filas (una por artículo). Los nombres de columnas que especifique determinan qué comportamiento obtiene.

Si especifica columnas a nivel de documento — "Nombre del proveedor", "Fecha de la factura", "Monto total" — obtiene una fila por documento. Si especifica columnas a nivel de línea de artículo — "Descripción del artículo", "Cantidad", "Precio unitario", "Total de la línea" — obtiene una fila por línea de artículo en todos los documentos del lote. Mezclar ambos tipos en un mismo conjunto de columnas también es válido: el modelo repetirá los valores a nivel de documento para cada fila de línea de artículo, produciendo una tabla desnormalizada que es fácil de filtrar y pivotar en Excel.

8. Agrupe documentos del mismo tipo en un lote

Cuando todos los documentos de un lote comparten el mismo esquema de columnas, cada documento se convierte en un conjunto de filas dentro de una tabla fusionada y limpia. Mezclar tipos de documentos fundamentalmente diferentes sin una columna distintiva crea ambigüedad: el "Monto" de una factura y el "Monto" de un estado de cuenta bancario significan cosas distintas, y serán indistinguibles en la salida fusionada.

Si necesita fusionar diferentes tipos de documentos, agregue una columna "Tipo de documento" o "Fuente". El modelo puede leer esto directamente de cada documento y completarlo automáticamente — no necesita etiquetar cada archivo manualmente.

Antes y después: nombres de columnas vagos vs. precisos

Preguntas Frecuentes