¿Puede la IA extraer tablas de imágenes?
Sí — qué tan bien funciona
Sí. La IA puede extraer datos de tablas — filas, columnas, encabezados y valores de celdas — de imágenes de tablas con y sin bordes. Las tablas con bordes logran un reconocimiento de estructura casi perfecto, superando a menudo el 95%. Las tablas sin bordes con un espaciado de columnas claro funcionan bien en el rango del 85–95%. Las tablas densas sin bordes con celdas combinadas y encabezados jerárquicos siguen siendo el caso más difícil, alcanzando típicamente un 60–85% y requiriendo cierta limpieza manual. La brecha no está en si la IA "entiende" las tablas — lo hace — sino en la ambigüedad inherente que presenta una imagen de tabla: cuando no hay límites visuales, incluso un lector humano tiene que adivinar a qué celda pertenece un valor.
Conclusiones clave
- La precisión de extracción de tablas de la IA cae del 96% en tablas con bordes al 60% en tablas con celdas combinadas — y la culpa no es del modelo, sino de la imagen de entrada que ya borró la estructura jerárquica.
- Una celda combinada que abarca tres filas significa "esta categoría cubre los siguientes tres elementos" — obvio para un lector humano, pero para una IA que opera sobre una imagen plana, es un problema de inferencia donde la estructura de árbol ya no existe en los datos.
- Define tus columnas de salida explícitamente — Descripción del Artículo, Cantidad, Precio Unitario — y la IA localiza los valores por significado semántico en lugar de reconstruir la cuadrícula de la tabla, evitando por completo la ambigüedad de las celdas combinadas.
Rendimiento según el tipo de tabla
La pregunta «¿puede la IA extraer tablas de imágenes?» no tiene una única respuesta. Depende enteramente de la tabla en tu imagen, no de la capacidad general de la IA. Décadas de investigación en visión artificial, que culminaron en el benchmark TableBank (417 234 tablas etiquetadas) y PubTabNet (más de 568 000 imágenes de tablas), han generado un panorama claro de lo que funciona y lo que no. Aquí está el desglose:
| Tipo de tabla | Precisión estructural (S-TEDS) | Contenido + estructura (TEDS) | Qué lo hace funcionar / fallar |
|---|---|---|---|
| Tablas con bordes | 96–98% | 90–95% | Las líneas de cuadrícula proporcionan límites de celda inequívocos. La IA de visión detecta líneas como separadores; la detección de columnas es casi perfecta. |
| Sin bordes, espaciado claro | 88–95% | 85–93% | El espacio en blanco entre columnas es suficiente cuando es amplio y consistente. La IA infiere los límites de las columnas a partir de patrones de alineación. |
| Sin bordes, diseño denso | 70–85% | 65–80% | Los espacios estrechos entre columnas difuminan los límites. Valores como «2 400 000» junto a «12,5%» con espaciado fino se fusionan en una sola celda aproximadamente un tercio de las veces. |
| Celdas combinadas | 60–80% | 55–75% | Rowspan/colspan rompen la suposición de cuadrícula. La IA debe inferir qué filas abarca una celda combinada: trivial para humanos, estructuralmente ambiguo para algoritmos. |
| Tablas manuscritas | 50–70% | 40–65% | Doble desafío: reconocer escritura a mano e inferir la estructura de la tabla a partir de una alineación irregular. Incluso los operadores de entrada de datos humanos se ralentizan significativamente con estas. |
Estos números provienen de la métrica TEDS (Tree-Edit-Distance-based Similarity) utilizada en benchmarks académicos. S-TEDS mide la fidelidad estructural: ¿están presentes el número correcto de filas y columnas, con el combinado de celdas adecuado? TEDS añade precisión de contenido: ¿son correctos los valores dentro de cada celda? Un benchmark de 2025 de modelos de visión-lenguaje en PubTabNet encontró que los VLM de propósito general logran un 74–85% de TEDS en extracción bruta, mientras que los modelos especializados en tablas con pipelines de preprocesamiento alcanzan el rango del 93%+ (marco NGTR, IJCAI 2025).
La implicación práctica: si extraes datos de tablas limpias de facturas con bordes o informes estructurados, la IA es madura y está lista para producción. Si trabajas con un apéndice de contrato escaneado que contiene una tabla de precios densa y sin bordes con encabezados de categoría combinados, espera dedicar tiempo a la verificación manual. Para una visión más amplia de lo que la extracción de documentos con IA puede y no puede hacer en todos los tipos de documentos, consulta nuestra guía sobre qué es realmente la extracción de documentos con IA.
Lo que la IA hace bien
Tres escenarios de tablas donde la IA de visión moderna ofrece resultados de calidad profesional de forma consistente:
Tablas con bordes de cualquier origen. Ya sea una factura en PDF, una captura de pantalla de un portal contable o una foto de una orden de compra impresa — si la tabla tiene líneas de cuadrícula visibles, la IA detecta los límites de las celdas con precisión casi perfecta. La razón es simple: las líneas horizontales y verticales crean un gráfico inequívoco que un modelo de IA puede analizar de forma determinista, similar a cómo analizaría una cuadrícula de hoja de cálculo. Herramientas tradicionales de OCR como Camelot también logran más del 90% en tablas bien delimitadas, pero la IA añade la capacidad de manejar bordes curvos o torcidos que rompen los detectores de líneas basados en reglas.
Tablas sin bordes con espaciado limpio. Las facturas modernas de plataformas SaaS, firmas de servicios profesionales y proveedores con diseño innovador suelen usar diseños de tabla basados en espacios en blanco — sin líneas de cuadrícula, solo generoso espaciado entre columnas. Estas tablas están diseñadas para ser legibles por humanos solo mediante la alineación, y los modelos de IA entrenados con millones de imágenes de tablas han aprendido la misma señal visual. Cuando los espacios entre columnas son consistentes y más amplios que los espacios entre palabras dentro de una celda, la IA identifica correctamente los límites más del 90% de las veces.
Tablas de varias páginas con estructura consistente. Cuando una tabla abarca varias páginas con el mismo diseño de columnas en cada página — común en extractos bancarios, informes financieros y facturas de servicios públicos — la IA puede procesar cada página de forma independiente y fusionar los resultados en una sola hoja de cálculo continua. Aquí es donde el diseño por lotes de las herramientas modernas de extracción se vuelve crítico: subes todas las páginas a la vez y obtienes una única tabla de salida unificada, no N extractos separados que necesitan unión manual.
Donde tiene dificultades
Ser específico sobre los modos de fallo genera más confianza que afirmar un 99% de precisión en todo. Estos son los escenarios donde la extracción de tablas con IA aún requiere supervisión humana:
Celdas combinadas con semántica direccional. Una celda que abarca tres filas en un encabezado de columna significa "esta es la categoría principal para las siguientes tres filas". Para un humano, eso es obvio. Para una IA, es un problema de inferencia estructural: reconstruir un árbol a partir de una cuadrícula plana. Cuando las celdas combinadas cubren cuatro o más filas, o cuando aparecen celdas combinadas tanto en encabezados de fila como de columna simultáneamente, la precisión cae drásticamente. Un estudio comparativo de 2024 sobre herramientas de análisis de PDF encontró que la precisión del analizador se degradó más en documentos con diseños no estándar y combinación compleja de celdas.
Esto no es un fallo de la inteligencia de la IA — es un fallo del formato de entrada. Una imagen de tabla con celdas combinadas ha perdido la estructura jerárquica que existiría en la fuente original (HTML con atributos rowspan, o una hoja de cálculo con regiones combinadas). Se le pide a la IA que reconstruya información que se eliminó cuando la tabla se renderizó como una imagen plana. Eso es un problema de inferencia, no de reconocimiento.
Encabezados jerárquicos. Las tablas donde los encabezados de columna tienen relaciones padre-hijo (por ejemplo, "Q1 2025" abarcando "Ene", "Feb", "Mar") y los encabezados de fila también tienen grupos principales crean una jerarquía bidimensional. La mayoría de los modelos de IA generan una tabla plana — una fila de encabezado, luego filas de datos. No preservan de forma nativa la relación jerárquica a menos que se les indique explícitamente. El resultado suele ser una tabla plana técnicamente correcta que ha perdido la estructura multinivel que pretendía el autor original. Nuestro enfoque de Extracción Personalizada de Columnas evita esto permitiéndote definir el esquema de salida de antemano, en lugar de pedirle a la IA que lo infiera de la imagen.
Cuadrículas densas sin bordes con anchos de celda variables. Cuando una tabla no tiene bordes, espacios estrechos entre columnas y celdas con cantidades variables de texto (valores cortos y descripciones largas), los límites de los espacios en blanco se vuelven ambiguos. Una celda que contiene "Factura #2405-001" junto a una celda con "Material de oficina — Papelería (pedido al por mayor)" podría interpretarse como tres columnas separadas si la IA juzga mal los umbrales de espacio en blanco.
Tablas escritas a mano. Incluso cuando la escritura es legible (la IA de visión la maneja con un 85–95 % de precisión, como se explica en nuestra guía sobre reconocimiento de escritura a mano con IA), el problema estructural se agrava. Las tablas manuscritas tienen una alineación irregular de columnas: los valores se desplazan a izquierda o derecha, la altura de las filas varía y las líneas rara vez son rectas. La IA debe resolver dos problemas complejos simultáneamente: el reconocimiento de texto y la inferencia de la estructura a partir de una cuadrícula irregular.
Comparativa de Métodos Tradicionales
Antes de la IA de visión, extraer tablas de imágenes implicaba combinar varias herramientas frágiles. Entender el enfoque antiguo explica por qué las capacidades de extracción de tablas con IA suponen un cambio radical.
| Método | Cómo funciona | Precisión en tablas con bordes | Precisión en tablas sin bordes | Celdas combinadas |
|---|---|---|---|---|
| Camelot (modo lattice) | Detecta líneas visuales en el PDF/imagen y calcula intersecciones de celdas | ~68 % global (en distintos tipos de documentos) | Falla por completo: el modo lattice requiere bordes visibles | Falla: sin detección de líneas no hay cuadrícula |
| Tabula | Extrae posiciones de texto del PDF, agrupa por proximidad espacial | ~73 % global | 50–70 %: el modo stream adivina los límites de columna por espacios en blanco | Copia el valor de la celda combinada en celdas adyacentes arbitrarias, perdiendo semántica |
| pdfplumber | Extracción de texto a nivel de carácter con análisis explícito de espacios en blanco | ~72 % global | 55–75 %: más configurable que Tabula pero con el mismo enfoque fundamental | Sin manejo de celdas combinadas; genera celdas planas |
| IA de visión / VLM | Lee la tabla como una escena visual: entiende estructura, texto y relaciones simultáneamente | 90–98 % | 85–95 % (espaciada) / 65–80 % (densa) | 60–80 %: infiere el abarcamiento por contexto, pero no perfectamente |
El enfoque tradicional tiene un problema arquitectónico fundamental: separa el reconocimiento de texto del reconocimiento de estructura. Primero, el OCR extrae texto y posiciones. Luego, un algoritmo separado —a menudo heurísticas ajustadas manualmente— intenta reconstruir la cuadrícula de la tabla a partir de esas posiciones. Si el OCR lee mal un carácter (común en imágenes de baja resolución) o posiciona mal una palabra (frecuente en documentos sesgados), la inferencia de la estructura falla en etapas posteriores sin posibilidad de recuperación. Los errores se acumulan.
Vision AI evita esto por completo. Lee la imagen de la tabla como una escena visual, de la misma manera que tú lo haces, entendiendo que un número bajo el encabezado "Total" pertenece a esa columna no porque esté en la coordenada de píxel X, sino porque se alinea semánticamente con todo lo demás en la columna "Total". Esto no es solo un mejor OCR, es un enfoque fundamentalmente diferente al problema, que nuestra comparación entre IA y OCR tradicional explora en detalle.
Cómo obtener los mejores resultados
Cinco prácticas que mejoran consistentemente la precisión de la extracción de tablas con IA, independientemente de la herramienta que uses:
1. Empieza con la resolución más alta disponible. Los modelos de IA ven la imagen como una cuadrícula de píxeles; más píxeles significan una distinción más fina entre celdas adyacentes. Un análisis de 2025 de modelos de lenguaje de visión en el benchmark PubTabNet encontró que el escalado de imagen era la mejora de preprocesamiento más común, utilizada en el 64% de las extracciones exitosas en entradas de baja calidad. Si estás fotografiando una tabla impresa, usa la resolución más alta que admita la cámara de tu teléfono y mantén el teléfono paralelo al documento para evitar la distorsión de perspectiva.
2. Recorta la región de la tabla. La IA visual funciona mejor cuando la tabla ocupa la mayor parte del encuadre. El contenido adicional alrededor de la tabla (texto circundante, logotipos, encabezados de página) añade ruido que puede confundir la detección de columnas. Recorta tu imagen solo al área de la tabla antes de la extracción.
3. Define explícitamente tus columnas de salida. El enfoque más fiable no es pedirle a la IA que "extraiga todo", sino decirle qué extraer. Cuando especificas nombres de columna como "Descripción del artículo", "Cantidad", "Precio unitario" y "Total por línea", la IA sabe exactamente qué campos buscar y dónde pertenecen en la salida. Este es el principio detrás de la Extracción de Columnas Personalizadas: la IA empareja los datos con tu esquema comprendiendo el contenido del documento, no adivinando la estructura de la tabla. Para la explicación completa de cómo funciona esto, consulta cómo la extracción basada en esquemas difiere del análisis de tablas completas.
4. Para tablas sin bordes, preprocesa con mejora de contraste. Si tu tabla no tiene bordes visibles y el espaciado entre columnas es fino, aumentar el contraste de la imagen puede ayudar a la IA a distinguir los límites de las columnas. Incluso un simple ajuste de niveles en cualquier editor de imágenes (oscurecer el texto, aclarar el fondo) mejora la detección de espacios en blanco.
5. Verifica las salidas de celdas combinadas. Este es el paso que nunca debes saltarte. Cuando una tabla tiene celdas combinadas, revisa la hoja de cálculo extraída en busca de filas donde un valor parezca faltar o estar repetido incorrectamente. La inferencia estructural de la IA sobre celdas combinadas es lo suficientemente buena como para ahorrarte mucho tiempo (acierta en el 80% de los casos), pero el 20% restante puede introducir errores que se propaguen en análisis posteriores si no se revisan. Trata la extracción con IA como un primer borrador que necesita una revisión humana de 60 segundos, no como una caja negra que no requiere supervisión.
Ejemplos reales: qué esperar
Ejemplo 1: Una orden de compra impresa con tabla de líneas con bordes. Tomas una foto de una OC de un proveedor. La tabla tiene bordes claros, columnas estándar (Artículo, Descripción, Cant., Precio unitario, Total) y sin celdas combinadas. La IA extraerá esto con una precisión casi perfecta: cada fila, cada valor de celda, correctamente alineado. No perderás tiempo en correcciones. Este es el punto óptimo donde la extracción de tablas con IA es genuinamente más rápida y precisa que la entrada manual de datos.
Ejemplo 2: Un extracto bancario en PDF con una tabla de transacciones sin bordes. Los extractos bancarios suelen usar diseños de tabla basados en espacios en blanco: columnas de fecha, descripción, débito, crédito y saldo separadas por espacios consistentes. La IA maneja esto bien: 90–95 % de precisión en estructura y contenido. El error más común es desalinear descripciones largas de transacciones que se extienden a la columna adyacente de débito/crédito. Una revisión rápida del resultado detecta estos errores en menos de un minuto.
Ejemplo 3: Un anexo de contrato escaneado con una cuadrícula de precios densa. Este es el caso más difícil: sin bordes, espaciado de columnas estrecho, encabezados de categorías combinados que abarcan varias subcolumnas y valores de datos de longitudes variables. Espera una precisión estructural del 65–80 %. La IA obtendrá la mayoría de los datos correctos, pero podría mezclar la relación entre los encabezados de categorías combinados y sus subcolumnas. Prevé de 5 a 10 minutos de corrección manual en una tabla de 20 filas.
Preguntas frecuentes
¿Puede la IA extraer tablas de una foto tomada con mi teléfono?
Sí, y a menudo sorprendentemente bien, siempre que la foto sea nítida, esté bien iluminada y se tome de frente (no en ángulo). El principal problema con las fotos de teléfono es la distorsión de perspectiva: una tabla fotografiada en ángulo crea líneas inclinadas que confunden tanto al OCR tradicional como al reconocimiento de estructura de la IA. Sostén el teléfono paralelo a la superficie del documento y los resultados serán comparables a los de un escáner de cama plana. Para tipos de documentos que se fotografían en lugar de escanearse, consulta nuestra guía sobre extracción de datos de capturas de pantalla y fotos.
¿La IA funciona mejor con PDF o con imágenes?
Depende del PDF. Un PDF de texto nativo (donde puedes seleccionar y copiar texto) contiene datos de posicionamiento que la IA puede usar como señal adicional, lo que a menudo mejora la precisión en 5–10 puntos porcentuales en comparación con una imagen pura. Un PDF escaneado de solo imagen equivale a una imagen. La IA maneja ambos, pero si tienes opción, proporciona el PDF de texto nativo original en lugar de una captura de pantalla del mismo.
¿Puede la IA manejar tablas con texto de varias líneas dentro de las celdas?
Sí, y esta es un área donde la IA supera significativamente a los métodos tradicionales. Cuando una celda contiene un párrafo de texto, algo común en anexos de contratos, hojas de especificaciones e informes clínicos, el OCR tradicional pierde el rastro de los límites de las filas porque los saltos de línea dentro de una celda parecen saltos de fila. La IA de visión lee la celda como una entidad completa y conserva el texto dentro de ella, entendiendo que un salto de línea dentro de "Alcance del trabajo: El contratista deberá..." no inicia una nueva fila.
¿Cómo maneja la IA tablas con diferentes monedas o formatos numéricos?
La IA lee valores numéricos en contexto: reconoce "1.500,00" como un número con formato europeo (1,500.00) y "$1,500.00" como formato estadounidense, incluso si ambos aparecen en la misma tabla. Esto funciona porque la IA de visión no se basa en el emparejamiento de cadenas numéricas; entiende el idioma del documento, el contexto de la columna circundante y el significado probable del valor. Las tablas con formatos mixtos — como una factura comercial con formatos de moneda mixtos — se manejan correctamente en la mayoría de los casos.
¿Puede la IA extraer tablas que abarcan varias páginas?
Sí. La IA de visión moderna puede detectar cuando una tabla continúa en la página siguiente y fusionar los resultados en una sola hoja de cálculo de salida. Un estudio de 2025 que utilizó el conjunto de datos PubTables-v2 logró un 99.5% de recuperación en la identificación de continuaciones de tablas entre páginas. El requisito práctico: todas las páginas deben cargarse juntas como un lote para que la IA pueda ver la continuidad. Procesar páginas una por una pierde el contexto entre páginas.
¿Necesito entrenar primero a la IA con mi formato de tabla?
No. Esta es una idea errónea común heredada de herramientas de OCR basadas en plantillas como Docparser o Parseur, donde debes definir zonas o reglas de análisis para cada nuevo diseño de documento. La IA de visión utiliza comprensión semántica: lee tu tabla como lo haría un humano, sin necesidad de exposición previa a tu formato específico. La contrapartida: las herramientas basadas en plantillas pueden lograr una mayor precisión en formatos para los que han sido entrenadas explícitamente, pero fallan cuando el formato cambia. La IA maneja la variación de formato automáticamente, pero con una precisión máxima menor en cualquier formato fijo único. Para un desglose detallado de esta contrapartida, consulta OCR tradicional vs extracción con IA.
¿Qué sucede cuando una tabla contiene texto y casillas de verificación o símbolos?
La IA de visión lee casillas de verificación y símbolos contextualmente: una casilla marcada junto a "Envío exprés" se entiende como "método de envío = exprés", no como un símbolo aislado. Esto funciona porque la IA ve la casilla de verificación y el texto de la etiqueta juntos como una unidad semántica, similar a cómo procesa pares clave-valor en otras partes de la página. La precisión en datos de casillas de verificación es generalmente del 85–95%, comparable al texto impreso en tablas con bordes.
En resumen: la IA está lista para tablas con bordes y bien espaciadas hoy en día. Ahorra una enorme cantidad de tiempo incluso en casos difíciles, porque editar una extracción mayormente correcta es más rápido que escribir todo desde cero. Y a medida que los modelos de visión mejoran, la categoría "difícil" se reduce cada año. Los datos lo respaldan: las puntuaciones S-TEDS en PubTabNet han aumentado de ~65% en 2020 a ~93%+ en 2025, y la línea de tendencia aún no se ha aplanado.
Para una comparación práctica de cómo la extracción con IA se desempeña frente a la entrada manual de datos en documentos del mundo real, consulta nuestro desglose de tiempo y precisión de IA vs transcripción manual. O explora nuestro resumen de las mejores herramientas de extracción de tablas en 2026 para ver cómo diferentes herramientas se comparan en las métricas que importan para tu flujo de trabajo.