Clasificar, separar y enrutar documentos

Una clase documental solo es útil si cambia una decisión. «Factura» puede seleccionar un esquema de extracción y una ruta contable; «contrato» puede activar campos, validaciones y responsables distintos. Etiquetar por curiosidad añade complejidad sin mejorar el proceso.

Esta lección une tres operaciones relacionadas: identificar límites cuando un archivo contiene varias piezas, asignar una clase operativa a cada documento y decidir qué ruta debe seguir. Google Document AI, por ejemplo, documenta procesadores capaces de clasificar y dividir documentos para alimentar procesos posteriores. La arquitectura general, sin embargo, debe funcionar aunque cambie el proveedor.

Empieza con pocas clases accionables

Usa el inventario del primer módulo. Para cada clase escribe:

• definición;
• criterios de inclusión;
• criterios de exclusión;
• ejemplos fronterizos;
• esquema de extracción;
• validaciones;
• ruta operativa;
• responsable de excepción.

Fusiona clases que terminan en el mismo tratamiento. Separa las que cambian los campos, el riesgo o el destino.

Incluye desconocido. Un sistema que obliga a elegir siempre entre clases conocidas confunde incertidumbre con decisión. La clase desconocida permite conservar control cuando aparece una plantilla o documento que no estaba en el diseño.

Divide antes de extraer cuando el archivo contiene varias piezas

Un PDF puede contener factura, albarán y anexos. Antes de extraer datos necesitas determinar qué páginas pertenecen a cada documento lógico.

Prueba explícitamente:

• documentos de una página;
• multipágina;
• páginas en blanco;
• anexos sin portada;
• cambio de clase a mitad del archivo;
• documento incompleto al final;
• escaneo que repite una página;
• páginas fuera de orden.

La división tiene su propio riesgo. Si unes páginas de dos documentos diferentes, la extracción posterior puede construir valores coherentes pero falsos. Conserva siempre el rango de páginas y la relación con el paquete original.

Combina señales según el contexto

La clasificación puede utilizar metadatos del canal, emisor, asunto, texto, palabras clave, layout, plantilla, reglas o un modelo. No existe una obligación de utilizar IA si reglas sencillas resuelven una clase de forma fiable.

Evita que una única señal no confiable decida rutas sensibles. El nombre de archivo puede ser útil, pero puede venir de un tercero y estar equivocado. Una palabra como «factura» puede aparecer en un contrato o en una factura rectificativa. Combina señales cuando el coste de confusión lo justifique.

Diseña una salida que pueda auditarse

La respuesta de clasificación debería incluir, como mínimo:

• clase propuesta;
• versión de taxonomía;
• páginas incluidas;
• señales o evidencia relevante;
• estado de calidad;
• método utilizado;
• ruta asignada;
• motivo de revisión cuando exista.

No necesitas exponer razonamiento interno de un modelo. Necesitas evidencia operacional: qué fragmentos o condiciones sostienen la decisión y qué versión de reglas o clasificador intervino.

Evalúa por pares y por coste de confusión

La exactitud global de clasificación puede ocultar el error importante. Confundir dos subtipos que terminan en la misma cola quizá sea casi inocuo. Confundir una factura con un albarán puede crear una escritura incorrecta.

Construye una matriz de confusión y marca pares con consecuencias distintas. En clases de alto riesgo, un falso positivo puede ser peor que enviar más casos a revisión. La política de umbrales debe reflejar ese coste y no una puntuación genérica.

Para splitting mide además límites correctos, páginas perdidas y páginas asignadas al documento equivocado.

Mantén la taxonomía como un artefacto versionado

Cuando aparece una clase nueva, no la introduzcas por un solo ejemplo. Reúne casos, define su tratamiento, añade ejemplos frontera y vuelve a ejecutar regresión sobre las clases existentes.

Versiona la taxonomía y conserva la versión con cada resultado. Así puedes reconstruir por qué un documento siguió una ruta hace seis meses aunque las clases actuales hayan cambiado.

Ejemplo: buzón de proveedores

Un buzón recibe facturas, albaranes y certificados. La primera versión procesa facturas y albaranes; los certificados se reconocen, pero se derivan al archivo sin extracción. Un documento desconocido pasa a revisión.

Un proveedor nuevo envía un PDF con factura y certificado unidos. El sistema detecta dos rangos, clasifica el primero como factura y el segundo como certificado. La factura continúa; el certificado se deriva. Si el splitter no puede decidir el límite, todo el paquete queda en revisión en lugar de mezclar campos.

Ejercicio: taxonomía y enrutado

Entrega:

1. clases y definiciones;
2. clase desconocida;
3. reglas de división;
4. señales utilizadas;
5. salida estructurada;
6. matriz de confusión;
7. coste de errores por pares;
8. umbrales o condiciones de revisión;
9. rutas por clase;
10. conjunto de pruebas de paquetes;
11. procedimiento de alta y cambio de clases.

Resultado de la lección

El diseño es suficiente cuando cada clase conduce a una acción, cada página puede vincularse al documento lógico correcto y la incertidumbre tiene una ruta explícita. A partir de aquí puedes definir qué datos necesita extraer cada clase sin crear un esquema genérico que intente representar todos los documentos del mundo.