Qué precisión tiene la IA al leer albaranes, PDFs y pedidos manuscritos

OCR e IA no son exactamente lo mismo

Antes de hablar de precisión, conviene diferenciar OCR e IA.

El OCR convierte texto presente en una imagen o documento escaneado en texto digital. Es decir, intenta leer caracteres: letras, números, códigos, cantidades o palabras impresas.

La IA, aplicada a pedidos, puede ir un paso más allá. No solo lee caracteres, sino que intenta interpretar qué significa cada dato dentro del contexto del pedido. Por ejemplo:

• El OCR puede leer "tomate frito 3 cajas".
• La IA puede intentar interpretar que "tomate frito" corresponde a una referencia concreta del catálogo.
• El sistema puede validar si el cliente compra normalmente ese producto.
• También puede comprobar si el formato "cajas" coincide con la unidad de venta real.
• Y puede marcar la línea como dudosa si hay varios productos parecidos.

Por eso, en automatización de pedidos no basta con preguntar si el OCR lee bien. La pregunta importante es si el sistema puede convertir esa lectura en un pedido fiable para el ERP.

Qué grado de precisión tienen los sistemas de OCR e IA

El grado de precisión de los sistemas de OCR e IA varía mucho según el caso. No es lo mismo leer un PDF generado por ordenador que una foto borrosa de una hoja escrita a mano. Tampoco es lo mismo leer una tabla ordenada que interpretar un mensaje informal lleno de abreviaturas.

En general, la precisión suele ser mayor cuando:

• El documento está impreso o generado digitalmente.
• El PDF tiene texto seleccionable.
• La estructura del pedido es estable.
• Las columnas están claras.
• Los productos incluyen códigos o referencias.
• Las cantidades están bien separadas de las descripciones.
• La imagen tiene buena resolución.
• La letra manuscrita es clara.
• El catálogo está limpio y actualizado.
• El sistema puede validar contra histórico, catálogo y reglas internas.

Y la precisión suele bajar cuando:

• El pedido está escrito a mano con letra poco clara.
• La foto está torcida, borrosa o con sombras.
• Hay tachones o correcciones.
• Las cantidades aparecen mezcladas con observaciones.
• El cliente usa nombres informales.
• Hay productos muy parecidos.
• El catálogo tiene duplicados o referencias antiguas.
• El documento cambia de formato según el cliente.
• El pedido incluye precios escritos por el cliente que deben validarse.

Por eso, prometer una precisión fija para todos los documentos sería poco responsable. Lo correcto es probar con documentos reales y medir qué ocurre en cada tipo de pedido.

No todos los documentos tienen la misma dificultad

La lectura automática de pedidos en PDF, foto o manuscrito depende mucho del origen del documento.

PDF generado digitalmente

Suele ser el caso más favorable. Si el PDF viene de un sistema informático, una hoja de cálculo o una plantilla limpia, el texto puede extraerse con más facilidad.

Aun así, leer el texto no resuelve todo. Después hay que identificar cliente, productos, cantidades, formatos, tarifas y posibles incidencias.

PDF escaneado

Un PDF escaneado funciona como una imagen. El sistema necesita aplicar OCR para reconocer el texto. La precisión dependerá de la calidad del escaneo, la resolución, el contraste y la claridad del documento.

Foto de un pedido

Las fotos son más variables. Pueden tener sombras, inclinación, baja resolución, reflejos, cortes o partes poco visibles. Esto puede afectar a la lectura de productos y cantidades.

Pedido manuscrito

Es el caso más delicado. La letra de cada persona es distinta. Puede haber abreviaturas, tachones, símbolos, números confusos o productos escritos de forma incompleta.

En pedidos manuscritos, la revisión humana y las reglas de confianza son especialmente importantes.

Mensaje de WhatsApp o email informal

Aquí el problema no es solo la lectura. El texto puede ser claro, pero informal: "ponme lo de siempre", "el tomate grande", "el café de la otra vez". En estos casos, la clave está en interpretar con histórico y catálogo, no solo en leer.

Leer un pedido no es lo mismo que validarlo

Este punto es fundamental. Un sistema puede leer correctamente una línea y aun así no poder crear un pedido válido. Por ejemplo, puede leer:

"10 cajas tomate natural"

Pero todavía necesita resolver:

• Qué cliente ha enviado el pedido.
• Qué referencia exacta del catálogo corresponde a "tomate natural".
• Si existen varias marcas o formatos parecidos.
• Si "10 cajas" es una unidad válida para ese producto.
• Si hay stock disponible.
• Si el cliente tiene una tarifa especial.
• Si el pedido puede avanzar o necesita revisión.

Por eso, la precisión útil no es solo precisión de lectura. Es precisión operativa: que el dato leído pueda convertirse en una línea correcta de pedido.

Qué significa trabajar con niveles de confianza

Una automatización seria no debería tratar todas las lecturas igual. Debe trabajar con niveles de confianza. Esto significa que cada línea del pedido puede clasificarse según el grado de seguridad del sistema. Por ejemplo:

• Alta confianza: cliente identificado, producto claro, cantidad válida, formato correcto y coincidencia con catálogo.
• Confianza media: el producto parece correcto, pero hay una posible ambigüedad o falta una comprobación.
• Baja confianza: el sistema no puede asegurar el producto, la cantidad, el formato o el cliente.

Con esta lógica, los pedidos claros pueden avanzar más rápido y los dudosos se separan para revisión.

El objetivo no es que la IA decida todo. El objetivo es que ayude a priorizar: qué puede procesarse, qué debe revisarse y qué no debería entrar al ERP sin intervención humana.

Por qué no se debe prometer un 100% de precisión

No conviene prometer un 100% de precisión porque los pedidos reales tienen excepciones. Incluso con buena tecnología, pueden aparecer documentos difíciles, productos ambiguos, fotos de mala calidad, cambios de formato o información incompleta.

Prometer el 100% genera una expectativa peligrosa: que todo lo que lee el sistema puede entrar automáticamente al ERP. Y esa no es una forma segura de automatizar pedidos. Un planteamiento responsable debería decir:

• La IA puede reducir mucho trabajo manual.
• Los pedidos claros pueden procesarse con menos intervención.
• Los casos dudosos deben revisarse.
• La calidad del documento influye.
• El catálogo y las reglas internas son esenciales.
• La revisión humana sigue siendo necesaria en excepciones.

En distribución, la automatización no debe buscar "meterlo todo automáticamente". Debe buscar reducir el trabajo repetitivo sin perder control operativo.

Qué puede hacer la revisión humana dentro del proceso

La revisión humana no significa que la automatización haya fallado. Al contrario: una buena automatización debe saber cuándo necesita a una persona. La revisión puede aplicarse cuando:

• El cliente no está identificado con seguridad.
• El producto tiene varias posibles coincidencias.
• La cantidad no está clara.
• El formato puede interpretarse de varias formas.
• El documento tiene mala calidad.
• Hay una línea manuscrita difícil de leer.
• El pedido incluye una sustitución no confirmada.
• El precio escrito por el cliente no coincide con la tarifa.
• No hay stock suficiente.
• El pedido supera una regla interna.

En estos casos, la automatización puede preparar el trabajo: mostrar el documento original, proponer coincidencias, indicar el motivo de duda y permitir que una persona valide.

Así, el equipo no parte de cero. Revisa excepciones concretas.

Pedidos en formatos distintos: el reto real de las distribuidoras

Uno de los retos más habituales no es que un pedido sea ilegible. Es que cada cliente envía el pedido de una forma distinta. En una misma distribuidora pueden convivir:

• PDFs con tabla limpia.
• PDFs escaneados.
• Fotos de hojas de pedido.
• Mensajes de WhatsApp.
• Audios.
• Emails con productos en el cuerpo del mensaje.
• Excels de cliente.
• Pedidos manuscritos.
• Plantillas antiguas.
• Documentos con códigos propios del cliente.

Por eso, una automatización no debe diseñarse solo para el documento perfecto. Debe probarse con la variedad real de pedidos que llegan cada día.

Qué datos afectan más a la precisión

La precisión de la IA no depende solo del documento. También depende de los datos internos de la distribuidora. Algunos elementos que afectan mucho son:

• Catálogo limpio: productos activos, sin duplicados innecesarios y con nombres claros.
• Códigos de artículo: referencias internas bien mantenidas.
• Formatos definidos: unidades, cajas, kilos, litros, packs o presentaciones especiales.
• Histórico de cliente: productos habituales que ayudan a resolver ambigüedades.
• Tarifas y reglas: precios, descuentos y condiciones que validan el pedido.
• Stock: disponibilidad o reglas de revisión cuando no se puede confirmar.
• Sustituciones frecuentes: alternativas aceptadas o habituales.

Si el catálogo está desordenado, la IA puede leer bien el texto pero dudar al relacionarlo con productos reales. Por eso, la calidad del dato interno es tan importante como la calidad del documento.

Cómo se valida un pedido leído por IA antes de entrar al ERP

Una lectura automática segura debería pasar por varias comprobaciones.

Esta lógica reduce el riesgo de que una lectura incorrecta se convierta automáticamente en un pedido incorrecto.

Ejemplo: PDF claro con tabla de pedido

Imaginemos un PDF con columnas claras:

• Código de producto.
• Descripción.
• Cantidad.
• Unidad.

En este caso, el sistema puede tener una lectura más fiable. Pero todavía debe comprobar:

• Si el código existe en el catálogo.
• Si el cliente puede comprar ese producto.
• Si la unidad coincide con el formato de venta.
• Si la cantidad tiene sentido.
• Si hay stock suficiente.
• Si el pedido ya se recibió por otro canal.

Este tipo de documento suele ser buen candidato para una primera fase de automatización.

Puedes ampliar esta parte en la guía sobre integrar pedidos en PDF con el ERP sin picar datos.

Ejemplo: foto de una hoja de pedido

Una foto puede funcionar, pero tiene más variables. La calidad puede cambiar según la cámara, la luz, el ángulo, la sombra o el estado del papel. En este caso, el sistema debería ser más prudente. Puede extraer información, pero conviene revisar:

• Si alguna línea se cortó en la imagen.
• Si los números son legibles.
• Si hay tachones o correcciones.
• Si las cantidades pueden confundirse.
• Si el producto coincide claramente con catálogo.
• Si hay líneas de baja confianza.

Una buena automatización no debería tratar una foto borrosa igual que un PDF claro. Debe ajustar el nivel de confianza según la calidad del documento.

Ejemplo: pedido manuscrito

Los pedidos manuscritos son los más delicados porque dependen de la letra, la estructura, las abreviaturas y la calidad de la imagen o escaneo. En un pedido manuscrito pueden aparecer problemas como:

• Números parecidos.
• Letras difíciles de distinguir.
• Abreviaturas propias del cliente.
• Productos escritos de forma incompleta.
• Tachones.
• Líneas añadidas en márgenes.
• Unidades no especificadas.
• Referencias mezcladas con observaciones.

En estos casos, la IA puede ayudar, pero no debería prometer automatización completa sin revisión. Lo razonable es que el sistema proponga una interpretación y marque lo dudoso.

Si muchos pedidos llegan manuscritos, el proyecto debe contemplar una fase específica de pruebas y revisión de calidad.

Cómo medir la precisión antes de implantar

La mejor forma de saber qué precisión tendrá una automatización no es hacer una estimación genérica. Es probar con documentos reales. Para medir correctamente, conviene recopilar una muestra representativa:

• PDFs claros.
• PDFs escaneados.
• Fotos de pedidos.
• Pedidos manuscritos.
• Mensajes de WhatsApp.
• Pedidos con referencias antiguas.
• Pedidos con productos ambiguos.
• Pedidos largos.
• Pedidos con cambios o sustituciones.
• Documentos de varios clientes distintos.

Después hay que medir:

• Cuántas líneas se leen correctamente.
• Cuántos productos se relacionan bien con catálogo.
• Cuántas cantidades se interpretan correctamente.
• Cuántos formatos se validan bien.
• Cuántas líneas quedan con baja confianza.
• Cuántas requieren revisión humana.
• Cuántas no deberían entrar automáticamente al ERP.

Esta prueba permite saber qué parte del proceso puede automatizarse desde el inicio y qué parte necesita excepciones o mejora de datos.

Qué métricas conviene usar

Para evaluar precisión de forma útil, conviene medir más de una métrica.

• Precisión de lectura: si el texto, número o código se ha leído correctamente.
• Precisión de producto: si la descripción se ha relacionado con el artículo correcto.
• Precisión de cantidad: si el número de unidades, cajas, kilos o litros es correcto.
• Precisión de formato: si la unidad de venta se ha interpretado bien.
• Precisión por cliente: si algunos clientes envían documentos más difíciles que otros.
• Tasa de revisión: qué porcentaje de líneas necesitan validación humana.
• Tasa de bloqueo: qué porcentaje no debería entrar al ERP sin corrección.
• Tiempo ahorrado: cuánto trabajo manual se reduce incluso revisando excepciones.

Esta medición es más útil que una única cifra de "precisión general", porque permite saber dónde está el problema: lectura, catálogo, formato, cliente o regla de negocio.

Qué hacer con las excepciones

Las excepciones no son un fallo del sistema. Son una parte normal de cualquier automatización de pedidos. Lo importante es gestionarlas bien. Una excepción puede ser:

• Producto no encontrado.
• Varios productos posibles.
• Cantidad ilegible.
• Formato no identificado.
• Cliente dudoso.
• Precio escrito que no coincide con tarifa.
• Producto sin stock.
• Pedido duplicado.
• Documento con mala calidad.
• Línea manuscrita ambigua.

El sistema debe separar estas excepciones y presentarlas de forma clara al equipo. Así, la persona que revisa no tiene que repicar todo el pedido; solo debe resolver lo que el sistema no puede confirmar con seguridad.

Cómo evitar que una mala lectura entre al ERP

La forma de evitar que una mala lectura llegue al ERP es no automatizar la entrada sin validaciones. Un flujo seguro debería incluir:

• Umbrales de confianza por línea.
• Validación contra catálogo.
• Comparación con histórico de cliente.
• Revisión de formato de venta.
• Comprobación de tarifa y reglas comerciales.
• Separación de incidencias.
• Creación de borrador antes de pedido final, si procede.
• Revisión humana para casos dudosos.

Una automatización bien diseñada no debería enviar al ERP una línea que no puede justificar.

Cuándo tiene sentido automatizar aunque no todo sea perfecto

Que no exista precisión del 100% no significa que la automatización no tenga sentido. En muchos casos, el valor está en reducir una gran parte del trabajo repetitivo y concentrar la revisión humana en excepciones. Por ejemplo:

• El sistema puede leer la mayoría de líneas claras.
• Puede identificar productos habituales.
• Puede separar pedidos con baja calidad.
• Puede marcar productos dudosos.
• Puede evitar que administración copie todo desde cero.
• Puede reducir errores al validar contra catálogo.
• Puede preparar borradores de pedido para revisión.

La pregunta no es si la IA sustituye por completo al equipo. La pregunta es cuánto trabajo repetitivo puede quitar y cuántos errores puede prevenir sin perder control.

Qué documentos conviene probar primero

Para una primera fase, conviene empezar por documentos que combinen volumen alto y dificultad controlable. Buenos candidatos son:

• PDFs recurrentes de clientes importantes.
• Pedidos con estructura parecida.
• Documentos con códigos de producto.
• Pedidos de clientes con histórico claro.
• Canales que consumen mucho tiempo administrativo.
• Formatos donde las incidencias son repetitivas.

Los pedidos manuscritos, fotos de baja calidad o documentos muy ambiguos pueden incluirse en la prueba, pero quizá no sean el mejor punto de partida para una primera automatización completa.

Cómo encaja esto en una implementación real

Una implementación real debería avanzar por fases.

Este enfoque permite implantar sin depender de promesas genéricas. Se trabaja con la realidad documental de la distribuidora.

Puedes ver cómo plantear este proceso en una implementación de automatización de pedidos.

Errores habituales al evaluar OCR e IA para pedidos

Probar solo con documentos perfectos

Una prueba con tres PDFs limpios puede dar una falsa sensación de precisión. Hay que probar también pedidos difíciles, fotos, manuscritos y formatos reales.

Medir solo si el texto se lee

Leer texto no significa crear pedidos correctos. También hay que medir coincidencia con catálogo, cantidad, formato y reglas.

No contemplar revisión humana

Si el sistema no tiene una forma clara de revisar excepciones, las dudas acabarán entrando mal o bloqueando el flujo.

No revisar la calidad del catálogo

Si el catálogo está duplicado o desactualizado, la precisión operativa bajará aunque el documento se lea correctamente.

Prometer automatización completa desde el primer día

Es más seguro empezar por pedidos claros, medir resultados y ampliar progresivamente.

Conclusión: la precisión real se mide con documentos reales

La precisión de OCR e IA al leer albaranes, PDFs y pedidos manuscritos no puede responderse con una cifra universal. Depende del documento, del canal, de la calidad de imagen, del catálogo, del histórico, de las reglas internas y del nivel de revisión definido.

Lo importante no es prometer que la IA leerá todo al 100%. Lo importante es diseñar un sistema que sepa cuándo confiar, cuándo proponer, cuándo pedir revisión y cuándo bloquear una línea antes de que llegue al ERP.

Una automatización útil no elimina el criterio humano. Lo enfoca donde más valor tiene: en excepciones, incidencias y decisiones que requieren revisión.

Por eso, antes de implantar, la mejor decisión es probar con documentos reales: PDFs buenos, PDFs difíciles, fotos, manuscritos, pedidos largos y formatos distintos. Solo así se puede saber qué parte puede automatizarse con seguridad y qué parte necesita control.

Probar con documentos reales

Si quieres saber qué precisión tendría la IA leyendo tus albaranes, PDFs, fotos o pedidos manuscritos, el primer paso es probar con documentos reales de tu operativa.

En Mindai podemos ayudarte a analizar una muestra de pedidos, medir qué se lee bien, qué requiere revisión y qué condiciones deberían cumplirse antes de enviar datos al ERP.

Probar con documentos reales →

Preguntas frecuentes sobre precisión de OCR e IA en pedidos