Cómo pasar albaranes manuscritos al programa de contabilidad sin teclearlos a mano
El problema, si lo vives cada día
Llega el albarán. En papel, escrito a mano, a veces con la letra del que tenía prisa. Alguien de la oficina lo coge, lo mira, y empieza a teclear: el número, la fecha, el cliente, su NIF, y luego línea por línea —cantidad, concepto, referencia, precio, importe— en el programa de contabilidad o en el ERP.
Multiplica eso por todos los albaranes que entran en una semana. Es trabajo lento, aburrido, y propenso al error justo donde más duele: un dígito mal en una cantidad, una referencia que se baila, un importe que no cuadra y que aparece tres semanas después cuando ya nadie se acuerda de aquel papel.
Y lo peor es que es un trabajo que no aporta nada. Nadie en tu despacho está ahí para copiar números de un papel a una pantalla. Está ahí para cosas que de verdad importan. Pero el papel no se teclea solo.
Si esto te suena, lo que sigue te interesa.
Lo que construí
Un sistema que hace casi todo ese tecleo por ti.
Le haces una foto al albarán —o lo subes—, y la IA lee el documento: extrae el número, la fecha, los datos del cliente y todas las líneas, una a una. No solo eso: para cada dato te dice lo seguro que está de haberlo leído bien.
Y aquí está la clave, porque la IA no es infalible y un albarán de contabilidad no admite «casi»: el sistema no manda nada a ciegas. Te presenta los datos extraídos junto a la imagen del albarán original, y resalta en colores lo que ha leído con confianza (en verde) y lo que conviene que mires tú (en amarillo o rojo). Tú revisas solo lo dudoso, corriges en dos clics, y confirmas.
El resultado: en lugar de teclear el albarán entero, revisas un borrador casi completo y solo tocas lo que hace falta. El trabajo deja de ser «copiar» y pasa a ser «supervisar».
Un detalle que importa, y que casi nadie cuida
El sistema está afinado para leer catalán de Mallorca, con el vocabulario técnico real que aparece en los albaranes de aquí —climatización, frío industrial, hostelería—. Una IA genérica se atraganta con eso; tropieza con los términos locales y los castellaniza o los inventa. Adaptar el sistema al lenguaje concreto de tu sector y tu zona es exactamente lo que separa un OCR que «más o menos funciona» de uno en el que puedes confiar.
Por qué te lo cuento como prototipo y no como milagro
Seré claro: esto lo construí como un MVP funcional en unas tres semanas, para validar que la idea funciona de verdad con albaranes reales. Funciona. Pero no te voy a vender que es una solución cerrada que enchufas y olvidas.
Cada despacho recibe los albaranes de una manera, usa un programa de contabilidad distinto, y tiene su propio vocabulario. Lo que tengo es el motor probado y la experiencia de haberlo montado; lo que haría contigo es adaptarlo a tu caso concreto. Prefiero decírtelo así de claro que prometerte humo.
La parte técnica (para quien le interese el cómo)
Si has llegado hasta aquí buscando el detalle de ingeniería, aquí está.
El núcleo es un pipeline en FastAPI (Python) con PostgreSQL y un frontend en React + TypeScript. La lectura del albarán la hace un modelo de visión por IA (GPT-4o Vision) al que se le pide no solo los datos, sino un nivel de confianza por cada campo, entre 0 y 1. Esa confianza es lo que alimenta el resaltado por colores en la interfaz de revisión y guía al revisor directo a lo que importa.
Algunos detalles que marcan la diferencia entre un demo y algo usable:
- Confianza por campo, no global: el modelo no dice «he leído el albarán con un 80% de seguridad». Dice «el número de albarán: muy seguro; esta cantidad concreta: dudosa». El revisor va directo a las dos celdas problemáticas en vez de releerlo todo.
- Deduplicación por hash: si subes dos veces el mismo albarán, el sistema lo detecta por el contenido del fichero (no por el nombre) y te avisa, en vez de procesarlo dos veces.
- Trazabilidad de correcciones: cada vez que corriges un dato, el sistema guarda qué leyó la IA, qué pusiste tú, y con qué confianza estaba. Eso permite medir dónde falla más el OCR y mejorarlo de forma dirigida, en lugar de a ciegas.
- Prompt adaptado al dominio: las instrucciones a la IA incluyen el vocabulario técnico local y reglas explícitas (fechas a formato estándar, no traducir el catalán, marcar como vacío lo que no se lee con seguridad en vez de inventarlo).
Stack: FastAPI · PostgreSQL · React · TypeScript · GPT-4o Vision · Docker.
¿Recibes papel que acaba tecleado a mano?
Albaranes, facturas, partes de trabajo, notas de pedido: si en tu despacho alguien se pasa horas copiando documentos en papel al ordenador, probablemente buena parte de eso se puede automatizar con revisión humana donde haga falta. Cuéntame cómo es tu flujo y te digo con franqueza si tiene sentido.