En muchos gabinetes de peritos, gestorías y despachos contables, los albaranes, partes de trabajo y documentos en papel siguen llegando a diario. Y lo más habitual es que alguien tenga que sentarse frente al ordenador y copiarlos manualmente al sistema de facturación o contabilidad. Este proceso, aunque parece sencillo, consume una cantidad sorprendente de tiempo y es una fuente constante de errores. Además, con la llegada de VeriFactu en 2027, este tipo de trabajo manual se vuelve aún más problemático. El coste real de copiar albaranes a mano Supongamos que un despacho recibe 30 albaranes al día. Si cada uno tarda entre 1 y 2 minutos en copiarse, estamos hablando de entre 30 y 60 minutos diarios solo en esta tarea. A lo largo de un mes, eso supone entre 10 y 20 horas de trabajo administrativo que podrían dedicarse a otras cosas. Pero el problema no es solo el tiempo. Cuando se copia a mano, aumentan los errores: importes mal escritos, referencias incorrectas, fechas equivocadas… Estos errores luego generan incidencias con los clientes, problemas de cobro y, en el peor de los casos, discrepancias en una inspección. ¿Es necesario cambiar todo el sistema? Una de las razones por las que muchos despachos siguen copiando a mano es el miedo a tener que cambiar por completo su sistema de facturación o contabilidad. Cambiar de programa suele implicar formación, migración de datos, adaptación de procesos y, muchas veces, un coste elevado. La buena noticia es que no siempre es necesario tirar todo lo que ya tienes. Existe una vía intermedia: automatizar solo la parte de captura de documentos sin tocar el resto del sistema. Automatizar la lectura de albaranes con revisión humana Una solución cada vez más utilizada consiste en crear un flujo que haga lo siguiente: – Recibir los albaranes (por email, WhatsApp Business o carpeta compartida). – Leer automáticamente los datos mediante OCR e inteligencia artificial. – Presentar los datos extraídos a una persona para que los revise y confirme. – Enviar la información validada al sistema de facturación o contabilidad. De esta forma, el trabajo manual se reduce drásticamente: ya no hay que copiar todo, solo revisar y confirmar cuando el sistema no esté seguro de algún dato. ¿Qué herramientas se pueden usar? Existen varias formas de montar este tipo de automatización. Una de las más flexibles actualmente es utilizar n8n (una herramienta de automatización de código abierto) combinada con servicios de OCR e IA. Con n8n puedes crear flujos que: – Detecten cuando llega un nuevo albarán por correo o WhatsApp. – Lo envíen a un servicio de extracción de datos (como Mindee, Google Document AI o incluso modelos locales). – Presenten los datos en una interfaz sencilla para revisión humana. – Una vez validados, los inserten automáticamente en tu programa de facturación o en una hoja de cálculo intermedia. La ventaja de este enfoque es que no obliga a cambiar el programa principal de facturación. Simplemente se añade una capa de automatización por encima. ¿Qué se gana con esta aproximación? Las principales ventajas de automatizar la captura de albaranes son: – Ahorro de tiempo: Se puede reducir entre un 60% y un 80% el tiempo dedicado a esta tarea. – Menos errores: El sistema propone los datos y la persona solo confirma, lo que reduce drásticamente los fallos de transcripción. – Mejor trazabilidad: Queda registrado qué albarán se procesó, cuándo y quién lo revisó. – Preparación para VeriFactu: Al tener los datos más estructurados, es más fácil adaptarse a los requisitos de facturación electrónica que llegarán en 2027. ¿Por dónde empezar? Si estás pensando en automatizar este proceso, te recomiendo seguir estos pasos: – Identifica cuántos albaranes y documentos en papel recibes realmente cada semana. – Evalúa si tu sistema actual de facturación permite la importación de datos de forma sencilla (CSV, API, etc.). – Prueba primero con un volumen pequeño (por ejemplo, una semana de albaranes) antes de automatizar todo. – Define claramente qué datos son críticos y cuáles pueden tener un margen de error mayor. Automatizar la lectura de albaranes no tiene por qué ser un proyecto enorme ni requerir cambiar todo tu sistema. Con un enfoque bien planteado, es posible reducir drásticamente el trabajo manual manteniendo el control en todo momento. Si quieres que revisemos juntos cómo tienes montado ahora el proceso de albaranes y qué opciones tienes para automatizarlo, escríbeme.

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.

escríbeme

De más de una hora de trabajo manual cada mes a un proceso de minutos, sin errores.

El problema, si te suena de algo

Cada cierre de mes se repite la misma escena en cualquier gabinete pericial o despacho que factura a varias compañías de seguros.

Llegan los listados de liquidación. Uno por aseguradora, cada uno en su formato: un Excel con la cabecera en una fila rara, un CSV con los decimales separados por coma, otro con los importes en bruto a los que hay que restarles el IVA a mano. Y entonces empieza el trabajo que nadie quiere hacer: abrir el listado, coger referencia por referencia —pueden ser trescientas—, buscarla una a una en la aplicación de gestión interna, comprobar que el importe cuadra, y marcar el expediente como facturado.

Es más de una hora de cruce manual cada mes. Y lo peor no es el tiempo. Es que a la fila ciento ochenta, con los ojos cansados, alguien marca un expediente que no tocaba, o pasa por alto una diferencia de importe, o cuenta dos veces una referencia que la aseguradora ha revisado al alza. Errores que luego aparecen en un albarán y cuestan otra tarde entera de encontrarlos.

Si esto te resulta familiar, lo que sigue te interesa.

Lo que hice

Construí un sistema que hace ese cruce solo.

Lee el listado de cada aseguradora —en el formato que venga—, entra en la aplicación de gestión interna, localiza cada expediente, compara los importes y clasifica el resultado en categorías claras: lo que cuadra exacto, lo que tiene una diferencia mínima de redondeo, lo que aparece con un importe distinto, lo que está en el listado pero no en el sistema, y lo que está marcado en el sistema pero no en el listado.

El responsable ve un informe ordenado con todo eso antes de tocar nada. Y solo entonces, con una confirmación, el sistema marca los expedientes correctos. Nada se modifica sin que una persona lo apruebe.

El resultado

• El cierre mensual pasó de más de una hora de cruce manual a minutos.
• Cero errores de marcado. El sistema no se cansa en la fila ciento ochenta.
• Trazabilidad completa. Cada sesión deja su informe como registro de qué se marcó y por qué.
• Las revisiones al alza, controladas. Cuando una aseguradora agrupa varios expedientes bajo una referencia nueva, el sistema lo detecta y evita el doble cómputo que en manual se cuela tan fácil.

Lo que antes era la tarea que se dejaba para el final del día porque daba pereza, ahora es un botón.

Por qué funciona en un caso real y no solo en teoría

El sistema lleva en producción activa, automatizando el cierre mes a mes. No es una demo: es la herramienta con la que un gabinete factura de verdad a sus aseguradoras.

Y está pensado para crecer. Cuando entra una compañía nueva con su propio formato de liquidación, añadirla es cuestión de enseñarle a leer ese formato concreto; toda la parte de cruzar contra el sistema y marcar ya está hecha y se reutiliza.

La parte técnica (para quien le interese el cómo)

Si has llegado hasta aquí y quieres el detalle de ingeniería, aquí está. Si lo que tienes es el problema y no el interés técnico, con lo de arriba basta —escríbeme y hablamos de tu caso.

El núcleo es Python con Selenium para operar la aplicación web de gestión (que no tiene API: hay que navegarla como lo haría una persona, incluyendo selectores dinámicos de JavaScript que no responden a la automatización estándar) y openpyxl para leer y escribir los Excel.

La arquitectura separa dos capas: un conjunto de parsers, uno por formato de aseguradora, que normalizan cada listado a una estructura común; y una capa de acceso a la aplicación interna que se reutiliza para todas las compañías. Añadir una aseguradora nueva = escribir un parser; el resto ya existe.

Algunos de los detalles que marcan la diferencia entre que funcione y que casi funcione:

• Normalización de claves antes de cruzar: las referencias vienen con ceros a la izquierda en un sitio y sin ellos en otro, y Excel convierte los números a decimales. Todo se normaliza antes de comparar.
• Tolerancia de redondeo: calcular la base imponible dividiendo el total entre 1,21 acumula céntimos de error en listados largos. Cuando la aseguradora da la base ya calculada, se usa esa directamente.
• Detección de referencias agrupadas: algunas compañías facturan revisiones al alza agrupando varios expedientes bajo una referencia nueva. El sistema las detecta y compara la suma del grupo, evitando el doble marcado.
• Nada se escribe sin confirmación: todos los pasos que modifican la aplicación piden aprobación explícita, y el marcado es reversible.

Stack: Python · Selenium · openpyxl · python-dotenv (credenciales fuera del código).

¿Tienes este problema en tu despacho?

Si cada mes alguien de tu equipo se pasa horas cruzando listados de aseguradoras a mano, probablemente se puede automatizar. Cuéntame cómo es tu proceso y te digo si tiene sentido —sin compromiso.

escríbeme

Si trabajas en un gabinete de peritos, he preparado una página específica sobre este tipo de automatización: automatización para gabinetes de peritos.