Agentes que ven fotos: la avería, el ticket, el albarán

Un cliente te manda una foto de la caldera con el código de error en la pantalla. Otro te fotografía el ticket del taller para que se lo metas en gastos. El repartidor te pasa el albarán firmado desde el móvil: torcido, con sombra y con medio dedo en una esquina. Los tres han hecho lo mismo —mandar una imagen en lugar de escribir— y los tres dan por hecho que alguien al otro lado se apañará con eso. Ese alguien siempre has sido tú.

Lo que ha cambiado es que ya no tiene por qué serlo. Este artículo es para dueños de PYME que reciben fotos a diario por WhatsApp o por correo y las procesan a mano. Al terminar sabrás qué tipo de fotos puede convertir un agente en trabajo hecho, dónde se equivoca de verdad y qué comprobar antes de fiarte de un solo número.

Del OCR de toda la vida al agente que mira

El reconocimiento de texto lleva décadas funcionando, pero funcionaba de una manera muy concreta: le decías al sistema «el número de factura está en esta zona de la hoja y el total en esta otra», y a partir de ahí leía. Una plantilla por proveedor. Si el proveedor cambiaba el diseño, se rompía. Si el papel salía torcido, se rompía. Para una PYME con veinte proveedores distintos, montar y mantener eso nunca salió a cuenta.

Los modelos actuales no leen posiciones: interpretan la imagen entera. Entienden que eso de arriba a la derecha es una fecha, que la columna estrecha son importes y que el número grande de abajo suele ser el total, aunque no hayan visto nunca ese formato de albarán. Ni plantillas ni entrenamiento previo. Por eso ahora sí encaja en un negocio pequeño: la barrera de entrada era la configuración, y esa barrera se ha caído.

Lo que no se ha caído es el margen de error. En OCRBench v2, un banco de pruebas académico que evalúa modelos multimodales sobre documentos reales —facturas, formularios, texto manuscrito, tablas—, se midieron 38 modelos y la mayoría se quedó por debajo de 50 sobre 100 de media. Léelo como lo que es: interpretar la foto de un documento del mundo real sigue siendo difícil, y quien te venda un 99 % sin decirte sobre qué documentos lo ha medido te está vendiendo humo.

Cuatro fotos que ya son trabajo

No hablamos de digitalizar el archivo. Hablamos de imágenes que llegan solas, todos los días, y que hoy te obligan a parar lo que estás haciendo.

1. La foto de la avería. Un servicio técnico, un taller, un fontanero. La imagen trae marca, modelo, a veces el código de error y casi siempre una pista del tamaño del problema. El agente la clasifica, comprueba si es de las que resolvéis, pide lo que falta («necesito ver la placa con el número de serie») y propone hueco en agenda antes de que nadie coja el teléfono.
2. El ticket de gasto. Fecha, proveedor, base, IVA, total. El agente saca los cinco campos y deja preparada la línea de gasto para que la valides tú o tu gestoría. No es contabilidad automática: es que el apunte llegue medio hecho en vez de vivir en la galería de tu móvil.
3. El albarán firmado. Aquí lo valioso no es el texto, es el cruce: comparar lo entregado con lo pedido y avisar solo cuando no cuadra. De veinte albaranes diarios te enseña los tres que tienen discrepancia y calla con los otros diecisiete.
4. La foto de la estantería o de la etiqueta. El encargado fotografía lo que queda, el agente identifica referencias y monta el borrador del pedido. Funciona sorprendentemente bien con lo que ya está en tu catálogo y bastante mal con lo que no.

Fíjate en el patrón: en los cuatro casos la foto ya existía. Nadie le está pidiendo a nadie que cambie de hábito. Lo único que cambia es qué ocurre con la imagen entre que llega y que alguien la mira.

Lo que una foto te da, y lo que no

Una foto te da tres cosas: datos, prueba y hora. Los datos son lo que hay escrito. La prueba es que aquello existió —la caldera estaba así, el albarán se firmó—. Y la hora es cuándo se hizo, que en una reclamación a veces vale más que el contenido.

Lo que no te da es intención. El ticket no dice a qué obra se imputa ese gasto. La foto de la avería no dice si el cliente quiere presupuesto o quiere que vayáis hoy. Esa parte sigue siendo conversación, y por eso un agente que solo «lee la imagen» sirve de poco: el útil es el que lee la imagen y hace la pregunta que falta.

La foto resuelve el «qué hay». El «qué hacemos» sigue siendo tuyo.

Dónde se rompe, sin adornos

Cuatro cosas que te vas a encontrar la primera semana y que no salen en ninguna demo.

Se equivoca con seguridad. Este es el problema serio. Una persona que no ve bien un número te dice «no se lee». Un modelo te devuelve un número plausible: un 3 que era un 8, un total que en realidad era el subtotal. Si ese dato entra directo en un cobro, el fallo no lo detecta nadie hasta que llega la reclamación.

La calidad de la imagen manda. WhatsApp recomprime las fotos enviadas por chat, y la documentación de la API de Meta fija el límite en 5 MB para imágenes JPEG o PNG. En la práctica: un ticket largo fotografiado de lejos y con poca luz llega con los importes hechos puré. Pedir «acércate y que se vea el total» arregla más problemas que cambiar de modelo.

Lo manuscrito es otra liga. Detectar que hay una firma va bien; leer una anotación a boli en el margen del albarán, bastante peor. Si tu flujo depende de eso, pruébalo con tus papeles antes de prometer nada.

Dentro hay datos personales. En el encuadre de una foto de un albarán caben una dirección, un nombre y a veces un DNI. Estás tratando datos personales igual que si te llegaran en un formulario, con lo que implica de base legal, plazo de conservación y saber quién los procesa. No es un impedimento: es una casilla que se marca antes, no después.

Cuándo no montar esto

Si recibes tres fotos a la semana, no montes nada. El tiempo de configurarlo y de vigilar la primera quincena no lo recuperas en un año. El umbral realista está más cerca de diez o quince imágenes diarias del mismo tipo.

Tampoco lo montes cuando el dato extraído se convierte en dinero sin que nadie lo mire. Si de la foto sale un importe que se factura o se paga solo, has puesto un lector probabilístico en mitad de un proceso que exige exactitud; ahí el agente rellena y para, y la validación es humana. Y desconfía del planteamiento «lo leemos todo»: los flujos que aguantan son estrechos y aburridos, un tipo de foto y un destino claro.

Cómo probarlo esta semana

Coge veinte fotos reales que ya hayas procesado a mano, incluidas las malas. Pásalas y compara campo a campo con lo que hiciste tú. En veinte minutos sabrás dos cosas que ninguna demo te cuenta: qué porcentaje sale bien y, sobre todo, cómo son los fallos. Los errores evidentes se gestionan; los silenciosos y verosímiles son los que cuestan dinero.

Si te convence, empieza por un solo tipo de imagen y deja el agente en modo propuesta: extrae, rellena y te lo pone delante para aprobarlo de un toque. Cuando lleves un mes sin sustos, ya decidirás qué campos se ganan pasar solos.

Así es como planteamos el agente de operaciones en Yaqbot: recoge lo que llega —también en foto—, prepara el presupuesto o la línea de gasto y te lo deja listo para revisar. Tú apruebas, él ejecuta. Lo que recuperas no es tecnología: es la media hora diaria que hoy se te va abriendo imágenes de una en una.