Cómo funciona la extracción de datos con IA
Primero la herramienta convierte el documento en texto: la capa de texto de un PDF se lee directamente, y las páginas escaneadas y los archivos JPG, PNG y WebP pasan por OCR. Después el texto se entrega a un modelo de lenguaje junto con un esquema JSON que enumera los campos, y el modelo está obligado a responder con JSON que cumpla ese esquema.
Los valores salen solo del documento. Si un campo no aparece, vuelve como null o lista vacía en lugar de una suposición, y las fechas e importes se normalizan para que el resultado pase directamente a una hoja de cálculo o una base de datos. El modelo funciona en servidores propios de FileConvertLab; cómo se tratan los archivos subidos se explica en la política de privacidad.
Plantillas listas
Cinco plantillas cubren los documentos que más se teclean a mano. La de factura devuelve proveedor, cliente, número, fechas de emisión y vencimiento, moneda, subtotal, impuestos, total y cada línea. La de currículum devuelve contacto, habilidades, experiencia y formación; la de contrato, partes, fechas, duración, condiciones de pago, ley aplicable, obligaciones y firmantes.
La de ficha de producto reúne modelos, dimensiones, materiales, parámetros técnicos y certificaciones de las hojas de datos, y la de artículo académico devuelve título, autores, publicación, DOI, resumen, palabras clave, métodos y resultados principales. Si las tablas deben seguir siendo tablas, PDF a Excel es mejor opción.
Tu propio esquema
Si ninguna plantilla encaja, elige Esquema propio y describe los campos en JSON Schema: un objeto con properties, cada una con un tipo como string, number, boolean, array u object y una descripción opcional que indique al modelo qué buscar. Se admiten objetos anidados y listas de objetos, hasta cuatro niveles y 60 campos.
Cada lista tiene un número máximo de elementos y cada campo de texto una longitud máxima, así que la respuesta siempre termina. Usa nombres de campo breves y claros: el modelo ve nombres y descripciones, por lo que «delivery_date» con la descripción «YYYY-MM-DD» funciona mejor que «d1». El mismo esquema puede enviarse por la API en procesos automáticos.
Límites
Se leen todas las páginas, hasta el límite de páginas de su plan. Si un documento muy largo agota el tiempo de procesamiento, el resultado abarca las páginas leídas hasta ese momento y lo indica. Los archivos pueden pesar hasta 50 MB. Los escaneos se reconocen primero con OCR, así que un escaneo limpio y recto da mejores resultados que una foto torcida.
Los modelos de lenguaje pueden leer mal u omitir valores, sobre todo en escaneos de baja calidad y maquetaciones poco habituales. Comprueba las cifras importantes con el documento antes de usarlas. Para hacer un escaneo buscable en lugar de extraer campos, usa OCR PDF.