Tecnología, datos e informes técnicos

Inicio Casos Décadas de informes técnicos convertidos en dato…

Ship Shift · Casos

Informes técnicos a datos para modelos

Última actualización: 2026-11-17

Caso energía: décadas de PDF (escaneos y manuscritos) a base con linaje documento→campo para modelos predictivos; resultado cualitativo; cliente anónimo.

Empresa de geociencia del sector energético (Reino Unido). Confidencial: no publicamos el nombre.

El reto

Los datos técnicos de cada pozo vivían repartidos en informes PDF de décadas distintas: tipografías modernas, escaneos de baja calidad y, en una fracción no trivial, anotaciones manuscritas. El equipo de geociencia copiaba a mano campos críticos hacia bases internas para poder analizar tendencias. Era lento, caro y imposible de escalar al ritmo que pedía el negocio.

Sin una base limpia con linaje documento→campo, cualquier modelo predictivo era frágil: entrenabas sobre tablas incompletas o inconsistentes entre campañas. El riesgo no era solo el coste de tecleo; era decidir con evidencia parcial.

El cliente necesitaba dos cosas en orden: primero, extracción fiable a un esquema acordado; después, modelos acotados solo donde la cobertura histórica lo permitiera. Invertir el orden («modelo ya») habría amplificado el error.

Qué hicimos / La solución

Montamos un pipeline de agentes (LangGraph) orientado a tipologías documentales cerradas, con revisión humana en campos críticos y carga a PostgreSQL con trazabilidad. Los modelos predictivos llegaron solo tras validar cobertura e histórico.

  • Clasificación de páginas útiles vs. ruido (portadas, anexos irrelevantes, duplicados).
  • Extracción de campos al esquema acordado con el equipo técnico del cliente.
  • Visión + LLM cuando el PDF es escaneado; reglas y validadores por tipo de campo.
  • Cola de revisión humana en campos de alto impacto o baja confianza.
  • Carga a base con linaje documento→página→campo y versiones de esquema.
  • Modelos predictivos acotados sobre subconjuntos con histórico suficiente — no «IA mágica» sobre huecos.

Trabajamos bajo confidencialidad sectorial: no publicamos el nombre ni capturas identificables. El patrón técnico (archivo→base→modelo) sí es reutilizable y es lo que documentamos aquí.

Cada campo crítico tenía dueño en el cliente: sin eso, la cola de revisión se convierte en un limbo. Acordamos umbrales de confianza por tipo de campo (numéricos, fechas, identificadores de pozo) y qué hacer cuando el documento contradice una versión anterior.

Resultados

Resultado cualitativo autorizado: el equipo deja de teclear el archivo para alimentar análisis; la base estructurada pasa a ser el punto de partida de modelos y reporting. Los analistas dedican tiempo a interpretar, no a transcribir.

No inventamos porcentajes de ahorro ni accuracy globales sin un protocolo de medición público del cliente. Internamente se midió precisión campo a campo por tipología documental antes de ampliar el alcance — esa disciplina fue parte del resultado.

El efecto compuesto aparece cuando el siguiente informe ya no parte de cero: el esquema, los validadores y el linaje están listos, y el coste marginal de incorporar un lote nuevo baja de forma sostenida.

Cómo se implantó

01

Piloto documental cerrado

Elegimos una tipología de informe y un esquema estrecho. Medimos extracción campo a campo (incl. escaneos) y definimos umbrales de revisión humana.

02

Industrialización del pipeline

Agentes LangGraph, colas, linaje y carga a base. Formación al equipo que valida excepciones. Ampliación a tipologías vecinas solo con métricas estables.

03

Modelos acotados

Con histórico limpio, entrenamos/validamos modelos predictivos en casos de uso priorizados por el negocio. Gobernanza: el modelo no corre donde falta cobertura.

Lecciones y para quién encaja

La precisión campo a campo manda. Mejor un esquema estrecho bien medido que «extraer todo» sin dueño de dato. Los manuscritos tienen techo: se midió calidad antes de prometer cobertura total.

Encaja en energía, infraestructuras e ingeniería con archivo técnico histórico denso. Encaja menos si los documentos ya nacen estructurados en un sistema único, o si no hay nadie que pueda validar campos críticos en el piloto.

Por qué no bastaba una herramienta estándar

Layouts variables, excepciones y sistemas propios obligan a ingeniería con cola humana, no a un SaaS genérico.

Qué aprendimos

Acordar métrica antes; muestra real; no publicar cifras sin permiso; handoff documentado.

Implantación

Fases: prototipo con datos reales → validación → producción con monitorización. Enlaces a servicios relacionados en el cuerpo existente.

Detalle operativo y criterios de cierre

Antes de construir, pedimos volumen real, sistema de registro, KPI, owner y criterio de datos personales. Sin eso, el piloto muere en la semana dos aunque el modelo funcione en un notebook.

Cada fase tiene go o no-go: si falta owner o KPI, volvemos a diagnostico o formacion en lugar de lanzar un agente suelto.

Formacion y alfabetizacion del articulo 4 del Reglamento de IA forman parte del cierre a produccion cuando el equipo usara sistemas de IA en el dia a dia.

Medimos despues de acordar la metrica: tiempo por tarea, errores, coste o tasa de captura correcta. Si no hay metrica, no hay caso publicable.

El handoff a persona incluye contexto: que pregunto el usuario, que fuentes se usaron y que falta por confirmar. Sin eso, el chatbot genera mas trabajo del que ahorra.

LogIA demuestra que construimos producto en produccion, no solo slides. Cuando el caso es logistica, aceleramos; en el resto de sectores aplicamos la misma ingenieria a medida.

Enlazamos servicios, soluciones y casos para que cada busqueda aterrice en un proceso concreto: pedidos, facturas, presupuestos, WhatsApp o lectura de documentos.

El presupuesto es cerrado por fase: diagnostico, prototipo e implantacion. No hay ticket enterprise opaco. Los factores de coste estan en la pagina de precios.

El Reglamento de IA de la UE y el Omnibus 2026 marcan alfabetizacion, transparencia y plazos de alto riesgo. Los incluimos en el diseno tecnico; el dictamen juridico es externo.

Publicamos solo cifras medidas con el cliente. El 83 por ciento de acierto a la primera y el 91,8 por ciento en top-5 del caso de presupuestos son el tipo de evidencia que pedimos.

La revisión humana no es un adorno: las excepciones van a cola con motivo y quedan registradas para auditar qué decidió el sistema y qué decidió una persona.

La integración escribe en el ERP, el CRM, el correo o WhatsApp sin dobles tecleos. Si no hay API, usamos ficheros, base de datos o correo; el RPA es el último recurso.

Antes de construir, pedimos volumen real, sistema de registro, KPI, owner y criterio de datos personales. Sin eso, el piloto muere en la semana dos aunque el modelo funcione en un notebook.

Preguntas frecuentes

¿Por qué confidencial?
Sector y contrato; el patrón técnico archivo→base→modelo sí es publicable.
¿Cómo tratáis manuscritos?
Con límites. Se midió calidad por tipología antes de ampliar; no prometemos OCR milagroso.
¿Es posible on-prem?
Sí, según política del cliente y restricciones de datos.
¿Reutilizable fuera de energía?
Sí. El patrón se repite en cualquier archivo técnico denso (infra, industria, utilities).
¿Cuánto tarda un piloto?
Semanas sobre una tipología documental cerrada con esquema acordado.
¿Los modelos sustituyen al experto?
No. Acotan predicciones donde hay histórico; el experto valida y decide.

¿Vuestro histórico sigue atrapado en PDF?

Describid tipologías y volumen. Os proponemos un piloto de extracción con métricas.

Hablemos