Trazabilidad en la extracción de documentos: cada dato debe señalar la página y el renglón de donde salió

Extraer datos de un documento con un modelo de lenguaje ya es relativamente sencillo. Lo difícil es poder responder, meses después y frente a un auditor, de dónde salió cada uno de esos datos. En sectores regulados como la prevención de lavado de dinero o la verificación de identidad, un valor sin fuente es un valor que no se puede defender. Por eso, en nuestro trabajo partimos de una regla simple: ningún dato sale sin indicar el documento, la página y el renglón de donde se obtuvo.

Por qué «lo dijo la IA» no es aceptable

Un modelo de lenguaje puede leer bien una constancia fiscal o un acta constitutiva, pero también puede equivocarse con seguridad aparente: confundir el domicilio fiscal con el de una sucursal, tomar la fecha de una escritura anterior o completar un dato que no aparece en el documento. El problema no es solo el error, sino que, sin una fuente, nadie puede distinguir un dato correcto de uno inventado sin volver a leer todo el expediente.

En una revisión regulada, la persona que aprueba responde por la decisión. Si el sistema le entrega un RFC, una fecha de constitución o el nombre de un apoderado, necesita poder verificarlo en segundos. Un dato con fuente se comprueba con un clic; un dato sin fuente obliga a repetir el trabajo que la automatización debía ahorrar.

Por eso separamos dos funciones: los modelos de lenguaje extraen y redactan, pero no deciden. Las decisiones se toman con reglas explícitas, umbrales configurables y, al final, con la aprobación de una persona.

Qué significa que un dato tenga fuente

Trazabilidad no es adjuntar el PDF completo junto al resultado. Es que cada valor extraído viaje acompañado de su origen preciso:

• Documento: cuál de los archivos del expediente lo contiene.
• Página: en qué página aparece.
• Renglón y región: la línea exacta del texto y su ubicación en la página, para que el revisor la vea resaltada.
• Tipo de fuente: no todo dato viene del texto. Un valor leído de un código QR indica la página y la zona del código; un valor obtenido de una consulta externa registra cuándo y a qué servicio se consultó.

Con esto, la pantalla de revisión deja de ser una lista de campos y se convierte en una lista de afirmaciones verificables. El revisor no tiene que confiar en el sistema: puede comprobarlo.

Auditoría: reconstruir cómo se llegó a una decisión

Un expediente revisado hoy puede ser cuestionado mucho después, ya sea por una auditoría interna, por la autoridad o por un cliente que impugna una decisión. Para responder, no basta con conservar el resultado final; hay que poder reconstruir el proceso. En la práctica, eso exige algunas condiciones de diseño:

1. Resultados que no se sobrescriben. Si un documento se vuelve a procesar, el nuevo resultado se agrega junto al anterior con su propia fecha. Nada se borra ni se reescribe.
2. Versiones fijadas. Cada ejecución registra qué versión de la configuración, de las instrucciones de extracción y de las reglas utilizó. Así se puede explicar por qué un dato se extrajo de cierta forma en cierto momento.
3. Acceso registrado. Consultar el documento fuente detrás de un dato también queda en bitácora, porque los expedientes contienen información personal y fiscal sensible.

Un dato extraído solo es tan confiable como la posibilidad de verificarlo. Sin fuente, la automatización traslada el riesgo; con fuente, lo reduce.

Revisión humana y discrepancias entre documentos

La trazabilidad cobra más valor cuando el expediente tiene varios documentos que deberían coincidir. Una identificación, una constancia de situación fiscal, un comprobante de domicilio y un acta constitutiva rara vez dicen exactamente lo mismo: abreviaturas, nombres con o sin segundo apellido, domicilios escritos de distinta forma o, en ocasiones, datos que realmente no cuadran.

Cuando el sistema cruza nombres, CURP y RFC entre documentos y encuentra una diferencia, la pregunta del revisor es inmediata: ¿cuál de los dos tiene razón? Si cada valor apunta a su página y renglón, el revisor puede ver ambos fragmentos lado a lado y decidir con evidencia. Sin fuente, la discrepancia solo se puede marcar como «revisar», y alguien tiene que buscar a mano dónde aparece cada versión.

Este enfoque también ayuda a calibrar la confianza en la automatización. Cuando los datos se pueden comparar contra su fuente, es posible medir con qué frecuencia el sistema acierta en cada tipo de documento y en cada campo crítico, y decidir con datos qué se puede aprobar con menor intervención y qué requiere siempre una revisión cuidadosa.

Cómo lo aplicamos

En Loony, nuestra plataforma de inteligencia documental, la trazabilidad es un principio de diseño y no una función adicional. Cada dato extraído, cada lectura de código QR y cada consulta externa se guarda con su fuente, y las revisiones del expediente completo —coherencia, completitud y cruce de datos entre documentos— producen resultados con la misma forma. El operador revisa, consulta la fuente cuando lo necesita y aprueba; el sistema conserva el historial de cómo se llegó a cada resultado.

Si tu equipo revisa expedientes y necesita que cada dato se pueda defender ante una auditoría, Escríbenos.