Glosario de IA Data & Retrieval
¿Qué es la extracción de información?
← Todos los términos del glosarioConvertir texto no estructurado, como correos, contratos o facturas, en datos estructurados: entidades, campos, relaciones y eventos.
Explicación
La extracción de información consiste en sacar datos estructurados de contenido no estructurado. De un contrato puede sacar las partes, las fechas y los importes; de un correo, el cliente, el producto y lo que pide; de un informe, los hechos y cómo se relacionan. Antes hacían falta reglas o modelos entrenados para cada campo y cada tipo de documento. Hoy los modelos de lenguaje grandes extraen muchos campos de documentos muy distintos con instrucciones y unos pocos ejemplos, y suelen devolver el resultado directamente en un formato fijo como JSON. Por eso la extracción es uno de los usos más prácticos de la IA en procesos con mucho papel.
Qué se extrae
- Entidades: personas, organizaciones, lugares, productos, números de cuenta o de póliza.
- Campos: fechas, importes, direcciones, cláusulas, líneas de detalle.
- Relaciones: quién debe qué a quién, a qué producto se refiere una reclamación.
- Eventos: un siniestro, un cambio de domicilio, una baja, con cuándo y dónde ocurrió.
- Clasificaciones asociadas al registro, como el tipo de documento o de petición.
Cómo funciona con modelos de lenguaje
El documento se pasa a texto (con OCR si está escaneado), se divide si es largo y se envía al modelo junto con las instrucciones y el esquema de destino: los campos que hay que rellenar y su tipo. El modelo devuelve los valores, a ser posible indicando dónde aparece cada uno en el original.
Después se valida el resultado, por ejemplo comprobando que las fechas son válidas, que los totales cuadran y que los identificadores existen en el sistema de referencia, antes de escribirlo en el destino.
Cómo mantenerla precisa
- Define el esquema con precisión, incluido qué devolver cuando falta un campo.
- Pide el fragmento de origen de cada valor para que una persona pueda revisarlo rápido.
- Valida con reglas y contra los sistemas existentes, no solo con el modelo.
- Manda a revisión humana los casos de baja confianza o con validaciones fallidas, y usa sus correcciones para mejorar los prompts.
- Mide la precisión por campo sobre una muestra etiquetada antes y después de salir a producción.
Preguntas frecuentes
¿Qué es un ejemplo de extracción de información?
Leer facturas de proveedores con formatos distintos y devolver, de cada una, el proveedor, el número, la fecha, los impuestos, el total y las líneas en un formato fijo que el sistema financiero pueda cargar.
¿Qué diferencia hay entre extracción de información y OCR?
El OCR convierte la imagen de un texto en texto. La extracción trabaja sobre ese texto para encontrar los datos concretos que necesitas y colocarlos en campos. En documentos escaneados, primero va el OCR y después la extracción.
¿Los LLM sirven para extraer información?
Sí, y es uno de sus usos más prácticos. Se adaptan a formatos y redacciones distintas con instrucciones, sin reglas por plantilla. Aun así se equivocan, así que la validación y la revisión humana de los casos dudosos siguen siendo necesarias.
¿Qué es el reconocimiento de entidades nombradas?
El reconocimiento de entidades nombradas (NER) es una parte de la extracción de información que localiza y etiqueta nombres en un texto, como personas, organizaciones, lugares o fechas. La extracción completa va más allá: rellena campos concretos y recoge las relaciones entre ellos.
Guías de decisión que usan este término
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Términos relacionados
Fuentes
- Xu et al. · Large language models for generative information extraction: a survey (arXiv) (en inglés)
- OpenAI · Structured Outputs (API documentation) (en inglés)
- Jurafsky and Martin · Speech and Language Processing (3rd ed. draft) (en inglés)
Actualizado: 2026-10-21