Clasificación de documentos

La clasificación de documentos es la tarea de asignar a cada archivo entrante una categoría o tipo (por ejemplo: factura, remito, orden de compra, contrato, nota de crédito) para que el sistema sepa qué hacer con él. Es el primer paso de cualquier circuito documental: antes de extraer datos o validar un comprobante, hay que saber qué clase de documento es.

En su versión moderna, la clasificación dejó de depender del nombre del archivo o de carpetas manuales y pasa a leer el contenido real del documento (texto, estructura, sellos, campos) mediante modelos de IA y OCR. Esto le permite distinguir una factura de un remito aunque lleguen como PDF escaneado o foto de celular. Es una de las piezas que componen el procesamiento inteligente de documentos, y dentro del stack de Vantegrate es parte de lo que automatiza Arconte en el área de documentos y finanzas.

Bien hecha, la clasificación convierte una bandeja caótica de archivos en un flujo ordenado donde cada documento va al proceso que le corresponde, sin que una persona tenga que abrirlo y decidir a mano.

Cómo funciona en la práctica

El circuito típico arranca cuando un documento entra por algún canal: un correo a una casilla de cuentas a pagar, una carga en un portal, un escaneo o una foto enviada por WhatsApp. El sistema primero lo digitaliza con OCR para obtener el texto, y después un modelo analiza señales como las palabras clave ("factura", "CAE", "remito"), la estructura del layout (dónde caen los totales, si hay una tabla de ítems), la presencia de campos típicos (CUIT, número de comprobante, condición de IVA) y hasta el formato general. Con esas señales asigna una categoría y un nivel de confianza. Si la confianza es alta, el documento sigue solo; si es baja o ambigua, se deriva a una persona para revisión, un patrón conocido como human-in-the-loop.

Por qué importa para un negocio

Una empresa mediana en Argentina puede recibir cientos de comprobantes por día entre proveedores, logística y clientes. Si alguien tiene que abrir cada PDF para decidir si es una factura A, un remito o una nota de crédito, el cuello de botella está garantizado: demoras en el pago a proveedores, errores de carga y comprobantes traspapelados. La clasificación automática es lo que hace escalable todo lo que viene después (extracción, validación, conciliación). Sin clasificar bien, no se puede automatizar el resto del circuito documental.

Un ejemplo concreto: una distribuidora recibe en una sola casilla facturas de proveedores, remitos de transportistas y notas de crédito mezcladas. El clasificador separa los tres tipos al instante, manda las facturas al circuito de cuentas a pagar para su conciliación y three-way match, los remitos al control de recepción de mercadería, y las notas de crédito al ajuste de saldos. Lo que antes tomaba la mañana de un administrativo se resuelve en segundos.

Clasificación frente a extracción de datos

Es común confundir clasificar frente a extraer, pero son dos pasos distintos y secuenciales. Clasificar responde "qué tipo de documento es"; extraer responde "qué dice adentro".

La relación es de dependencia: una buena clasificación le dice al motor de extracción de datos qué plantilla o qué campos buscar, porque no se extrae lo mismo de una factura que de un contrato. Si el documento se clasifica mal, la extracción busca campos que no existen y el circuito se rompe.

Errores comunes al implementarla

• Confiar en el nombre del archivo o en la carpeta de origen en lugar del contenido: un "factura_final_v2.pdf" puede ser cualquier cosa.
• No definir un umbral de confianza ni un camino de revisión humana, lo que lleva a clasificar mal en silencio.
• Entrenar el clasificador solo con documentos "limpios" y que falle con escaneos torcidos, fotos de baja calidad o comprobantes de formatos atípicos.
• Tratar categorías muy parecidas (factura A frente a factura B, remito frente a remito valorizado) como si fueran una sola, perdiendo el detalle que necesitan los procesos de abajo.
• Olvidar que las categorías evolucionan: aparecen tipos nuevos de comprobante o documentos de un proveedor que nadie previó, y el modelo necesita seguir aprendiendo.

Dónde encaja en el circuito completo

La clasificación rara vez vive sola. Suele ser el disparador de un pipeline que sigue con extracción, validación documental y, en finanzas, conciliación contra la orden de compra. Pensarla como el portero de entrada del circuito ayuda: su trabajo no es resolver el documento, sino mandarlo a la puerta correcta para que cada proceso especializado haga lo suyo.