Datos no estructurados

Los datos no estructurados son toda la información que no encaja en el esquema rígido de filas y columnas de una base de datos relacional. Hablamos de facturas en PDF, correos, contratos, fotos, audios, videos, posteos y mensajes de WhatsApp: contenido riquísimo en significado pero que una consulta SQL tradicional no puede leer directamente. Se estima que representan alrededor del 80% de la información que genera una organización, y casi siempre es la parte que queda fuera de los tableros.

La contracara son los datos estructurados (registros de un CRM, asientos contables, una planilla de stock), que ya vienen tabulados y listos para filtrar y sumar. En el medio están los datos semiestructurados (un JSON, un XML, un email con encabezados): tienen algunas etiquetas, pero no un esquema fijo.

El desafío de negocio no es almacenarlos, sino convertirlos en información operable. En el dominio de documentos y finanzas, leer una factura escaneada o un remito y volcar sus campos a un sistema es justamente lo que automatiza Arconte combinando OCR e IA, sin que una persona tipee dato por dato.

Por qué importan tanto en una empresa

Durante décadas, los sistemas de gestión se construyeron alrededor de lo que cabía en una tabla: clientes, productos, montos, fechas. Pero la mayor parte del conocimiento real de un negocio vive fuera de esas tablas. El contrato que define una cláusula de penalidad, el correo donde el cliente aclara una condición de pago, la foto de la góndola que prueba el cumplimiento de un acuerdo comercial, el audio de un reclamo en el call center: todo eso es dato no estructurado. Ignorarlo significa tomar decisiones con apenas una fracción de la información disponible.

El problema histórico fue técnico: una computadora no podía "entender" un PDF o una grabación con la misma facilidad con que sumaba una columna de ventas. Por eso, durante años, ese contenido quedó en carpetas, casillas de correo y discos compartidos, sin que nadie pudiera consultarlo a escala. La llegada de la IA generativa y de los LLM cambió ese escenario: hoy un modelo puede leer un texto, extraer los campos clave, clasificarlo y responder preguntas sobre su contenido.

Cómo se vuelven explotables

El recorrido típico para transformar datos no estructurados en información útil combina varias técnicas:

• OCR para convertir un documento escaneado o una foto de texto en caracteres legibles por máquina.
• Procesamiento de lenguaje natural y modelos de lenguaje para interpretar el contenido, no solo leerlo.
• Embeddings que traducen el texto a vectores numéricos, de modo que se pueda buscar por significado y no solo por palabra exacta.
• Bases de datos vectoriales que almacenan esos vectores para recuperación rápida.
• RAG para que un asistente responda usando esos documentos como fuente, en lugar de inventar.

Cuando este pipeline funciona, una pila de PDFs deja de ser un archivo muerto y se vuelve consultable: se puede preguntar "¿cuánto facturamos a este proveedor el trimestre pasado?" y obtener la respuesta leyendo las facturas mismas.

Estructurados vs no estructurados

Un ejemplo concreto en Argentina

Pensemos en una distribuidora mayorista que recibe cientos de facturas de proveedores por mail cada mes, cada una con un formato distinto. El equipo administrativo las imprime, las revisa a mano y carga los datos en el sistema contable. Es lento, propenso a errores de tipeo y nadie tiene visibilidad en tiempo real de cuánto se debe. Aplicando OCR e IA sobre esos PDFs, los campos relevantes (CUIT, número, fecha, importe, alícuota de IVA) se extraen automáticamente y se cruzan contra la orden de compra para detectar diferencias antes de pagar. El mismo dato que antes vivía atrapado en un adjunto pasa a alimentar la conciliación y los tableros de cobranzas.

Errores comunes

Un primer error es subestimar el volumen: muchas empresas creen que su "data" es solo lo que está en el ERP, cuando el 80% está en correos y documentos. El segundo es digitalizar sin extraer: escanear un papel a PDF no lo vuelve estructurado, sigue siendo una imagen hasta que se le aplica OCR e interpretación. El tercero es confiar ciegamente en la IA sin validación humana en campos críticos como montos o números de identificación, donde un error de lectura tiene costo real. Por eso los flujos serios mantienen un paso de human-in-the-loop para los casos de baja confianza.

La buena noticia es que el techo se corrió: lo que durante años fue ruido inaccesible hoy es una fuente de información tan consultable como cualquier tabla, siempre que se la procese con las herramientas adecuadas.