Cloudflare ha presentado un modelo de IA llamado Clairic. Está diseñado para extraer datos de documentos y pretende hacerlo más rápido y con menor coste que los grandes modelos de lenguaje. Por ahora no se conoce públicamente más información confirmada sobre el modelo; sin embargo, la dirección es claramente reconocible.

Lo interesante no es tanto el modelo individual como el patrón que hay detrás. Desde hace unos tres años, la respuesta estándar a casi cualquier tarea de texto es: un gran modelo de lenguaje. Clairic representa un movimiento contrario que hace tiempo que se produce en la práctica: modelos más pequeños y especializados para tareas muy delimitadas.

Qué ocurre realmente al extraer datos de documentos

Por extracción de documentos se entiende la obtención de campos estructurados a partir de documentos no estructurados: número de factura, importe y fecha de vencimiento de una factura en PDF, partidas de un albarán, datos maestros de un formulario escaneado. El resultado debe ser legible por máquina para que pueda fluir a un sistema ERP, una base de datos o un flujo de trabajo de aprobación.

Esta tarea está muy acotada. No requiere conocimiento del mundo, capacidad de argumentación ni formulación creativa. Requiere, sobre todo, fiabilidad: la misma factura debe dar los mismos campos cada vez.

Precisamente aquí surge la desproporción. Un modelo de lenguaje general aporta para una tarea así mucha capacidad que no se necesita en absoluto, y esa capacidad se paga por llamada, en dinero y en tiempo de espera.

Por qué los costes y la latencia duelen especialmente en documentos

En un asistente de chat, un tiempo de respuesta de dos segundos apenas importa. En el procesamiento por lotes de documentos, el cálculo es distinto, porque confluyen dos factores:

  • Volumen: los procesos de documentos rara vez se ejecutan de uno en uno. Se trata de cientos o miles de comprobantes al mes, a menudo con varias páginas por operación.
  • Repetición: la misma lógica de extracción se aplica una y otra vez al mismo tipo de documento. Cada llamada vuelve a costar.

Lo que por documento parece unos pocos céntimos se convierte a lo largo de un año en una partida visible en la planificación presupuestaria. Y lo que empieza como un retraso de segundos bloquea en conjunto procesos de aprobación, importaciones o ventanas de procesamiento nocturno.

A ello se suma un punto que a menudo pasa desapercibido en las comparativas de costes: cuanto más vinculado está un proceso a un proveedor externo de modelos, más dependen los tiempos de ejecución de su disponibilidad y carga. Los límites de tasa —es decir, las restricciones de solicitudes por unidad de tiempo— son un cuello de botella real en el procesamiento masivo.

Modelo especializado o modelo de lenguaje: una decisión por tarea

La postura viable no es «una cosa u otra», sino una distribución según el tipo de tarea. Una matriz útil para proyectos:

  • Alto volumen, esquema de destino claramente definido, poca variabilidad: aquí hay mucho a favor de un modelo especializado o de un servicio de extracción clásico. Facturas, formularios, albaranes, fichas de datos maestros.
  • Bajo volumen, alta variabilidad, planteamiento abierto: aquí un gran modelo de lenguaje despliega su fortaleza. Resúmenes, análisis de texto libre, casos especiales, documentos sin formato fijo.
  • Forma mixta: el modelo especializado se encarga de la masa, la llamada al modelo de lenguaje captura los valores atípicos que el modelo ligero no resuelve con seguridad.

Esta forma mixta suele ser en la práctica la variante más económica. Sin embargo, presupone que el sistema reconoce cuándo no está seguro, mediante valores de confianza, reglas de plausibilidad o una comparación con datos maestros.

Qué debería aclararse antes de elegir el modelo

Antes de seleccionar un modelo, merece la pena trabajar en el propio planteamiento de la tarea. Según la experiencia, los siguientes puntos deciden más sobre el resultado que la cuestión de qué modelo se utiliza:

  1. Definir el esquema de destino: ¿qué campos se necesitan, en qué formato, con qué datos obligatorios? Un esquema impreciso genera resultados imprecisos, independientemente del modelo.
  2. Crear un conjunto de pruebas: una colección de documentos reales junto con resultados esperados verificados. Sin esta referencia no se puede demostrar una comparación de modelos, solo afirmarla.
  3. Determinar el coste de los errores: un importe mal extraído en una aprobación de pago pesa de forma distinta que un título incorrecto en un archivo de documentos. De ahí se deduce cuánta verificación es necesaria.
  4. Definir la vía de escalado: ¿qué ocurre con los documentos que no pueden procesarse con seguridad? Un recorrido de revisión manual forma parte del concepto, no como solución de emergencia.

Quien haya aclarado estos cuatro puntos puede comparar modelos de verdad, según la tasa de acierto, el tiempo de ejecución y el coste por documento. Y podrá cambiar más adelante cuando haya disponible un modelo más económico o más rápido.

Arquitectura: mantener los modelos intercambiables

El punto estratégicamente más importante de anuncios como este es menos el producto concreto que la velocidad con la que cambia la oferta. Quien hoy vincula firmemente una cadena de extracción a un proveedor, paga de nuevo esfuerzo de integración en cada cambio.

La contramedida no tiene nada de espectacular: una interfaz interna claramente definida entre el proceso de negocio y la llamada al modelo. El flujo de trabajo solo conoce «documento dentro, datos estructurados fuera»; qué modelo trabaja detrás es una cuestión de configuración.

Entonces se puede probar un nuevo modelo especial en funcionamiento paralelo contra el existente, sin tocar el proceso en curso.

Esto también se aplica al caso inverso: si resulta que un modelo ligero no cubre correctamente determinados tipos de documentos, debe ser posible volver al modelo más grande sin necesidad de reestructurar.

Clasificación para proyectos web y de software

Para los proyectos, esto significa sobre todo: la pregunta no es «¿Qué modelo de IA utilizamos?», sino «¿Qué tarea resolvemos y cuál es la herramienta mínima suficiente para ello?».Precisamente en los flujos de documentos en portales, áreas de clientes o flujos de trabajo de backoffice, esta cuestión decide de forma perceptible sobre los costes operativos y los tiempos de respuesta.

Por ello, en la implementación se recomienda planificar la llamada al modelo como un componente intercambiable y medir la calidad con un propio conjunto de pruebas en lugar de basarse en promesas de producto.Así, una solución se mantiene sólida, incluso cuando el mercado —como actualmente— sigue moviéndose a un ritmo semestral.

Fuentes