Una tarea, una herramienta.
OCR, extracción, clasificación, razonamiento y redacción no son la misma cosa. Cada una tiene una herramienta con mejor relación coste, latencia y calidad. Elegir el mismo modelo frontera para todo es pagar mucho por resultados que un componente dedicado da mejor.
Qué herramienta usar en cada caso, y por qué
- Tarea
OCR de facturas y albaranes
Herramienta: Componente dedicado (Datalab, Textract, Azure Document Intelligence).
Extraer tablas y campos posicionales de PDF escaneado es un problema resuelto por herramientas específicas, con precisión mejor y coste una fracción del que tendría un modelo frontera haciendo lo mismo.
- Tarea
Clasificación semántica de documentos
Herramienta: Modelo ligero por API con prompt corto y ejemplos.
Detectar si un documento es factura, contrato, memoria o resolución requiere entender lenguaje pero no razonamiento profundo. Un modelo ligero cuesta céntimos por miles de llamadas.
- Tarea
Extracción de campos libres
Herramienta: Modelo ligero por API con schema estructurado en el prompt.
Sacar entidades sin posición fija (importes, plazos, referencias, cláusulas) funciona bien con modelos ligeros cuando el schema es claro. Frontera solo si hay ambigüedad genuina.
- Tarea
Razonamiento jurídico o técnico
Herramienta: Modelo frontera con revisión humana obligatoria.
Interpretar un pliego, cruzar cláusulas contra jurisprudencia o proponer una estrategia procesal requiere modelos frontera. Y la firma humana en el output no es opcional cuando hay responsabilidad.
- Tarea
Redacción asistida
Herramienta: Modelo frontera con plantillas propias y fuentes citadas.
Generar memorias, resúmenes ejecutivos o propuestas comerciales funciona bien en modelos frontera cuando parten de plantillas y datos internos, no de aire. Trazabilidad completa por cita.
Preguntas frecuentes
¿Por qué no usar un solo modelo de IA para todo?
Porque cada tarea tiene una herramienta con mejor relación coste, latencia y calidad. Usar un modelo frontera para clasificar una factura cuesta mucho más y da peor resultado que un componente OCR dedicado. Elegir el mismo modelo para todo es pagar de más y obtener menos.
¿Qué modelo usar para OCR de facturas o expedientes?
Componente dedicado (Datalab, Textract, Azure Document Intelligence). Precisión mejor y coste una fracción del que tendría un modelo frontera haciendo lo mismo. Los LLMs generales son la peor opción para OCR tabular.
¿Qué modelo usar para clasificación semántica de documentos?
Modelo ligero por API con prompt corto y ejemplos. Detectar si un documento es factura, contrato, memoria o resolución cuesta céntimos por miles de llamadas y no requiere razonamiento profundo.
¿Y para razonamiento jurídico o técnico complejo?
Modelo frontera con revisión humana obligatoria. Interpretar un pliego, cruzar cláusulas contra jurisprudencia o proponer una estrategia procesal requiere frontera; la firma humana no es opcional cuando hay responsabilidad.
¿Cómo se decide qué modelo usar en cada paso?
Con la Escala Semántica: siete niveles de procesamiento que asignan cada tarea al mecanismo adecuado según coste, calidad y responsabilidad. La configuración vive en un archivo del sistema, no en cada llamada.
En SVP cada nivel de la Escala Semántica usa la herramienta que corresponde a esa tarea
El diseño arquitectónico separa las tareas y les asigna la herramienta con mejor relación coste-calidad. Menos gasto por consulta, mejor precisión, y capacidad de cambiar cualquier pieza sin rehacer el sistema.