Respuesta directa
OCR significa reconocimiento óptico de caracteres. Analiza la imagen de un documento escaneado, reconoce las letras y las convierte en texto que puedes buscar, seleccionar y copiar. Sin OCR, un PDF escaneado es solo una imagen: puedes verlo, pero no encontrar una palabra dentro de él. En TUDIGI el OCR va incluido.
Qué hace exactamente el OCR
Cuando escaneas una página, el resultado es una fotografía. Tú ves letras porque tu cerebro las interpreta, pero el archivo solo contiene píxeles de distintos colores. Buscar la palabra «contrato» dentro de ese PDF no devuelve nada, porque para la computadora esa palabra no está ahí.
El OCR recorre esa imagen, detecta las regiones que parecen texto, separa líneas y caracteres, compara cada forma con modelos de letras y produce una capa de texto que se superpone a la imagen. El documento sigue viéndose exactamente igual, pero ahora se puede buscar, seleccionar y copiar.
Qué precisión esperar, con honestidad
Aquí es donde muchas propuestas prometen cifras que no pueden sostener. La precisión del OCR no es un número fijo del servicio: depende del documento concreto. El mismo motor de reconocimiento produce resultados muy distintos según lo que tenga delante.
| Tipo de documento | Comportamiento del OCR |
|---|---|
| Impresión láser nítida sobre papel blanco | Muy alta fiabilidad. Es el caso ideal |
| Fotocopia de fotocopia | Baja; los bordes de las letras se degradan y se confunden caracteres |
| Documento con sellos o firmas encima del texto | El texto tapado no se recupera |
| Papel amarillento o con manchas | Variable; mejora mucho con ajuste de contraste en la captura |
| Fax antiguo | Baja; la resolución de origen es insuficiente |
| Manuscrito | No fiable. Requiere transcripción manual |
| Tabla con muchas columnas estrechas | El texto se reconoce, pero la estructura de la tabla suele perderse |
Por eso no publicamos un porcentaje de precisión: sería un número inventado. En documentos impresos y limpios el texto en español se reconoce muy bien, y baja con fotocopias gastadas, sellos encima del texto o letra muy pequeña. Revisamos el resultado antes de entregarlo y te decimos qué encontramos.
Por qué el OCR en español necesita cuidado extra
El reconocimiento en español tiene dos dificultades que el inglés no tiene. Las tildes son marcas pequeñas que se pierden con facilidad si la resolución de captura es baja o el papel está amarillento: «facturación» puede quedar como «facturacion», y una búsqueda exacta ya no la encuentra.
La segunda es la eñe. Un motor configurado por defecto en inglés puede interpretar «ñ» como «n» o como «fi», lo que afecta a palabras tan comunes en documentación venezolana como «año» o «diseño».
Ambas se resuelven configurando el idioma antes de procesar el lote, no después. Es una decisión de configuración, no un límite de la tecnología, pero hay que tomarla.
OCR e indexación no son lo mismo
Se confunden constantemente, y la diferencia determina si vas a encontrar lo que buscas.
| OCR | Indexación | |
|---|---|---|
| Qué hace | Hace buscable el texto dentro del documento | Describe el documento como conjunto |
| Dónde vive el dato | En una capa dentro del PDF | En un índice o base externa |
| Ejemplo de búsqueda | «garantía» dentro de un contrato | Todos los contratos de 2024 de un proveedor |
| Qué encuentra | Una palabra | El documento correcto |
| Funciona en manuscritos | No | Sí, porque lo escribe una persona |
El OCR es automático. La indexación requiere que una persona lea y escriba cada campo, y por eso es la parte que más trabajo lleva. Pero es también la que responde a la pregunta que realmente hace tu equipo, que casi nunca es «dónde aparece esta palabra» sino «dónde está el expediente de este cliente».
Cómo verificar el OCR antes de aceptar una entrega
No hace falta ser técnico. Estas cinco comprobaciones se hacen en unos minutos y detectan la mayoría de los problemas reales.
- 01Abre cinco documentos al azar de lotes distintos y busca una palabra que sepas que está en el texto.
- 02Prueba una palabra con tilde y una con eñe. Si fallan, el idioma no se configuró bien.
- 03Selecciona un párrafo y pégalo en un editor de texto. Verás de inmediato la calidad real del reconocimiento.
- 04Busca un documento por un dato del índice, no del texto. Comprueba que el índice también funciona.
- 05Revisa un documento que sepas que está en mal estado. Es el que marca el límite real de tu archivo.
Si algo falla, es el momento de decirlo: antes de firmar la conformidad de la entrega. Después, reprocesar un lote completo es una conversación mucho más difícil.
Cuándo el OCR no es la prioridad
El OCR es casi siempre recomendable, pero no siempre es lo primero. Estas situaciones justifican posponerlo o descartarlo.
- Archivo mayoritariamente manuscrito, como libros de actas antiguos. El OCR no lo resolverá; la indexación manual sí.
- Fotografías y material gráfico sin texto relevante. No hay nada que reconocer.
- Planos y documentación técnica donde importa el dibujo, no el texto.
- Material que solo se consulta por metadatos externos, como expedientes que siempre se buscan por número.
- Presupuesto muy ajustado con volumen alto: prioriza el índice y el control de calidad. En TUDIGI el OCR ya va incluido en el escaneo, así que no tienes que elegir.
Errores frecuentes al contratar OCR
- 01Aceptar «OCR incluido» sin preguntar si se verifica. Aplicar OCR es automático; comprobar que funcionó es trabajo, y es lo que distingue una entrega seria.
- 02Escanear a baja resolución para ahorrar espacio. El OCR se aplica sobre la imagen: si la captura es pobre, ningún motor lo compensa después.
- 03Esperar que el OCR reconstruya lo ilegible. Si un humano no puede leerlo, el OCR tampoco.
- 04No pedir el texto en el formato correcto. Un PDF con capa de texto es buscable; un PDF de solo imagen con un TXT aparte, en la práctica, nadie lo usa.
- 05Suponer que el OCR ordena el archivo. No lo hace: hace buscable el contenido, pero la organización viene del índice y de la nomenclatura.
Checklist para tu proyecto
- Identifica qué porcentaje de tu archivo es impreso y cuánto manuscrito.
- Separa el material en mal estado: define expectativas antes, no después.
- Confirma que el idioma de reconocimiento será español.
- Acuerda que la entrega sea PDF con capa de texto, no imagen más archivo aparte.
- Pide que el OCR se revise antes de la entrega, no después.
- Define los campos de índice: el OCR no los sustituye.
- Reserva tiempo para verificar la entrega antes de firmar conformidad.
Preguntas frecuentes
No de forma fiable. El reconocimiento de escritura manual existe, pero su precisión sobre letra cursiva real, con distintas manos y tintas, es demasiado baja para un archivo del que se dependa. Para material manuscrito la solución es la indexación manual de los campos clave.
Depende del documento, no del servicio. Un impreso limpio da muy buenos resultados; una fotocopia gastada, bastante peores. Por eso no publicamos un porcentaje: revisamos el resultado sobre tu material antes de entregarlo y, cuando el texto no se reconoce bien, indexamos a mano los campos clave.
Técnicamente sí, siempre que la resolución de origen sea suficiente: es una de las pocas etapas que se puede añadir sin volver a escanear. Si tienes una carpeta de PDFs sin texto buscable, escríbenos y te confirmamos si podemos procesarla con tu material.
No. Añade una capa de texto invisible sobre la imagen. El documento se ve exactamente igual; simplemente ahora se puede buscar y seleccionar.
Se conservan como parte de la imagen, pero no se reconocen como texto. Si un sello está encima de una palabra, esa palabra puede no recuperarse. Es una limitación física, no del motor.
Depende de dónde estén. En una carpeta local, el buscador del sistema operativo puede indexar el texto de los PDF. Para búsquedas más serias conviene un índice maestro, que además permite filtrar por campos y no solo por palabras sueltas.
Sí, para documentación que debas conservar años. PDF/A es la variante de PDF para archivo a largo plazo definida en la norma ISO 19005: incrusta las fuentes, elimina dependencias externas y admite sin problema la capa de texto del OCR.
Servicio relacionado
Sector relacionado