Cómo extraer datos de facturas automáticamente
Cada proveedor factura distinto: unos mandan un PDF nativo, otros un escaneo, otros una foto del papel hecha con el móvil, y casi nunca en la misma plantilla. Extraer los datos a mano (NIF, base imponible, IVA, total, número de factura) de cientos de facturas así cada mes es lento y con errores; un fallo en un cuadre de IVA se descubre semanas después, en la conciliación.
Extraer datos de facturas automáticamente significa leer el documento (sea PDF, escaneo o foto), sacar cada campo con un valor de confianza y validar que los números cuadran, sin que nadie lo teclee. Una plataforma de extracción documental hace esto con cualquier formato de entrada y entrega los datos ya estructurados para tu ERP o tu contabilidad. Es la mitad "facturas recibidas" del ciclo de facturación completo, y es la que las herramientas centradas solo en la parte de emitir (VeriFactu) no cubren.
¿Qué datos hay que extraer de una factura?
Toda factura, sea cual sea su formato, comparte el mismo conjunto de campos que hay que extraer y cuadrar. Son los datos que cualquier sistema de cuentas a pagar necesita antes de contabilizar o pagar:
| Campo | Qué es |
|---|---|
| NIF/CIF | Identificación fiscal del proveedor y, si aplica, del cliente |
| Número de factura | Identificador único que emite el proveedor |
| Fecha de factura | Fecha de emisión (y de vencimiento, si consta) |
| Proveedor | Razón social y datos de contacto/fiscales |
| Base imponible | Importe antes de impuestos, por línea y/o total |
| IVA | Tipo(s) aplicado(s) y cuota resultante |
| IRPF | Retención aplicada, cuando la factura es de un autónomo o profesional sujeto a retención |
| Total | Importe final a pagar |
| Líneas de detalle | Concepto, cantidad, precio unitario por línea, cuando la factura tiene desglose |
Una plataforma de extracción te deja definir qué campos quieres sacar de cada documento, con su nombre y una descripción de qué es cada uno, y esa misma definición se reutiliza para todos los proveedores; el IRPF es uno más de esos campos, no algo que haya que montar aparte.
¿Por qué falla la extracción manual cuando cada proveedor factura distinto?
El problema no es leer una factura: es leer las mismas mil facturas de formatos distintos sin que nadie se salte un campo. Un PDF nativo se puede copiar y pegar; un escaneo o una foto de móvil necesita OCR; una factura de dos páginas puede partir una tabla de líneas por la mitad; y no es raro recibir un único PDF con varias facturas dentro (por ejemplo, el envío mensual consolidado de un proveedor). Cada una de esas variantes rompe una plantilla fija o una hoja de cálculo hecha a mano.
anyformat resuelve esto con dos piezas del flujo: el nodo de análisis (parse) normaliza cualquier entrada, incluidos escaneos y fotos, a través de OCR y segmentación de layout antes de extraer nada; y el nodo de división de documentos separa un PDF con varias facturas en sub-documentos independientes antes de procesarlos. Los formatos de entrada admitidos incluyen PDF, imágenes (escaneo o foto: jpg, png, heic, tiff, entre otros) y XML, lo que cubre, por ejemplo, una factura en formato Facturae. Sobre el detalle de VeriFactu como sistema de emisión, ver la guía dedicada.
¿Cómo se valida que los datos extraídos son correctos?
Extraer un dato no basta: hay que comprobar que tiene sentido antes de contabilizarlo. Un NIF con formato incorrecto, una base imponible que no cuadra con el IVA, o un total que no suma las líneas son errores que hay que atrapar antes de que lleguen al ERP, no después.
anyformat ejecuta esto como parte del mismo flujo: reglas de validación en lenguaje natural sobre los campos ya extraídos (por ejemplo, que un campo cumpla el formato esperado, o que un importe cuadre con otro), cada una marcada como error o aviso, más una verificación de cuadre numérico dedicada para comprobar que los totales casan con las líneas de detalle. Cuando una factura tiene línea de detalle, un nodo de extracción por filas saca cada línea (concepto, cantidad, precio) en lugar de un bloque de texto sin estructurar.
¿Qué hace distinto una plataforma de extracción como anyformat?
Cada dato que anyformat extrae lleva una confianza calibrada por campo y evidencia visual apuntando al lugar exacto de la factura de donde salió. Lo que supera el umbral de confianza se contabiliza solo; lo dudoso va a revisión humana con la prueba justo al lado, en vez de obligar a alguien a repasar la factura entera para verificar un solo campo. Los equipos de cuentas a pagar que ya automatizan así reportan ahorros de entre el 60% y el 80% frente al proceso manual anterior, medido en producción.
Esto se integra vía API REST pública, SDKs de Python y TypeScript, o directamente desde la interfaz sin código (Studio), según lo que ya use tu equipo de finanzas.
Si tu factura de proveedor llega en Facturae (formato XML) por la obligación de facturación electrónica, se procesa igual que un PDF: es un formato de entrada más, no un producto distinto. Para la mitad de la ecuación que trata de VeriFactu y las fechas de obligación de 2027, ver Automatizar facturas VeriFactu. Si lo que necesitas es exportar lo extraído a una hoja de cálculo, ver Facturas a Excel. Esta guía es la pieza de "extracción de facturas" dentro de la guía general de automatización de extracción de facturas.
Preguntas frecuentes
¿Qué formatos de factura puede procesar anyformat?
PDF nativo, escaneos, fotos tomadas con el móvil, y también XML, lo que cubre una factura en formato Facturae. El mismo esquema de campos se aplica sin importar el formato de entrada.
¿Qué pasa si un PDF trae varias facturas juntas, como un envío mensual de un proveedor?
Un nodo de división separa el PDF en facturas individuales antes de extraer nada, así que no hace falta partirlo a mano primero.
¿Esto tiene algo que ver con VeriFactu?
No directamente: VeriFactu regula cómo emites tus propias facturas; esta guía trata de las facturas que recibes de tus proveedores. anyformat no emite facturas: es la plataforma que procesa las facturas y documentos que recibís. Para VeriFactu como tal, ver la guía dedicada.
¿Necesito que mi equipo programe algo para integrarlo?
No necesariamente: hay una interfaz sin código (Studio) para definir el esquema de campos y revisar resultados, además de API REST y SDKs si tu equipo de desarrollo quiere integrarlo directamente en el ERP o la contabilidad.
¿Qué pasa con los campos que salen con poca confianza?
Van a una cola de revisión humana con la evidencia visual junto al campo, para que una persona lo confirme o lo corrija en segundos en lugar de repasar la factura entera.
