Ir al contenido principal
Español— Elegir un idioma
Menú

Introducción a Document AI

Lección 1 de 16 Actualizado el 2 de noviembre de 2026 Desarrollador
En esta página
  1. Por qué Document AI cambia las reglas del juego
  2. Los tres servicios de Document AI
  3. OCR tradicional frente a Document AI
  4. Salida en Markdown estructurado
  5. Lo que aprenderás
  6. Puntos clave

Actualizado el 2 de noviembre de 2026 — OCR. El modelo OCR 4.0 (mistral-ocr-4-0) se retiró el 30 de septiembre de 2026. Utiliza OCR 4.1 (mistral-ocr-4-1), disponible en producción desde el 31 de agosto al mismo precio, o el alias mistral-ocr-latest, que apunta a él desde el 16 de julio. OCR 4.1 añade puntuaciones de confianza a nivel de bloque.

Por qué Document AI cambia las reglas del juego

Cada mañana, una compañía de seguros recibe cientos de formularios de reclamación: documentos escaneados con inclinaciones extrañas, informes manuscritos rellenados a bolígrafo y fotos de facturas tomadas con el móvil. Los bancos se enfrentan al mismo problema con los extractos, los hospitales con las historias clínicas y las agencias gubernamentales con sus formularios. Durante décadas, el reconocimiento óptico de caracteres (OCR) tradicional ha intentado resolver este problema, a menudo con resultados decepcionantes en cuanto los diseños se vuelven complejos, aparece escritura a mano o los documentos mezclan varios idiomas.

Mistral AI ha creado Document AI para gestionar exactamente este tipo de flujo de trabajo. No es solo otro motor de OCR: la solución combina un modelo de lenguaje de visión (VLM) especializado con capacidades de extracción estructurada e inteligencia documental. En otras palabras, no se limita a leer caracteres; reconstruye el documento tal y como está organizado y te permite consultarlo afterwards.

2.000
Páginas/min por GPU
3
Servicios integrados
50+
Idiomas compatibles
6
Formatos compatibles

Los tres servicios de Document AI

Document AI se basa en tres servicios complementarios, todos accesibles a través de la API de Mistral. Es fundamental entender cómo se encadenan desde el principio.

El primero, el procesador OCR, es el núcleo del sistema. El modelo mistral-ocr-latest (OCR 4) extrae texto de documentos escaneados, PDF, imágenes y presentaciones. Mientras que un OCR clásico como Tesseract te devuelve un galimatías de líneas, este modelo preserva la estructura: títulos, párrafos, tablas, listas e hipervínculos. Volviendo al formulario de reclamación del seguro: obtienes el formulario de vuelta con sus secciones identificadas, no un bloque de texto que tienes que desenredar.

El segundo servicio, Anotaciones de documentos, toma el relevo para extraer datos procesables. Defines un esquema Pydantic (nombre del paciente, importe de la factura, cláusulas del contrato) y el modelo rellena estos campos automáticamente. Pasas de texto legible a valores tipados que un sistema de información puede ingerir.

El tercero, Document QnA, combina OCR con un LLM de Mistral para permitirte hacer preguntas en lenguaje natural sobre el contenido. Esto es lo que permite a un abogado preguntar: «¿Cuál es el plazo de preaviso para la rescisión?» en lugar de volver a leer cuarenta páginas. También es la forma natural de acceder a grandes archivos o comparar informes.

OCR tradicional frente a Document AI

El OCR tradicional, ya sea Tesseract o Adobe Acrobat, funciona reconociendo patrones píxel a píxel. Este principio funciona bien en una página impresa nítida, pero se desmorona en cuanto te sales de ese caso ideal. Un periódico con múltiples columnas, encabezados anidados y laterales ilustrados produce un texto donde el orden de lectura ya no tiene sentido. Las notas manuscritas de un médico o los formularios rellenados a mano siguen siendo ilegibles para él. Las tablas con celdas combinadas, bordes faltantes o alineaciones irregulares pierden toda relación entre columnas y filas. Añade un documento que mezcle escrituras latinas, árabes y asiáticas, o un escaneo ruidoso, inclinado y borroso, y la tasa de error se vuelve prohibitiva.

Document AI se basa en un modelo de visión ajustado (VLM) que comprende la semántica del documento. No solo reconoce caracteres: capta la estructura, el contexto y las relaciones entre elementos. Esta diferencia fundamental de naturaleza, y no solo una simple ganancia en precisión, explica sus resultados en casos difíciles.

Salida en Markdown estructurado

Otra diferencia clave: Document AI produce Markdown estructurado, no texto plano. Cada página se devuelve con su contenido textual etiquetado (encabezados, listas, párrafos), sus tablas formateadas en Markdown o HTML, las imágenes extraídas acompañadas de su posición, los hipervínculos preservados y, si lo deseas, los encabezados y pies de página aislados del cuerpo. Esta salida está lista para usar: puedes indexarla en una base de datos vectorial para RAG, archivarla o mostrarla tal cual, sin un paso intermedio de limpieza.

En cuanto a la entrada, el servicio cubre PDF (escaneados y nativos), imágenes PNG, JPEG y AVIF, presentaciones PPTX y documentos DOCX. El tamaño máximo del archivo es de 50 MB, con un límite de 1.000 páginas: dos límites que debes tener en cuenta al dividir tus lotes.

Lo que aprenderás

El curso sigue el orden de los tres servicios. Las lecciones 1 a 3 cubren la visión general, el modelo OCR 4 y los casos de uso. Las lecciones 4 a 8 profundizan en OCR: la API, código Python, tablas, encabezados y pies de página, y optimización de la precisión. Las lecciones 9 a 12 tratan las anotaciones, desde la extracción de metadatos hasta el procesamiento por lotes. Las lecciones 13 a 16 abordan Document QnA, desde documentos individuales hasta configuraciones multidocumento, pasando por la integración RAG y los pipelines de producción.

Puntos clave

  • Document AI combina OCR, anotaciones estructuradas y QnA en una única solución
  • El modelo OCR 4 supera con creces a las soluciones de OCR tradicionales en precisión y flexibilidad
  • La salida en Markdown estructurado facilita la integración en tus pipelines existentes
  • Tres servicios complementarios cubren todo el ciclo de vida del documento