Casos de uso de las anotaciones
En esta página
Actualización 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 aliasmistral-ocr-latest, que apunta a él desde el 16 de julio. OCR 4.1 añade puntuaciones de confianza a nivel de bloque. Addendum 3 de noviembre de 2026: Un PDF local se transmite en base64 como{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; el tipodocument_base64de ejemplos anteriores no existe ni en la documentación ni en el SDKmistralai, y esos ejemplos habrían fallado. Fuentes: Procesador OCR · Preguntas y respuestas sobre documentos. Corregido el 3 de noviembre de 2026: El código anterior leíapage.document_annotationpágina por página; en la versión 3.7.0 del SDKmistralai, la anotación del documento es un único campo en la respuesta (response.document_annotation), y la anotación de imagen se lee desdeimage.image_annotation.
Anotaciones para cada perfil
Las anotaciones de Document AI transforman documentos no estructurados en datos procesables. El mecanismo es siempre el mismo: un esquema, un prompt y una llamada, pero lo que extraes cambia radicalmente según el perfil del usuario. Esta lección recorre cuatro implementaciones concretas: clasificación aguas arriba en un flujo de trabajo, análisis de cláusulas contractuales, verificaciones de cumplimiento normativo y enriquecimiento de un índice RAG.
Clasificar antes de procesar
En un flujo de trabajo real, los documentos llegan mezclados: una factura, un pedido, un DNI, una carta. Antes de aplicar el esquema de extracción adecuado, necesitas saber qué tienes entre manos. La anotación sirve como primera etapa de clasificación. La enumeración TypeDocument fija las categorías admisibles, la puntuación de confianza permite derivar cualquier elemento por debajo de un umbral a revisión humana, y el resumen de una frase ofrece a los operadores suficiente contexto para tomar una decisión sin necesidad de abrir el archivo.
import os
from enum import Enum
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class TypeDocument(str, Enum):
INVOICE = "facture"
PURCHASE_ORDER = "bon_commande"
CONTRACT = "contrat"
REPORT = "rapport"
LETTER = "courrier"
FORM = "formulaire"
ID_DOCUMENT = "piece_identite"
OTHER = "autre"
class Classification(BaseModel):
document_type: TypeDocument = Field(
..., description="Identified document type"
)
confidence: float = Field(
..., description="Confidence score between 0 and 1"
)
language: str = Field(
..., description="Primary language (ISO 639-1 code)"
)
summary: str = Field(
..., description="One-sentence summary of the content"
)
def classify_document(document_base64: str) -> Classification:
"""Clasifica automáticamente un documento."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
Classification
),
document_annotation_prompt=(
"Identify the type of this document and provide "
"a summary of its content."
)
)
if response.document_annotation:
return Classification.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Leer un contrato como un abogado
El análisis de contratos es un caso de uso mayor en los sectores jurídico y financiero, y es donde los esquemas anidados brillan con luz propia. Cada Clause contiene su título, un resumen del contenido, su categoría (confidencialidad, rescisión, no competencia, responsabilidad, pago) y una evaluación de riesgos en tres niveles. El contrato en sí agrega estas cláusulas junto con las partes, la fecha de firma, la duración, el importe y la jurisdicción aplicable. Sobre una cartera de doscientos contratos de proveedores, obtienes en pocas horas un mapeo que nadie habría tenido tiempo de producir manualmente.
El campo risk merece una advertencia: es una evaluación generada por un modelo, útil para priorizar la revisión de un abogado, pero nunca para sustituirla.
from pydantic import BaseModel, Field
from typing import Optional
class Clause(BaseModel):
title: str = Field(..., description="Title or number of the clause")
content: str = Field(..., description="Summary of the clause content")
clause_type: str = Field(
..., description="Type: confidentiality, termination, "
"non-compete, liability, payment, other"
)
risk: str = Field(
..., description="Risk level: low, medium, high"
)
class ContractAnalysis(BaseModel):
parts: list[str] = Field(
..., description="Names of the contracting parts"
)
signature_date: Optional[str] = Field(
None, description="Signature date (YYYY-MM-DD)"
)
duration: Optional[str] = Field(
None, description="Contract duration"
)
key_clauses: list[Clause] = Field(
..., description="Identified main clauses"
)
amount: Optional[float] = Field(
None, description="Total amount if mentioned"
)
jurisdiction: Optional[str] = Field(
None, description="Applicable jurisdiction"
)
def analyze_contract(document_base64: str) -> ContractAnalysis:
"""Analiza un contrato y extrae las cláusulas principales."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ContractAnalysis
),
document_annotation_prompt=(
"Analyze this commercial contract. Identify the parts, "
"the main clauses, and evaluate the risk level "
"of each clause."
)
)
if response.document_annotation:
return ContractAnalysis.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Verificar el cumplimiento automáticamente
El control regulatorio es especialmente adecuado para la anotación, ya que los criterios están escritos negro sobre blanco en la ley. Para una factura francesa, el prompt enumera las obligaciones a verificar: menciones obligatorias (SIRET, IVA intracomunitario, condiciones de pago, penalizaciones por retraso), formato del importe y fecha de emisión. El esquema impone, para cada criterio, un veredicto booleano acompañado de su justificación. Obtienes una puntuación global y recomendaciones de mejora, lo cual es suficiente para bloquear una factura no conforme antes de que entre en el circuito de pagos.
from pydantic import BaseModel, Field
class CompliancePoint(BaseModel):
criterion: str = Field(..., description="Compliance criterion checked")
compliant: bool = Field(..., description="True if compliant, False otherwise")
justification: str = Field(
..., description="Explanation of compliance or non-compliance"
)
class ComplianceAudit(BaseModel):
document_type: str = Field(..., description="Type of document audited")
compliance_points: list[CompliancePoint] = Field(
..., description="Compliance points checked"
)
global_score: float = Field(
..., description="Global compliance score (0-100)"
)
recommendations: list[str] = Field(
..., description="Improvement recommendations"
)
def audit_invoice_compliance(document_base64: str) -> ComplianceAudit:
"""Verifica el cumplimiento de una factura según la normativa francesa."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ComplianceAudit
),
document_annotation_prompt=(
"Verify the compliance of this invoice according to "
"French legal obligations: mandatory mentions "
"(SIRET, intra-community VAT, payment terms, "
"late payment penalties), amount formatting, issue date."
)
)
if response.document_annotation:
return ComplianceAudit.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
No perder nada antes de indexar
Un último caso de uso, más discreto pero decisivo: preparar contenido para un índice RAG. Un índice construido únicamente sobre Markdown pierde todo lo que era visual, y tus búsquedas nunca encontrarán el gráfico que contenía la cifra clave. La función siguiente recompone, página a página, el texto y la descripción de cada imagen, y añade luego los metadatos extraídos del documento, todo en un único bloque listo para ser dividido en fragmentos.
def enrich_for_rag(ocr_response) -> str:
"""Enriquece el contenido OCR con anotaciones para RAG."""
parts = []
for page in ocr_response.pages:
# Contenido de texto
parts.append(page.markdown)
# Anotaciones de imagen (sustituir imágenes por su descripción)
for image in page.images:
if image.image_annotation:
parts.append(
f"[Description of {image.id}]: {image.image_annotation}"
)
# Anotación del documento: única, portada por la respuesta
if ocr_response.document_annotation:
parts.append(
f"[Extracted Metadata]: {ocr_response.document_annotation}"
)
return "\n\n".join(parts)
Al añadir descripciones de imágenes y metadatos extraídos al contenido indexado, no pierdes ninguna información del documento original. Observarás que estos cuatro escenarios comparten la misma columna vertebral: lo que los distingue es el esquema y el prompt, no el código de llamada.
Puntos clave
- La clasificación automática deriva los documentos al flujo de procesamiento correcto
- La extracción de cláusulas contractuales identifica riesgos y puntos clave
- La verificación de cumplimiento automatiza las auditorías regulatorias
- El enriquecimiento mediante anotaciones mejora la calidad de la indexación RAG
- Cada caso de uso se reduce a un esquema Pydantic bien diseñado y un prompt adaptado