Ir al contenido principal
Español— Elegir un idioma
Menú

Analizar gráficos y extraer datos de tablas

Lección 3 de 14 Actualizado el 2 de noviembre de 2026 Principiante
En esta página
  1. Convierte imágenes en datos útiles
  2. Análisis de un gráfico
  3. Extracción de datos de tablas
  4. OCR básico en imágenes de datos
  5. Casos de uso reales
  6. Buenas prácticas
  7. Puntos clave

Actualizado el 2 de noviembre de 2026 — Le Chat ahora es Vibe. Desde el 28 de mayo de 2026, Le Chat ha cambiado de marca para convertirse en Vibe (todavía en chat.mistral.ai): un único agente para el trabajo y el código que conserva tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes son ahora habilidades (que se invocan con @), las memorias actúan como base de conocimientos y la investigación profunda es la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o de ubicación.

Convierte imágenes en datos útiles

Los gráficos y las tablas están por todas partes: informes empresariales, presentaciones de PowerPoint, artículos de noticias, estados financieros. Pero cuando estos elementos están atrapados dentro de una imagen (una captura de pantalla, un PDF escaneado o una foto de una pantalla), no puedes copiar y pegar los números. ¿Cuántas veces has tenido que volver a escribir manualmente los valores de una tabla que te han enviado como adjunto? Aquí es exactamente donde destaca la visión por IA de Mistral: lee un gráfico igual que tú, extrae los datos y los reformatea de forma estructurada.

Análisis de un gráfico

Cuando subes un gráfico a Vibe, el modelo descompone automáticamente su anatomía. Primero identifica el tipo de gráfico (histograma, gráfico de líneas, gráfico circular, gráfico de barras, diagrama de dispersión), ya que cada uno requiere un enfoque de lectura diferente. A continuación, localiza los ejes con sus etiquetas, unidades y escalas, seguidos de las leyendas que asignan categorías a colores y, finalmente, los propios valores: puntos de datos, porcentajes y totales. Esta lectura estructurada le permite responder a preguntas concretas en lugar de generar una descripción superficial.

Por lo tanto, tus preguntas pueden dirigirse exactamente a lo que te importa: «¿Qué categoría tiene el valor más alto?» para un ranking, «¿Cuál es la tendencia general entre enero y junio?» para ver la evolución, «Compara las dos líneas e identifica los puntos de intersección» para un análisis cruzado, o «Extrae todos los valores de este gráfico circular como una lista» para obtener los datos brutos. El modelo funciona especialmente bien con gráficos de alto contraste y etiquetas legibles: una imagen de alta resolución con colores distintos ofrece resultados excelentes.

Extracción de datos de tablas

Las tablas dentro de imágenes representan un caso de uso importante. Ya sea una tabla en un informe en PDF, una captura de pantalla de una hoja de cálculo o una foto de un documento en papel, el modelo lee los encabezados y las filas, reconstruye la estructura (incluidas columnas, filas e incluso celdas combinadas) y devuelve los datos en el formato que prefieras.

Este último punto marca la diferencia: especifica siempre el formato de salida deseado. «Transcribe esta tabla a Markdown» te da una tabla reutilizable para tus notas; «Extrae los datos de esta tabla como CSV» produce un archivo listo para importar en una hoja de cálculo; «Crea una lista de productos y sus precios» ofrece un resumen legible. El modelo entiende estructuras tabulares complejas (múltiples columnas, subtotales, notas al pie) y también gestiona tablas con celdas de color o bordes gruesos.

OCR básico en imágenes de datos

Más allá de los gráficos y las tablas, el modelo puede leer cualquier texto visible en una imagen. Esto se denomina OCR (reconocimiento óptico de caracteres) y esta capacidad está integrada de forma nativa en Vibe. En concreto, puedes extraer el importe, la fecha y el proveedor de una factura o un ticket; obtener el nombre, el correo electrónico y el número de teléfono de una tarjeta de visita; leer texto de una señal de tráfico o de un escaparate; o incluso transcribir campos manuscritos de un formulario en papel.

Para necesidades avanzadas de OCR (procesamiento de grandes volúmenes de documentos, extracción estructurada, flujos de trabajo automatizados), Mistral ofrece una solución dedicada llamada Document AI, que cubriremos en la sección 3 de este curso. Por ahora, recuerda que Vibe ya gestiona muy bien las necesidades ad hoc del día a día.

Casos de uso reales

Veamos tres escenarios típicos de oficina. Primer escenario: recibes por correo electrónico un gráfico de rendimiento trimestral como imagen. Súbelo a Vibe y pregunta qué trimestre tuvo el mejor rendimiento, pídele que calcule el crecimiento entre el T1 y el T4, o solicita un resumen de tres puntos sobre las tendencias clave; es suficiente para preparar una reunión en cinco minutos.

Segundo escenario: tienes una captura de pantalla de un cuadro de mando con múltiples indicadores. Pide «Extrae todos los KPI visibles y sus valores actuales» y, a continuación, «Identifica los indicadores en rojo» para detectar de inmediato qué está bajando, sin tener que navegar por la herramienta original.

Tercer escenario, a menudo pasado por alto: la verificación. ¿Dudas de una cifra en una presentación que te han enviado? Sube la diapositiva y pregunta «¿Es correcto el total de la última columna?» o «¿Los porcentajes de este gráfico circular suman 100 %?». El modelo vuelve a calcular y señala inconsistencias: una red de seguridad valiosa antes de distribuir un documento.

Buenas prácticas

Cuatro hábitos determinan la calidad de los resultados. Primero, la resolución: cuanto más nítida sea la imagen, mejor será la lectura; evita fotos borrosas y capturas de pantalla demasiado comprimidas. Segundo, el encuadre: recorta la imagen para mostrar solo el gráfico o la tabla relevantes, ya que menos ruido visual alrededor implica un análisis más preciso. Tercero, el contexto: si el gráfico no indica claramente su asunto, especifícalo tú mismo («Este gráfico muestra las ventas mensuales en euros») para ayudar al modelo a interpretar correctamente. Por último, la verificación: para usos críticos, contrasta siempre las cifras extraídas con la fuente original, ya que la IA puede leer mal valores de aspecto similar o fuentes inusuales.

Puntos clave

  • El modelo identifica tipos de gráficos, ejes, leyendas y valores
  • Puedes solicitar la extracción en formato Markdown, CSV o de lista
  • El OCR básico está integrado para leer texto en cualquier imagen
  • La calidad de la imagen y la precisión de la pregunta determinan la calidad del resultado