Un contrato tiene partes, un objeto, cláusulas, obligaciones, garantías, montos y fechas; un acta de consejo tiene asistentes, acuerdos y votaciones, y un informe de gestión tiene cifras, responsables y periodos. La organización archiva el documento completo, pero para operar con él, para saber qué vence, qué obliga a qué y quién es parte de qué, necesita esos datos por separado y en campos, no dentro del cuerpo del texto.
Ese trabajo suele hacerse a mano: alguien abre el PDF, localiza la cláusula de vigencia, anota la fecha en una hoja, copia el nombre de la contraparte y comprueba si hay una penalización. Con decenas de documentos es tedioso, y con miles deja de hacerse, de modo que el dato existe pero nadie lo tiene a la vista hasta que hace falta con urgencia. Janium Collect se ocupa de esa primera lectura: extrae la información en una estructura de campos que después revisa una persona.
Qué extrae de un documento corporativo
Collect lee el documento con un modelo de lenguaje y produce un registro estructurado. En material corporativo, ese registro puede incluir:
- Partes, sean personas físicas o entidades, con el papel que cumplen en el documento: quién contrata, quién presta el servicio, quién garantiza y quién firma.
- Obligaciones, tanto lo que una parte debe hacer como aquello de lo que debe abstenerse, que en un contrato no siempre aparecen juntas ni redactadas de la misma forma.
- Cláusulas de vigencia, terminación, confidencialidad, penalización o jurisdicción, identificadas por su función y no solo por su número.
- Garantías, asociadas a una obligación o a una parte.
- Montos, con la moneda y, cuando el documento lo declara, el concepto al que corresponden.
- Fechas de firma, entrada en vigor, vencimiento e hitos de pago o entrega.
- Relaciones entre entidades: qué parte se vincula con cuál y bajo qué figura.
Como el resultado son campos y no un resumen en prosa, se puede listar, filtrar y consultar. Eso permite responder a «qué contratos vencen este trimestre» o «en qué documentos aparece esta contraparte» sin volver a abrir cada archivo.
Un mismo nombre escrito de varias formas
Al procesar un lote de documentos, la misma entidad aparece escrita de varias maneras: con y sin la forma societaria, con abreviaturas distintas, con una errata o sin acentos. Si cada variante cuenta como una entidad distinta, el índice de partes se llena de duplicados y las relaciones entre documentos dejan de ser fiables.
Collect normaliza el nombre de cada entidad (quita la forma societaria, las siglas entre paréntesis y las diferencias de puntuación) y lo contrasta con las autoridades de la institución y con VIAF, de modo que las variantes de una misma organización o persona salen con la misma forma en todos los registros. De eso depende poder afirmar que dos contratos tienen la misma contraparte. El problema es el mismo que resuelve el control de autoridades en un catálogo, descrito en Control de autoridades: que cada nombre entre al catálogo de una sola forma.
La normalización reconoce variantes de escritura del mismo nombre, pero no equivalencias que requieren conocimiento externo: una razón social y su nombre comercial no se unifican solos si el documento no los presenta juntos, y esa conciliación la hace quien conoce las entidades.
Lo interpretado queda marcado
Extraer las partes, los montos y las fechas de un documento bien redactado es sobre todo un problema de lectura. Decidir qué significa una cláusula, si una obligación es exigible o si una garantía cubre un supuesto requiere criterio jurídico, y ahí Collect propone una lectura que la revisión legal confirma. Cuando marca una cláusula como de penalización o extrae una obligación, esa propuesta queda señalada para que la confirme una persona, sobre todo si de ella dependen decisiones. Cómo se marca lo que hizo la IA está en Collect marca los metadatos hechos con IA.
Un contrato es un documento único, y sus montos y sus fechas no figuran en ningún conocimiento previo del que el modelo pueda tomarlos. Cuando el contrato no fija una fecha de vencimiento, el campo sale vacío y queda como una tarea visible para quien revisa, que la resuelve con el documento o con quien lo firmó. Por la misma razón, un contrato ambiguo produce un registro que conserva la ambigüedad, y la calidad de la extracción depende de la del documento de partida.
Documentos con datos personales
Los documentos corporativos suelen contener datos personales, como nombres, cargos, identificadores fiscales, correos, teléfonos o montos asociados a una persona. Cuando parte del análisis se apoya en un modelo en la nube, Collect puede aplicar antes la anonimización: antes de que el texto salga del servidor, detecta esos datos y los sustituye por marcadores que indican qué clase de dato era (una persona, una organización) pero no su valor. Al volver el resultado, restaura los valores originales, de modo que el modelo trabaja sin ver los identificadores directos.
Si el contexto permitiría reidentificar a una persona aunque el nombre esté oculto, el documento puede procesarse en local, sin que nada salga del servidor. Cuál de los dos modos corresponde depende de la sensibilidad del acervo y de las normas de protección de datos que debe cumplir la organización; qué protege cada uno y qué queda fuera de la anonimización se explica en Procesar documentos sin exponer datos personales.
Dónde encaja
Collect produce los registros a partir de los documentos, y la organización decide qué hacer con ellos: cargarlos a un repositorio, alimentar un tablero de vencimientos o integrarlos a su sistema de gestión. Lo que cambia frente al trabajo manual es dónde se gasta el esfuerzo: en lugar de localizar y teclear cada dato, la persona revisa lo que se extrajo y resuelve lo ambiguo partiendo de un registro ya armado.
Para continuar la conversación
Si tu organización guarda contratos, actas o informes de los que necesitas datos concretos y hoy los extraes documento por documento, escríbenos a info@janium.com. Nos interesa saber qué datos te importan de ese acervo y cómo los consultas hoy.