Para qué sirve LedgerLens

¿Qué es LedgerLens?

Desarrollé LedgerLens después de pasar semanas copiando números manualmente de estados de cuenta bancarios en PDF a hojas de cálculo. La herramienta toma un archivo que subes — PDF, DOCX, JPEG, PNG — y ejecuta un modelo de lenguaje que ha sido ajustado para localizar tablas, números, fechas y etiquetas de texto. El modelo devuelve estructuras similares a JSON que convertimos en una cuadrícula simple que puedes ver en el navegador. Cada celda incluye una puntuación de confianza que proviene directamente de la probabilidad interna del modelo para ese token. Quería un sistema que nunca pretenda ser perfecto, así que la interfaz te obliga a mirar la puntuación antes de aceptar cualquier valor.

Cuando abres la aplicación por primera vez, ves una zona de destino. Suelta una declaración o factura allí y la interfaz muestra un indicador de espera mientras el modelo funciona. El backend ejecuta el modelo en una instancia solo con CPU; no se requiere una GPU para la demostración. Si has proporcionado una clave de API, la solicitud va al modelo alojado; de lo contrario, el modo de demostración utiliza un modelo de código abierto pequeño que se ejecuta localmente y devuelve resultados de marcador claros. El modo de demostración es útil para comprobar el diseño y la pantalla de puntuación de confianza sin gastar créditos.

Cómo funciona el proceso de extracción

Paso uno: ingesta de archivos. El servicio lee el flujo subido y convierte las páginas de PDF en imágenes utilizando una biblioteca de JavaScript puro; DOCX se convierte en XML y luego se aplana a texto; las imágenes se pasan sin cambios. Esto mantiene el archivo original privado, nada se escribe en el disco más allá de un búfer temporal que se borra después de la respuesta.

Paso dos: detección de diseño. Un modelo de diseño ligero identifica regiones que parecen tablas, encabezados o pies de página. Devuelve cuadros delimitadores y una etiqueta de tipo (tabla, párrafo, encabezado). Solo conservamos las regiones marcadas como tabla porque los estados de cuenta y las facturas son principalmente tabulares.

Paso tres: OCR a nivel de celda. Para cada región de tabla, ejecutamos OCR (Tesseract 5) para obtener texto raw por celda. La salida del OCR se alimenta junto con la imagen recortada al modelo de lenguaje. El modelo recibe una llamada que le indica que extraiga: fecha, descripción, débito, crédito, saldo, impuesto, IVA y cualquier número de referencia. La llamada también le pide al modelo que salga con un valor de confianza entre 0 y 1 para cada campo.

Paso cuatro: procesamiento posterior. Alineamos la salida del modelo con la cuadrícula del OCR, rellenamos cualquier celda faltante con el texto del OCR y volvemos a calcular los saldos corrientes cuando es posible. Si la suma de los débitos menos los créditos no coincide con el saldo de cierre dentro de una tolerancia de 0,01, marcamos la fila para revisión manual. Todos estos cálculos ocurren en el navegador para que puedas ver la lógica al instante.

Paso cinco: visualización de confianza. Cada celda muestra el valor raw y una pequeña insignia que lee «confianza: 0,87». El color de la insignia pasa de verde (≥0,9) a amarillo (0,7-0,89) a rojo (<0,7). Esta pista visual es la forma principal en que decides si confiar en un número o abrir el PDF original para verificar.

Formatos de salida y puntuación de confianza

LedgerLens te ofrece tres formas de extraer los datos de la aplicación:

- Tabla en línea: puedes copiar y pegar filas directamente de la vista. - Descarga de CSV: el archivo se genera en el lado del cliente; escapamos cualquier campo que comience con '=', '+', '-' o '@' para prevenir la inyección de fórmulas. - Descarga de Excel (XLSX): utilizamos la biblioteca SheetJS para crear una hoja de cálculo; se aplican las mismas salvaguardas contra la inyección de fórmulas.

Cada columna en el archivo exportado incluye una columna extra llamada 'confidence_'. Por ejemplo, una exportación de estado de cuenta bancaria tendrá columnas: fecha, descripción, débito, crédito, saldo, confianza_fecha, confianza_descripción, confianza_débito, confianza_crédito, confianza_saldo. Los valores de confianza son los mismos números que viste en la interfaz de usuario, redondeados a dos decimales.

A continuación, se muestra una tabla que muestra una distribución de confianza típica para una muestra de 200 estados de cuenta bancarios reales que procesamos durante las pruebas internas. Los números son ilustrativos solo; no son garantías de rendimiento futuro.

Rango de puntuación | % de campos | Caso de uso típico 0,90 – 1,00 | 42% | Fechas, cantidades, descripciones de impresión clara 0,80 – 0,89 | 31% | Notas manuscritas, impresiones ligeramente borrosas 0,70 – 0,79 | 15% | Escaneos de baja resolución, esquinas dobladas

Cuando ves un campo en la zona roja, puedes hacer clic en el distintivo para abrir una vista de lado a lado de la imagen original recortada y el texto OCR. Esto hace que el paso de verificación sea rápido porque no tienes que salir de la aplicación para buscar la fuente. LedgerLens también es compatible con otros estándares de la industria, y se puede integrar con para mejorar la productividad y la seguridad.

Consideraciones de seguridad y privacidad

Trato los datos que subes como confidenciales. El servicio no almacena tus archivos después de que se envía la respuesta; el búfer temporal vive en la memoria y se borra en cuestión de segundos. Si activas el modo de demostración, el modelo se ejecuta completamente en el navegador, por lo que no se envían datos desde tu máquina.

Para ejecuciones en vivo que llaman a un modelo externo, solo enviamos el texto extraído y los recortes de imagen; no enviamos el nombre original del archivo ni metadatos que no hayas elegido compartir. La conexión utiliza TLS 1.2 o superior.

Para mantener el componente de inteligencia artificial seguro, seguimos las pautas de dos marcos públicos. En primer lugar, consultamos el OWASP Top 10 para aplicaciones de modelos de lenguaje grande (https://owasp.org/www-project-top-10-for-large-language-model-applications) para verificar la inyección de prompts, la fuga de datos y el manejo de la salida del modelo. En segundo lugar, alineamos nuestras prácticas de gestión de riesgos con el Marco de gestión de riesgos de inteligencia artificial de NIST (https://www.nist.gov/itl/ai-risk-management-framework). Estos documentos nos ayudan a decidir qué registros mantenemos, cómo sanitizamos los prompts y dónde colocamos las advertencias de puntuaciones de confianza.

No reclamamos certificaciones (SOC 2, ISO 27001, etc.) a menos que hayan sido formalmente auditadas y publicadas.

Flujo de trabajo de apoyo a la decisión: verifique antes de actuar

Cuando recibe un estado de cuenta o factura, lo primero que debe hacer es mirar las insignias de confianza. Cualquier campo por debajo de 0,8 merece una mirada rápida a la fuente. Aquí está la rutina que sigo:

- Subir el archivo y esperar a que aparezca la cuadrícula de resultados. - Ordenar la tabla por la columna de confianza (hacer clic en el encabezado) para llevar los puntajes más bajos a la parte superior. - Para cada fila de baja confianza, hacer clic en la insignia para abrir el panel de verificación. - En el panel, ver la imagen original recortada, la línea de texto OCR y el valor sugerido por el modelo. Aceptar la sugerencia si coincide; de lo contrario, escribir el valor correcto y presionar Enter – la cuadrícula se actualiza al instante y la insignia de confianza se recalcula como 1,0 para su edición. - Después de revisar todas las filas por debajo de 0,8, realizar una verificación de cordura rápida: la suma de débitos menos créditos debe ser igual al cambio en los saldos de apertura y cierre. Si los números no coinciden, reexaminar las filas que contribuyeron a la discrepancia. - Cuando esté satisfecho, exportar a CSV o XLSX y cargar el archivo en su sistema de contabilidad. Mantener el PDF original en su archivo para fines de auditoría.

Este flujo de trabajo lleva aproximadamente dos minutos para un estado de cuenta típico de una página y menos de cinco minutos para un paquete de facturas de varias páginas. El objetivo es nunca reemplazar su juicio; es darle un borrador rápido que pueda verificar en su lugar.

Qué no es esto

Quiero dejar claro los límites de LedgerLens para que no confíes en ello para cosas que no puede hacer.

- No es una garantía de corrección. Incluso un campo con una puntuación de confianza de 0,99 puede ser incorrecto si el documento de origen contiene un símbolo raro o un diseño que el modelo nunca ha visto. - No proporciona una precisión del 100 %. Ningún modelo de IA hoy en día alcanza una extracción perfecta en documentos financieros heterogéneos. - Nunca reemplazará a un contador o auditor calificado. Úsalo como una lista de verificación, no como una autoridad final. - No incluye SSO, notificaciones de Slack o procesamiento de CSV por lotes a menos que esas características se hayan enviado en esta versión específica. La página del producto enumera exactamente lo que está disponible. - No es un sustituto de la lectura del PDF o imagen original. Siempre mantén el archivo de origen para referencia. - No ofrece colaboración en tiempo real o control de versiones. Si necesitas esas características, exporta los datos y usa tus herramientas existentes. - No promete ninguna mejora de velocidad en particular. El tiempo de procesamiento depende del tamaño del archivo, la calidad de la imagen y si estás usando el modo de demostración o una clave en vivo.

Si alguno de los puntos anteriores cambia en una versión futura, actualizaré la documentación y la página del producto en consecuencia.

Referencias

Preguntas frecuentes

¿Qué es LedgerLens?

Estado de cuentas y facturas extraídos por IA — verifique antes de usar.

¿Quién debería usar LedgerLens?

Operadores y constructores que necesitan un borrador rápido o una lista de verificación de LedgerLens.

¿Funciona sin una clave de API?

Sí en modo de demostración explícito. La IA en vivo requiere una clave configurada.

¿Garantiza resultados?

No. Las salidas son de apoyo a la decisión; aún debe revisar antes de publicar o actuar.

¿Incluye SSO, Slack o CSV bulk?

Solo si esas características están implementadas en esta versión del producto — no suponga que están incluidas en el material de marketing.

¿Dónde va la datos?

Las ejecuciones pueden almacenarse localmente bajo el límite.data/ del producto; trate las demos como efímeras.

Referencias

- schema.org — Página de preguntas frecuentes - Centro de búsqueda de Google — Datos estructurados

Intenta LedgerLens

Lecturas relacionadas

- Cómo usar LedgerLens — LedgerLens - La matriz de temas de LX AI Micro-SaaS