Cómo la IA puede automatizar la contabilidad y la gestión de almacenes

Creé un proceso de tramitación de facturas para una empresa de logística en Fort Lauderdale. Antes de la automatización, su departamento de contabilidad dedicaba aproximadamente 15 horas a la semana a descargar las facturas de los proveedores del correo electrónico, abrir cada PDF, introducir manualmente los datos en una hoja de cálculo y archivar los documentos. Una persona dedicaba básicamente dos días completos a la semana a introducir datos.

Tras la automatización, ese mismo proceso se ejecuta en segundo plano en un NAS de Synology en la oficina. Los correos electrónicos llegan, los PDF se descargan y renombran automáticamente, los datos se extraen a archivos CSV y el equipo de contabilidad revisa el resultado. Las 15 horas se redujeron a unas 2 horas de revisión. Sin suscripción a la nube. Sin plataforma SaaS con una cuota mensual por usuario. Solo un script de Python que se ejecuta en el hardware que ya tenían.

Así es como se ve la automatización práctica de la IA: no es una demostración llamativa, sino un script aburrido que le ahorra a alguien dos días a la semana.

El problema del flujo de trabajo manual

Así era el proceso antes de la automatización, y probablemente le resulte familiar si alguna vez ha trabajado en contabilidad u operaciones:

1. Un proveedor envía un correo electrónico con un enlace para descargar una factura en PDF.
2. Alguien del departamento de contabilidad hace clic en el enlace, descarga el PDF y lo guarda con un nombre de archivo significativo.
3. Abre el PDF e introduce manualmente los datos en una hoja de cálculo: nombre del proveedor, número de factura, fecha, partidas, cantidades, precios unitarios, totales.
4. Comprueban los totales con las órdenes de compra.
5. Archivan el PDF en la carpeta correcta.
6. Repite este proceso cientos de veces al mes.

Cada paso es manual. Cada paso es una oportunidad para cometer un error. Un número de factura mal escrito significa que el pago se envía al proveedor equivocado. Un dígito transpuesto en el total significa que los libros no cuadran al final del mes. Y la persona que realiza este trabajo es un profesional de la contabilidad con experiencia cuyas habilidades se desperdician en la introducción de datos que una máquina puede hacer perfectamente.

El coste no es solo el tiempo. Son los errores que se cuelan cuando alguien realiza la misma tarea repetitiva durante horas. Es la frustración. Es el coste de oportunidad: ¿qué podría estar haciendo esa persona si no estuviera introduciendo números de archivos PDF en hojas de cálculo?

El proceso de facturación: del correo electrónico al CSV

La automatización que he creado funciona como un proceso de dos etapas en un NAS de Synology en la oficina del cliente. Ambas etapas se ejecutan continuamente como procesos en segundo plano, a la espera de nuevos trabajos.

Etapa 1: Observador de correo electrónico a descargador de PDF. Un script de Python supervisa un directorio designado en busca de archivos entrantes .eml y .msg. Cuando llega uno, analiza el correo electrónico, busca el enlace de descarga de la factura (en este caso, de relay.cash), descarga el PDF y le cambia el nombre con un formato estandarizado: VENDORNAME_MMDDYY_INVOICENUMBER.pdf. El PDF renombrado se coloca en un directorio supervisado para la siguiente etapa.

Etapa 2: Analizador de PDF a CSV. Un segundo script de Python supervisa el directorio de salida de la etapa 1. Cuando aparece un nuevo PDF, abre el documento con pdfplumber, extrae los datos estructurados (número de factura, fecha, partidas, cantidades, precios unitarios, totales) y escribe un archivo CSV limpio con la misma convención de nomenclatura. El PDF original se traslada a un directorio de archivo «introducido».

La salida CSV se coloca en una carpeta que supervisa el equipo de contabilidad. Abren la hoja de cálculo, verifican los datos con el PDF original (una comprobación de 30 segundos en lugar de una tarea de introducción de datos de 10 minutos) y los importan a su sistema de contabilidad. Si te interesa la arquitectura técnica que hay detrás de sistemas como este, he documentado el enfoque en mi descripción general de los servicios de automatización.

Análisis de PDF con pdfplumber

La parte difícil de la automatización de facturas no es la supervisión del correo electrónico ni la gestión de archivos. Es la extracción de datos estructurados de los PDF, porque los proveedores no estandarizan los formatos de sus facturas.

pdfplumber es una biblioteca de Python que te da acceso programático al texto, las tablas y el diseño de los documentos PDF. No es OCR, sino que lee la capa de texto real del PDF, lo que significa que es rápido y preciso para las facturas generadas digitalmente (que son la mayoría).

En el caso de las facturas estructuradas, aquellas con tablas claras, encabezados de columna coherentes y diseños predecibles, la extracción es sencilla. Le indicas a pdfplumber que busque la tabla en la página y te devuelve las filas y columnas como listas de Python. Asigna las columnas a tus campos (descripción, cantidad, precio unitario, total) y obtendrás datos limpios.

En el caso de las facturas no estructuradas, el trabajo es más difícil. Algunos proveedores ponen el número de factura en el encabezado. Otros lo ponen en el pie de página. Otros no utilizan tablas en absoluto, solo tienen bloques de texto con importes dispersos por toda la página. Para estos casos, utilizo una combinación de enfoques:

• Patrones de expresiones regulares para formatos de datos conocidos: números de factura (secuencias alfanuméricas cerca de «Factura n.º» o «Inv.»), fechas (varios formatos), importes en moneda (signo del dólar + dígitos).
• Extracción posicional para proveedores con diseños coherentes pero no tabulares: «el total siempre está en el cuadrante inferior derecho de la página 1».
• Plantillas específicas para proveedores con un gran volumen: si el 80 % de las facturas proceden de 5 proveedores, se escriben analizadores personalizados para esos 5 y se utiliza un recurso genérico para el resto.

El resultado es siempre el mismo: un CSV limpio con columnas estandarizadas, independientemente de lo desordenado que estuviera el PDF de entrada. El equipo de contabilidad nunca ve la complejidad del análisis, solo ve una hoja de cálculo con los datos correctos en las columnas adecuadas.

Automatización del almacén y la gestión de pedidos

Los mismos principios que automatizan la contabilidad se aplican a las operaciones de almacén, y los dos sistemas se conectan de forma natural. Cuando se procesa una factura, representa la entrada de inventario. Cuando se procesa un pedido, representa la salida de inventario. La conexión de estos flujos de datos le ofrece visibilidad en tiempo real de lo que tiene, lo que va a llegar y lo que va a salir.

Las automatizaciones de almacén que he creado para las operaciones de cumplimiento incluyen:

Seguimiento del inventario vinculado al procesamiento de pedidos. En lugar de que alguien recorra el almacén con un portapapeles, escanee los códigos de barras en un sistema independiente y actualice manualmente una hoja de cálculo, el sistema realiza un seguimiento automático del inventario. Los envíos entrantes (analizados a partir de las facturas de los proveedores) se añaden al stock. Los pedidos salientes (extraídos del sistema de gestión de pedidos) se restan. El recuento actual es siempre preciso y está siempre actualizado.

Generación automatizada de etiquetas de envío. Cuando un pedido está listo para su envío, el sistema genera etiquetas de envío basadas en la API del transportista: USPS, UPS, FedEx, cualquiera. Calcula la tarifa correcta en función del peso, las dimensiones y el destino. Imprime la etiqueta. Genera el número de seguimiento y lo envía de vuelta al sistema de gestión de pedidos. No es necesario que nadie escriba una dirección ni seleccione un método de envío.

Alertas de stock inteligentes. Las alertas de umbral simples («avísame cuando el SKU X baje de 50 unidades») son lo mínimo. La versión más útil tiene en cuenta la tasa de consumo: «La referencia X tiene 200 unidades, pero vendes 30 al día y tu proveedor tarda 10 días en entregar, por lo que debes volver a hacer un pedido ahora». Este tipo de alertas predictivas evitan la falta de existencias sin necesidad de que alguien compruebe manualmente los niveles de inventario cada día.

Para las empresas que gestionan inventario físico, estas automatizaciones son transformadoras. Si ya tiene una infraestructura de servidores, añadir el seguimiento del inventario es una extensión natural. Los datos ya fluyen a través de sus sistemas, la automatización solo conecta los puntos.

Implementación basada en NAS: no se necesita la nube

Una de las decisiones con las que estoy más satisfecho en este proyecto fue implementar todo en el NAS Synology existente del cliente en lugar de en una plataforma en la nube.

El NAS se encuentra en el armario de su oficina. Ya está encendido, ya está conectado a la red y ya tiene una copia de seguridad. Ejecutar scripts de Python en él no supone ningún coste adicional. No hay factura de AWS, ni suscripción a Azure, ni tarifa por transacción de una plataforma de procesamiento de facturas SaaS (que suele cobrar entre 1 y 5 dólares por factura, lo que, con cientos de facturas al mes, se acumula rápidamente).

La configuración técnica:

• Python 3 instalado a través del gestor de paquetes de Synology
• Biblioteca watchdog para la supervisión del sistema de archivos: supervisa los directorios en busca de nuevos archivos y activa los scripts de procesamiento.
• pdfplumber para el análisis de PDF
• extract-msg para analizar archivos .msg de Outlook
• nohup para ejecutar los scripts de vigilancia como procesos en segundo plano persistentes
• Scripts de inicio/parada para gestionar los servicios

Los scripts de supervisión se ejecutan las 24 horas del día, los 7 días de la semana. Cuando alguien reenvía un correo electrónico con una factura a la carpeta designada (o una regla de correo electrónico lo hace automáticamente), el proceso lo recoge en cuestión de segundos. El archivo CSV aparece en la carpeta de salida antes de que el contable haya terminado su café.

El mantenimiento es mínimo. Los scripts llevan meses funcionando sin necesidad de intervención. Cuando un nuevo proveedor envía facturas en un formato que el analizador no maneja, me conecto por SSH al NAS, añado una plantilla de análisis y reinicio el observador. Esfuerzo total: 15-20 minutos. Compárese eso con la configuración de un nuevo proveedor en una plataforma de procesamiento de facturas empresarial.

Si está pensando en crear herramientas basadas en IA para su empresa, vale la pena considerar el enfoque NAS. No todo tiene que ejecutarse en la nube. Para la automatización interna con datos financieros confidenciales, mantenerlos en las instalaciones suele ser la mejor opción: más sencilla, más barata y más privada.

ROI: las cifras

Este es el impacto real tras seis meses de funcionamiento:

El coste de desarrollo fue una inversión única. El coste continuo es prácticamente nulo: el NAS ya estaba en funcionamiento, Python es gratuito y los scripts no consumen recursos significativos. Un servicio comparable de procesamiento de facturas basado en la nube costaría entre 500 y 2000 dólares al mes, dependiendo del volumen. A lo largo de un año, el enfoque basado en NAS ahorra entre 6000 y 24 000 dólares en comparación con las alternativas SaaS.

Pero el mayor valor no es el ahorro de costes. Es lo que ocurre cuando se libera a un profesional contable cualificado de la introducción de datos. Dedica el tiempo recuperado al análisis, las negociaciones con los proveedores, la gestión de excepciones y la planificación financiera, tareas que realmente requieren el criterio humano y generan valor para la empresa.