20 de julio de 2026
Vantage, la plataforma Document AI de ABBYY, ahora es compatible con la extracción basada en prompts: una función que le permite conectar grandes modelos de lenguaje (Large Language Models – LLM) directamente a sus flujos de trabajo de procesamiento de documentos y extraer datos estructurados mediante instrucciones en lenguaje natural. Sin programación a medida, sin plataformas separadas, sin entrenamiento previo de modelos. Este artículo explica qué hace la función, qué proveedores de LLM son compatibles, cómo conectarlos y las capacidades prácticas que la hacen apta para la empresa desde el primer día.
Ir a:
¿Qué es la extracción basada en prompts en la plataforma ABBYY Vantage?
Conectividad LLM: traiga su propio modelo
HCómo se integra la extracción mediante instrucciones en un flujo de trabajo híbrido
Próximos pasos de la integración de LLMs en la plataforma Document AI de ABBYY
La extracción basada en prompts le permite usar instrucciones en lenguaje natural para extraer datos estructurados de documentos con el LLM de su elección. En lugar de entrenar un modelo tradicional de aprendizaje automático (Machine Learning – ML), usted describe los campos que desea extraer, define el formato de salida y deja que el LLM se encargue del resto.
La función está disponible como una actividad dedicada en el Advanced Designer de ABBYY Vantage. La agrega al lienzo del flujo de trabajo igual que cualquier otra actividad de extracción, la conecta a un proveedor de LLM, escribe o ajusta un prompt y la ejecuta con sus documentos. El resultado se asigna directamente a los campos de salida que haya definido en la skill.
Esto amplía de forma notable lo que la plataforma puede hacer. Los modelos de ML especializados siguen siendo la opción correcta para documentos estructurados, repetitivos y de gran volumen. La extracción mediante instrucciones en lenguaje natural cubre el vacío en documentos con diseños muy variables, casos de bajo volumen pero alto valor y escenarios en los que no existen datos de entrenamiento etiquetados.
ABBYY Vantage adopta un enfoque agnóstico respecto al modelo. Usted aporta las credenciales del LLM; la plataforma se encarga del resto. Las conexiones se configuran una sola vez a nivel de tenant y quedan disponibles de inmediato para todos los diseñadores de skills de su organización.
Tres proveedores cuentan con conexiones nativas prediseñadas:
Cada proveedor tiene requisitos de configuración distintos, pero el proceso sigue siempre el mismo patrón: vaya a Configuration en la sección Admin, abra Connections, haga clic en "Add Connection", seleccione su proveedor, introduzca sus credenciales y ejecute una prueba de conexión. Una marca de verificación verde confirma que la conexión está activa. Tras publicar una skill, los administradores del tenant también pueden sustituir la conexión predeterminada en cada entorno sin necesidad de volver a publicar la skill.
Mientras trabajamos para ampliar la conectividad nativa de esta función, puede conectar otros modelos con la función Custom Activity. Esta amplía la conectividad más allá de los tres proveedores prediseñados y permite invocar cualquier servicio REST de terceros desde una Skill de documento. Así es posible enrutar documentos a otros LLMs, como Anthropic Claude, modelos autoalojados o LLMs propietarios de la empresa. Usted define los campos del documento y los formatos de texto e imagen antes de cualquier envío externo, y elige formatos de salida más allá de los predeterminados. De este modo controla qué datos comparte y reduce considerablemente el esfuerzo de programación. A través del ABBYY Marketplace también ofrecemos conectores prediseñados para otros proveedores.
Escribir desde cero prompts de extracción eficaces exige tiempo y experiencia. La actividad basada en prompts de ABBYY Vantage incluye prompts prediseñados que condensan décadas de experiencia en procesamiento de documentos. No son plantillas genéricas: codifican conocimiento específico sobre cómo se estructuran los documentos empresariales, cómo varían las etiquetas de los campos según el idioma y el formato, y cómo instruir a un LLM para que extraiga los datos de forma literal, sin inferir ni reformatear valores.
Un prompt prediseñado típico incluye cuatro componentes:
Puede ajustar estos prompts para añadir contexto, ampliar las reglas de los campos o introducir una lógica de extracción condicional. La estructura prediseñada le ofrece un punto de partida fiable en lugar de una página en blanco.
Antes de que una skill llegue a producción, puede probar las actividades basadas en prompts directamente con documentos reales en Advanced Designer. Seleccione un documento de su conjunto de pruebas, ejecute la actividad y revise los campos extraídos en la vista Predictive. Cada valor extraído muestra el nombre del campo, el texto tomado del documento y la ubicación del documento donde se encontró el valor.
Este ciclo de pruebas en la fase de diseño le permite detectar problemas con rapidez e iterar sin afectar al procesamiento en producción. Entre los ajustes más habituales se incluyen:
El enfoque iterativo —cambiar una regla cada vez y probar con varios documentos— produce resultados más consistentes que optimizar a partir de un solo ejemplo. El formato del documento también influye en los resultados. La plataforma ofrece varias opciones para enviar los documentos al LLM, entre ellas Plain Text, Formatted Text y Annotated Text. Annotated Text es el formato recomendado: conserva la estructura del documento, se procesa de forma eficiente y evita los mayores costos en tokens y la compatibilidad limitada asociados al envío de archivos PDF sin procesar.
Enviar un documento completo a una API de LLM externa en cada solicitud de extracción genera dos problemas: el costo y la exposición de los datos. La plataforma Document AI de ABBYY aborda ambos mediante el procesamiento selectivo.
Como la extracción basada en prompts se ejecuta como una actividad dentro de una Skill de documento más amplia, puede configurarla para procesar solo partes específicas de un documento. Primero se ejecutan el reconocimiento óptico de caracteres (Optical Character Recognition – OCR) y el análisis de diseño de la plataforma, que generan una representación textual limpia y estructurada del documento. Después, usted envía al LLM únicamente las secciones o los campos relevantes, en lugar del documento completo sin procesar.
Los beneficios prácticos son directos:
Este enfoque también reduce el riesgo de inyección de prompts (prompt injection), una vulnerabilidad conocida cuando el contenido sin procesar de un documento se pasa directamente a un LLM sin preprocesamiento.
La función complementa los demás métodos de extracción de la plataforma; no los sustituye. Una skill típica de facturas puede usar un modelo de extracción de ML preentrenado para los campos estructurados, como las partidas y los totales, y añadir una actividad basada en prompts específicamente para los datos bancarios del proveedor, que varían demasiado entre diseños de documento como para que un modelo entrenado los gestione de forma fiable.
Con un pipeline híbrido, cada enfoque de extracción se ocupa de lo que mejor hace:
| Situación documental | Enfoque más adecuado |
| Documentos estructurados, repetitivos y de gran volumen | Extracción con ML especializado |
| Bajo volumen, alta variabilidad o diseños complejos | Extracción basada en prompts (LLM) |
| Sin datos de entrenamiento disponibles | Extracción zero-shot basada en prompts |
| Campos críticos para el cumplimiento que requieren registro de auditoría | Extracción determinista con revisión humana (human-in-the-loop) |
| Conjuntos de documentos mixtos con múltiples casos de uso | Estrategia híbrida por documento |
Las salidas de las actividades basadas en prompts pasan por las mismas etapas de validación, revisión humana (human-in-the-loop) y exportación que cualquier otro resultado de extracción. La respuesta del LLM está anclada en el documento de origen: como los valores de los campos se extraen de forma literal y se asignan a posiciones de línea concretas, usted obtiene una salida trazable que respalda los requisitos de cumplimiento.
Un adelanto de lo que estamos preparando: estamos ampliando la compatibilidad del ecosistema de LLMs para incluir modelos de propósito general y modelos propietarios autoalojados, más allá de las conexiones prediseñadas actuales. También estamos desarrollando herramientas de gestión y optimización de prompts, barreras reforzadas de gobernanza y protección frente a alucinaciones para las salidas de los LLMs, y modelos de lenguaje alojados por ABBYY y optimizados para el procesamiento de documentos, que permitirán una extracción zero-shot eficiente y fiable sin entrenamiento previo.
La extracción basada en prompts cierra una de las brechas más comunes de la automatización documental: la capacidad de gestionar documentos demasiado variables o poco estructurados para el entrenamiento tradicional de modelos, sin construir una integración a medida desde cero. Gracias a la combinación de conexiones LLM prediseñadas, prompts prediseñados, pruebas en la fase de diseño y envío selectivo de datos, puede pasar de la configuración de la conexión a una skill de extracción operativa en menos de 30 minutos.
Para obtener una guía técnica completa, consulte la documentación sobre cómo configurar conexiones LLM y extraer datos con actividades basadas en prompts. Para descubrir todo lo que ofrece la plataforma, visite abbyy.com/es/ai-document-processing.
Es una función de ABBYY Vantage que le permite usar instrucciones en lenguaje natural para extraer datos estructurados de documentos a través de un LLM conectado. Usted define los campos y escribe un prompt que describe qué extraer; el LLM procesa el documento y devuelve una salida estructurada en el formato JSON especificado. No se requiere entrenamiento de modelos.
La plataforma incluye actualmente conexiones prediseñadas para OpenAI ChatGPT, Microsoft Foundry y Google AI Studio (Gemini). Se pueden conectar proveedores adicionales mediante la función Custom Activity, que permite llamar a cualquier servicio REST de terceros desde una Skill de documento.
Vaya a la sección Admin, abra Configuration y navegue hasta Connections. Haga clic en "Add Connection", seleccione su proveedor, introduzca sus credenciales de API y ejecute una prueba de conexión. En cuanto la prueba se complete correctamente, la conexión queda disponible de inmediato para todos los diseñadores de skills de su tenant.
Sí. Advanced Designer incluye un entorno de pruebas en la fase de diseño: ejecute actividades basadas en prompts con documentos reales, revise los valores de los campos extraídos y perfeccione su prompt antes de que la skill entre en producción. Puede probar con varios documentos para validar la consistencia.
En lugar de enviar el documento completo al LLM en cada solicitud, puede usar los prompts predefinidos disponibles en "Extract data from previously extracted fields" dentro de la actividad basada en prompts. Con esta configuración, primero se ejecuta el OCR de ABBYY, que convierte el documento en texto limpio y estructurado. Después, usted envía al LLM solo la parte necesaria de ese texto. Esto reduce el consumo de tokens, limita la exposición de los datos y mejora la precisión de la extracción.
Use este enfoque cuando procese documentos de bajo volumen y alta variabilidad; cuando no disponga de datos de entrenamiento etiquetados; cuando los diseños de los documentos cambien con demasiada frecuencia como para que un modelo entrenado siga siendo fiable; o cuando necesite complementar modelos de ML existentes en áreas o campos concretos que les resulten difíciles. Para documentos de gran volumen, estructurados o críticos para el cumplimiento, la extracción con ML especializado sigue siendo la opción más precisa y rentable.
Sí. Puede incluir variantes de etiquetas en varios idiomas en sus reglas de campo (por ejemplo, "IBAN", "Bankverbindung" y "Coordonnées bancaires" como etiquetas reconocidas para el mismo campo). Los LLMs suelen gestionar bien el contenido multilingüe, y el formato Annotated Text conserva la estructura del documento con independencia del idioma.
Slavena Hristova
Directora de Marketing de Producto, Document AI en ABBYY
Slavena Hristova es experta en marketing de producto y se especializa en el procesamiento inteligente de documentos, el reconocimiento óptico de caracteres y la automatización de procesos empresariales basados en IA. Como directora de Marketing de Producto en ABBYY, dirige la estrategia global de la línea de productos Document AI contribuyendo a su posicionamiento en el mercado, su lanzamiento y su adopción por parte de los clientes.
Con una amplia experiencia en marketing y gestión de productos, Slavena ayuda a superar la brecha tecnológica en el ámbito empresarial, fomentando el aprovechamiento de la automatización mediante IA en las organizaciones para lograr flujos de trabajo documentales más inteligentes. Apasionada de la innovación y del creciente papel de la IA en el campo de la automatización empresarial, aplica un enfoque estratégico y orientado a resultados en la transformación del procesamiento y el aprovechamiento de la información por parte de las empresas.
Siga a Slavena en LinkedIn.
