Extraer tablas de PDF a Excel con IA: qué método elegir para estados financieros y documentos irregulares

Un PDF generado digitalmente contiene el texto real y su posición; extraer tablas de él es relativamente fiable. Un PDF escaneado es una imagen y necesita reconocimiento óptico de caracteres antes de nada. Si puedes seleccionar el texto con el ratón, estás en el primer caso.

Dentro de cada tipo, la dificultad depende de la estructura: tablas con bordes claros, tablas sin líneas que se alinean por espacios, tablas que continúan en varias páginas o con subtotales intercalados. Cada una pide un enfoque distinto.

Conversores clásicos: rápidos y baratos con PDF digitales y tablas regulares. Fallan con celdas combinadas, tablas sin bordes y documentos escaneados.

OCR con detección de tablas: imprescindible en escaneados. Su punto débil son los números: confundir un 1 con un 7 o perder una coma decimal es frecuente con calidad de escaneo baja.

Parsers con IA como Airparser o Parseur: interpretan el contexto y permiten definir qué campos quieres extraer de documentos repetitivos, como facturas o extractos del mismo banco. Son eficaces cuando el formato se repite y compensan el tiempo de configuración. Un asistente generalista como ChatGPT sirve para casos puntuales, pero no conviene para volumen ni para cifras sin una validación posterior.

Un estado financiero tiene controles internos que puedes aprovechar: los subtotales deben sumar el total, el activo debe cuadrar con pasivo más patrimonio, el saldo final de un extracto debe ser el inicial más movimientos. Añade esas comprobaciones como fórmulas en la hoja de destino.

Si una suma no cuadra, no corrijas el total: busca la fila que falla. Con frecuencia es una línea duplicada al cambiar de página o un signo negativo que se ha perdido.

Para documentos repetitivos, guarda una pequeña colección de casos ya validados y vuelve a probarlos cuando cambies de herramienta o de configuración.

Muchos problemas aparecen después de extraer. Los números con punto de miles y coma decimal se interpretan como texto o como valores incorrectos si la configuración regional no coincide. Las fechas en formato día/mes pueden convertirse en mes/día sin aviso.

Power Query permite definir pasos de limpieza y repetirlos con nuevos archivos; comprueba la disponibilidad del conector PDF y las funciones que necesitas en tu versión y plataforma de Excel: cambiar tipos según la configuración regional, quitar filas de encabezado repetidas y unir páginas.

Si el documento es puntual y digital, prueba primero un conversor y revisa. Si es escaneado, empieza por OCR y dedica la revisión a las cifras. Si recibes el mismo tipo de documento cada mes, merece la pena configurar un parser con IA y una plantilla de validación.

Ten en cuenta también dónde se procesan los documentos. Extractos bancarios y balances contienen datos personales y económicos; revisa las condiciones del servicio antes de subirlos.

Antes de automatizar, construye un documento de prueba con dos páginas, encabezados repetidos, importes negativos y un subtotal al final de la primera. Incluye columnas de ejercicio actual y anterior. Es justo el tipo de archivo donde un conversor puede ofrecer una hoja ordenada mientras mezcla años o suma dos veces el subtotal de arrastre.

Conserva una columna de procedencia junto a cada registro: archivo, página y etiqueta original. No la borres al preparar la tabla final. Si aparece una diferencia, esa columna permite volver a la fuente sin buscar otra vez en todo el PDF. Una extracción sin rastro documental obliga a revisar más y dificulta explicar el origen de una cifra.

Comprueba por separado integridad y aritmética. Que los importes sumen no demuestra que estén todas las filas: dos omisiones pueden compensarse. Cuenta registros, revisa el primer y el último de cada página y contrasta los encabezados de cada columna. Para documentos críticos, verifica contra el original los campos que van a utilizarse, no una muestra elegida solo porque parece fácil.

Preserva los identificadores como texto cuando corresponda. Un código de cliente con ceros iniciales, una referencia larga o un número de cuenta no son magnitudes para calcular. La conversión automática puede quitar ceros o cambiar su representación. Define los tipos antes de cargar el resultado en otra aplicación y revisa que no se haya perdido información.

Empieza por un lote pequeño y guarda los originales sin modificarlos. Separa extracción, limpieza y validación en pasos identificables. Si todo se hace con una única petición al asistente, no sabrás si un número cambió al reconocer caracteres, al colocar columnas o al interpretar la información. Un procedimiento revisable permite corregir el paso concreto.

La documentación de Microsoft describe el conector PDF de Power Query y opciones para trabajar con tablas y páginas. Comprueba si está disponible en el producto y plataforma que usas; no deduzcas que todos los Excel ofrecen exactamente el mismo recorrido. En PDF digitales regulares puede ser un punto de partida razonable antes de pagar por un extractor con IA.

Para formatos repetitivos, define qué cambios obligan a revisar la configuración: nueva columna, moneda diferente, cambio de cabecera o páginas con diseño distinto. Un proveedor puede cambiar una plantilla sin avisarte. Deja en cuarentena los archivos que incumplan la estructura esperada en vez de forzar su entrada en la hoja mensual.

Si recurres a un modelo generativo para reorganizar una tabla, pídele que conserve valores y marque dudas; no que arregle balances. La instrucción tampoco sustituye los controles. Un importe ilegible debe quedar pendiente, nunca estimarse para cuadrar. La automatización útil entrega excepciones claras a una persona, no una apariencia de exactitud.