Clasificación automática de documentos inmobiliarios: qué funciona

Una promotora con varias promociones en marcha acumula miles de PDF sin haberlo decidido: notas simples, escrituras de compraventa de suelo, licencias de obra, actas de replanteo, certificados de eficiencia energética, contratos de arras, avales, subrogaciones, modificados de proyecto, actas de recepción. La mayoría vive en carpetas compartidas con nombres tipo escaneo_2019_final_v2.pdf, y cuando alguien de jurídico necesita la licencia de primera ocupación de una fase concreta, la busca preguntando por WhatsApp. La clasificación automática de documentos inmobiliarios existe para cortar ese circuito: leer cada archivo, decidir qué es, etiquetarlo con los metadatos mínimos y dejarlo donde toca.

Qué se clasifica de verdad en una promotora

Antes de hablar de modelos hay que aceptar que no existe "documentación inmobiliaria" como categoría única. Hay al menos tres familias con lógicas distintas, y mezclarlas en un solo clasificador es la primera causa de proyectos que no llegan a producción.

Suelo y titularidad

Escrituras de compraventa, notas simples y certificaciones registrales, cargas y afecciones, agrupaciones y segregaciones, declaraciones de obra nueva, divisiones horizontales. Son documentos largos, muy estructurados en su forma notarial y registral, y con vocabulario reconocible. Se clasifican bien porque el propio documento se autodescribe en las primeras líneas. El reto está en la extracción: referencia catastral, finca registral, superficies, titulares, cargas.

Licencias y trámites administrativos

Aquí no hay formato común. Cada ayuntamiento redacta sus resoluciones a su manera, con plantillas que cambian de legislatura, sellos manuscritos, anexos y a menudo escaneos de calidad mediocre. Distinguir una licencia de obra mayor de una licencia de primera ocupación, una prórroga o un requerimiento de subsanación exige contexto, no palabras clave. Es la familia donde la clasificación aporta más valor y donde más cuesta acertar.

Contratos comerciales y financieros

Reservas, contratos de arras, contratos privados de compraventa, avales de cantidades entregadas a cuenta, pólizas, subrogaciones hipotecarias, contratos con constructora e industriales. Suelen partir de plantillas propias, así que la clasificación es casi trivial; lo valioso es detectar la versión firmada frente al borrador, la fecha de firma y la vinculación con la unidad vendida.

Clasificar no es extraer, y conviene no confundirlo

Clasificar responde a una pregunta: qué es este documento. Extraer responde a otras: de qué promoción, de qué finca, de qué comprador, con qué fecha e importe. Son dos capas con costes y riesgos muy distintos. Un error de clasificación se detecta rápido porque el documento aparece en el sitio equivocado. Un error de extracción se propaga en silencio: una referencia catastral mal leída se acaba copiando en un informe de due diligence. Por eso tiene sentido empezar por la clasificación, que es más tolerante al fallo, y añadir extracción campo a campo solo donde el dato se vaya a usar de forma operativa.

La arquitectura mínima que aguanta producción

Un flujo razonable tiene cinco capas. Primero, ingesta: correo, carpeta vigilada, portal de proveedores, escáner de obra. Segundo, normalización y OCR, con detección de PDF nativo frente a imagen para no pasar por OCR lo que ya tiene texto. Tercero, clasificación en una taxonomía cerrada, con umbral de confianza y una clase explícita de "no clasificado". Cuarto, extracción de los metadatos de esa clase concreta. Quinto, enrutado: renombrado según convención, carpeta o gestor documental, y escritura de los identificadores en los sistemas de gestión.

Esa quinta capa es la que decide si el proyecto se nota o no. Un documento bien etiquetado que se queda en un repositorio aislado no cambia la operativa de nadie. Lo que cambia la operativa es que la licencia de primera ocupación aparezca colgada de la fase correcta y que el contrato firmado quede vinculado a la unidad vendida, lo que obliga a integrar CRM y ERP en el flujo desde el primer día, con los identificadores de promoción, fase y unidad como clave común. Si esos identificadores no están limpios, el clasificador funcionará y el resultado seguirá siendo inservible.

La taxonomía es la decisión de diseño, no el modelo

El listado de clases determina el proyecto entero. Taxonomías de más de un centenar de categorías generan solapamientos que ni un humano resuelve de forma consistente: si dos personas del departamento jurídico clasifican el mismo documento en clases distintas, ningún modelo va a hacerlo mejor. Conviene arrancar con un conjunto reducido de clases que correspondan a decisiones reales del negocio y usar jerarquías de dos niveles: familia primero, subtipo después. Es más fácil corregir un subtipo que reentrenar un clasificador plano de ciento veinte etiquetas.

Si dos personas de tu equipo jurídico clasifican el mismo documento en categorías distintas, el problema no lo va a resolver un modelo. Lo va a amplificar.

Dónde falla, qué cuesta y quién lo paga

Esta es la parte que no aparece en las demos.

El archivo histórico es el enemigo

Los escaneos antiguos de licencias y escrituras llegan girados, con páginas duplicadas, sellos que tapan texto, anotaciones a mano y fotocopias de fotocopias. El OCR sobre ese material degrada la precisión mucho más que sobre documentación reciente. Un clasificador que rinde bien con lo que entra hoy puede fracasar al migrar el histórico, y la migración es justo lo que se suele vender como quick win.

PDF con varios documentos dentro

En la práctica, un solo archivo contiene la resolución de licencia, sus anexos, el justificante de tasas y a veces un documento no relacionado que alguien escaneó a continuación. Clasificar a nivel de archivo da un resultado erróneo por definición. Hace falta segmentar antes de clasificar, y la segmentación es un problema aparte que casi siempre se descubre a mitad del proyecto.

El coste no está en el modelo, está en la revisión

Ningún sistema clasifica todo con certeza. Habrá una cola de casos dudosos que alguien tiene que revisar, y ese alguien cobra. Si no se diseña una interfaz de revisión rápida —ver el documento, confirmar o corregir la clase en dos clics, y que la corrección alimente el sistema— la cola crece hasta que el equipo deja de mirarla. A eso se suma el coste recurrente de inferencia si se usan modelos grandes sobre documentos de cientos de páginas, un coste que escala con el volumen y que conviene estimar por documento antes de firmar nada.

Datos personales y trazabilidad

Una escritura contiene DNI, domicilio, estado civil y régimen económico matrimonial. Decidir si ese contenido sale del entorno propio, con qué proveedor, bajo qué contrato de encargado del tratamiento y con qué política de retención, es una decisión previa al desarrollo. Y en documentación con efectos jurídicos hay que poder responder quién o qué clasificó un archivo, con qué versión del modelo y qué confianza. Sin registro de auditoría, jurídico bloqueará el despliegue con razón.

Cuándo no merece la pena

Con volúmenes bajos y estables, no compensa. Una promotora que cierra unas pocas operaciones de suelo al año y gestiona una promoción cada vez resuelve mejor el problema con una convención de nombres, una estructura de carpetas disciplinada y quince minutos de alguien al día. Tampoco compensa si el objetivo es ordenar el archivo histórico para cumplir un expediente y luego no entra documentación nueva: eso es un proyecto puntual de digitalización, no un sistema. Y no compensa si la organización no tiene identificadores fiables de promoción y unidad, porque entonces el trabajo real está en el maestro de datos, no en la clasificación.

Cómo saber si funciona

Tres indicadores bastan para decidir si el sistema se queda. Precisión por clase, no global: una media alta puede esconder que las licencias urbanísticas —justo las importantes— se clasifican mal. Tasa de derivación a revisión humana, que marca el coste operativo real. Y tiempo desde que un documento entra hasta que está disponible y vinculado en el sistema donde alguien lo busca. Ese último es el que percibe el negocio; los otros dos explican por qué.

Un orden de implantación sensato

Empezar por una sola familia documental, preferiblemente contratos comerciales, donde las plantillas son propias y el acierto es alto: sirve para construir la tubería completa, incluida la escritura en los sistemas de gestión, con bajo riesgo. Después, licencias y trámites administrativos, que es donde está el dolor y donde hará falta más iteración y más revisión humana. Dejar el archivo histórico para el final, cuando la taxonomía ya esté estabilizada y el OCR afinado, y asumir que una parte de ese histórico se quedará sin clasificar. Es un resultado aceptable si lo nuevo entra ordenado desde el primer día.

En GU Studio trabajamos esto en clasificación automática de documentos inmobiliarios. Si quieres ver cómo encajaría en tu caso, cuéntanoslo.