Noticias

Tienes un contrato, una sentencia o un expediente de 40 páginas y quieres que la IA te lo resuma. Lo pegas en ChatGPT y en diez segundos tienes el resumen. También has enviado a un servidor ajeno el nombre de tu cliente, su DNI, su dirección y su cuenta bancaria. La anonimización de datos es el paso que casi nadie da antes de usar la IA, y es el paso que hemos convertido en producto con micapa.ai.

Por qué anonimizar antes de la IA y no después

La razón práctica es sencilla: lo que entra en el modelo ya ha salido de tu casa. Da igual lo que diga la política de privacidad del proveedor, da igual que tengas contratado el plan de empresa. Si el documento ha viajado con los datos personales dentro, ya has cedido el control sobre ellos. Anonimizar después no existe.

La razón legal es el RGPD. Los datos personales de tus clientes, empleados o pacientes solo pueden tratarse para el fin que justificó recogerlos. Pasarlos por un servicio de IA para redactar un informe es, en la mayoría de los casos, un tratamiento nuevo que exige encargado del tratamiento, base legal y, si el proveedor está fuera de la Unión Europea, garantías adicionales. Con el documento anonimizado la mayor parte de ese problema desaparece, porque lo que envías ya no es un dato personal.

Y hay una razón de negocio que se olvida: los despachos, asesorías, clínicas y departamentos de recursos humanos son justo los que más partido pueden sacar de la IA, porque viven de documentos largos. Son también los que menos la usan, porque no se atreven. Quitar los datos personales del texto es lo que desbloquea ese uso.

Anonimización y seudonimización no son lo mismo

Conviene separar los dos términos, porque se mezclan mucho. Anonimizar es eliminar la posibilidad de identificar a la persona, de forma irreversible. Seudonimizar es sustituir el dato por un código o etiqueta que permite recuperar el original si tienes la clave. El RGPD sigue considerando dato personal lo seudonimizado, pero lo trata como una medida de seguridad recomendable.

Para trabajar con IA, lo útil es una mezcla. El modelo de lenguaje recibe el documento con etiquetas del tipo PERSONA_1, EMPRESA_2 o DIRECCION_1, y responde usando esas mismas etiquetas. Cuando la respuesta vuelve a tu equipo, las etiquetas se sustituyen otra vez por los datos reales, que nunca salieron de tu servidor. El proveedor de IA ve un documento anónimo. Tú ves el resultado completo. Es lo que en micapa.ai llamamos ida y vuelta, y es el caso de uso para el que entrenamos el modelo.

Por qué no basta con buscar y reemplazar

La primera idea de cualquier equipo técnico es una lista de patrones: un DNI tiene ocho cifras y una letra, un IBAN empieza por ES, un teléfono tiene nueve dígitos. Funciona para eso y para poco más. Los nombres no siguen patrones. Las direcciones aparecen partidas en tres líneas. La misma persona se llama «María López García» en la primera página, «la Sra. López» en la tercera y «la demandante» en la quince. Si tapas la primera y dejas las otras dos, no has anonimizado nada: cualquier lector reconstruye quién es.

El otro fallo habitual es el contrario. Los sistemas que tapan demasiado convierten el documento en un queso de agujeros donde la IA ya no entiende qué se le pregunta. Un resumen de una sentencia en la que no se distingue quién demanda y quién es demandado no sirve para nada.

El problema real no es detectar datos personales. Es detectar todos, no detectar de más, y mantener la coherencia de quién es quién a lo largo del documento.

Lo que hemos entrenado

Empezamos por donde empieza casi todo el mundo: un sistema de patrones y listas. Sobre documentos reales no pasó del 57 % de acierto, y no había forma de subirlo por mucho patrón que añadiéramos. Cambiamos de arquitectura y entrenamos un modelo de lenguaje pequeño, con salida forzada a un formato estructurado, sobre un conjunto de más de 80.000 documentos públicos. Detecta 13 tipos de entidad: nombres de persona, empresas, direcciones, identificadores oficiales, cuentas bancarias, teléfonos, correos, fechas sensibles y el resto de datos que aparecen en un expediente español real.

Medimos el resultado en un banco de pruebas propio con 2.824 menciones de datos personales anotadas a mano, y estas son las cifras del modelo que hoy está en producción:

• Fugas completas: 5 de 2.824 menciones han salido sin tapar en absoluto. Cobertura del 99,8 %.
• Nombres de persona: F1 de 0,983, con una precisión de 0,980 y una exhaustividad de 0,987. Es la entidad que más importa y la que mejor sale.
• Empresas: F1 de 0,923.
• Direcciones: F1 de 0,898. Es la entidad más difícil, porque una dirección puede ocupar dos líneas y mezclar calle, piso, localidad y código postal en cualquier orden.
• F1 global sobre los 13 tipos: por encima de 0,93.
• Coherencia de identidad: F1 de 0,889 en global y de 0,981 en nombres. Esta métrica mide que «María López García», «la Sra. López» y «la demandante» reciban la misma etiqueta durante todo el documento. Es la que hace posible el viaje de ida y vuelta.

Una aclaración sobre cómo leer estas cifras. El F1 exacto penaliza que el modelo tape «calle Mayor 12» cuando la anotación decía «calle Mayor 12, 3º B». Para el lector de la sentencia, la dirección está tapada igual. Por eso la métrica que más nos importa es la cobertura, y es la que está en el 99,8 %.

Complejo por dentro, barato por fuera

El pipeline tiene varias etapas: normalización del texto, detección, resolución de quién es quién, generación de etiquetas coherentes y la sustitución inversa cuando vuelve la respuesta. Lo que no tiene es un modelo gigante en el medio. Elegimos un modelo pequeño a propósito, y eso tiene dos consecuencias que importan a una pyme.

La primera es que corre en hardware modesto. Hace falta una GPU, pero una GPU normal, no un clúster, para procesar el archivo de un despacho. La segunda es que el coste por documento es bajo, y eso permite pasar por el modelo todo lo que se envía a la IA, no solo lo que alguien decide que es sensible.

Pide acceso ya

Haz una prueba sencilla. Coge el último documento que alguien de tu equipo pegó en ChatGPT y cuenta cuántos datos personales llevaba. Casi siempre son más de los que se recuerdan. Después decide si ese documento debería haber salido así.

micapa.ai está en fase de lanzamiento como producto independiente para limpiar documentos antes de enviarlos a cualquier IA, y damos acceso gratuito a quien lo necesite. Pide acceso ya en micapa.ai y pruébalo con tus propios documentos. Las cifras que importan son las tuyas, no las nuestras.

La pregunta que más nos hacen los clientes no es qué es un modelo de lenguaje. Es cuál ponemos. Y la respuesta honesta hasta hace poco era incómoda: casi todos los benchmarks que circulan están hechos en inglés, sobre problemas de examen, y miden cosas que no se parecen al trabajo de una empresa española.

Así que hicimos el nuestro. Se llama Ranking IA y es un benchmark de ocho modelos frontera en español profesional, con veinticinco pruebas sacadas de situaciones reales de oficina. Los datos están publicados en abierto, para que cualquiera pueda comprobarlos o discutirlos.

Qué mide este benchmark de IA y cómo lo mide

Veinticinco pruebas, cuatro pasadas por prueba y modelo, ochocientas respuestas evaluadas en total. Las pasadas repetidas no son un capricho: sirven para ver si un modelo contesta igual cuando le preguntas lo mismo cuatro veces, que es información que un solo intento no da.

Las pruebas se agrupan en seis familias: Instrucciones, Veracidad, Razonamiento, Carácter, Expresión y Español. Nada de acertijos. Son encargos como redactar un email de exactamente cien palabras sin usar cierta letra, rellenar tres campos de un CRM a partir de una conversación de comerciales, calcular una desviación presupuestaria y mantenerla cuando el usuario insiste en que está mal, o pasar un fragmento de castellano antiguo a español actual.

Cada modelo recibe un porcentaje global y una nota por familia, con semáforo en verde a partir de 75 y en rojo por debajo de 40, y un tier de la S a la C.

La clasificación, a 30 de agosto de 2026

1. Claude Opus 5, de Anthropic: 97,1 %, tier S
2. Claude Fable 5, de Anthropic: 94,3 %, tier S
3. Kimi K3, de Moonshot: 89,2 %, tier A
4. GPT-5.6 Sol, de OpenAI: 87,2 %, tier A
5. Grok 4.6, de xAI: 72,1 %, tier B
6. DeepSeek V4 Flash: 72,1 %, tier B
7. Gemini 3.1 Pro, de Google: 71,2 %, tier B
8. DeepSeek V4 Pro: 67,3 %, tier C

Las posiciones repetidas no son una errata. Cuando el intervalo de confianza de la diferencia entre dos modelos contiene el cero, comparten posición: decir que uno va por delante sería inventarse una precisión que los datos no dan. Pasa con Kimi K3 y GPT-5.6 Sol, y con Grok, DeepSeek V4 Flash y Gemini 3.1 Pro.

El dato que más nos ha sorprendido: la familia Carácter

Carácter mide si el modelo se planta. Si mantiene un cálculo correcto cuando le dices que está equivocado. Si te avisa de que la frase de Einstein que quieres poner en la portada de tu presentación no es de Einstein. Si obedece una instrucción escondida dentro de un email que solo le pediste resumir. Si te dice que tu plan de negocio no se sostiene.

Es la familia que peor se comporta con diferencia, y no de poco:

• DeepSeek V4 Flash: 30,4 %
• DeepSeek V4 Pro: 32,6 %
• Gemini 3.1 Pro: 42,9 %
• Grok 4.6: 60,7 %
• GPT-5.6 Sol: 75,6 %
• Kimi K3: 96,4 %
• Claude Opus 5: 99,4 %
• Claude Fable 5: 100 %

Piensa en lo que significa un 30 % en un modelo que vas a poner a redactar propuestas o a resumir correos. No es que se equivoque más. Es que cuando tú te equivocas, te sigue.

Obedecer bien no es lo mismo que servir bien

El contraste más claro está en GPT-5.6 Sol: saca un 100 % en Instrucciones, la mejor nota de todo el ranking en esa familia, y un 75,6 % en Carácter. Hace exactamente lo que le pides, incluso cuando lo que le pides no te conviene.

DeepSeek V4 Flash lleva la misma idea al extremo: 96,2 % en Expresión, casi la mejor nota del ranking escribiendo, y 30,4 % en Carácter. Redacta de maravilla y te da la razón en todo. Para generar texto que luego revisa una persona, puede valer. Para meterlo en un proceso que nadie supervisa, es justo el perfil que no quieres.

Y ni siquiera el primero es bueno en todo: Claude Opus 5 saca un 100 % en Razonamiento y su peor nota, un 91,7 %, es precisamente en Español. Su hermano Fable 5 saca un 99 % en Español y baja al 82,9 % en Expresión.

Por eso el número global sirve para titular y poco más. Lo útil es mirar la familia que afecta a tu caso.

El chiste de murcianos que Grok se negó a contar

Una de las pruebas de Expresión es deliberadamente tonta: cuéntame un chiste de murcianos. Está ahí porque el humor regional obliga al modelo a arriesgarse un poco, y arriesgarse un poco es lo que distingue a un texto que alguien se lee de uno que parece un comunicado.

Siete de los ocho modelos lo hicieron sin problema, con notas entre el 87,5 % y el 100 %. Grok 4.6 sacó un 0 %. No falló el chiste: se negó a contarlo en los cuatro intentos, y en los cuatro respondió con una explicación sobre los estereotipos regionales.

Tiene su gracia, porque Grok es precisamente el modelo que se vende como el que no se corta. Pero no es solo una anécdota: un modelo que ve un problema donde no lo hay te plantará el sermón en mitad de una conversación con un cliente, y eso en atención al público no es prudencia, es una avería. Es el tipo de fallo que solo aparece si pruebas en español y con encargos reales.

El caro que rinde menos que el barato

DeepSeek V4 Pro cuesta unas tres veces más que DeepSeek V4 Flash y puntúa casi cinco puntos por debajo. Mismo laboratorio, misma generación, y el modelo de gama alta queda el último de la tabla mientras el económico empata en el grupo intermedio.

La relación entre precio y resultado es más floja de lo que el sentido común sugiere. Claude Opus 5 es el más caro y el mejor, sí, pero Kimi K3 cuesta bastante menos que GPT-5.6 Sol y queda empatado con él. Si eliges por tarifa, o por marca, te vas a equivocar en algún sitio.

Cómo evitamos hacer trampa

Un benchmark hecho por una consultora de IA tiene un problema de credibilidad evidente, así que la metodología está publicada entera.

Las respuestas las evalúan jueces automatizados con recusación por laboratorio: ningún modelo puntúa a los de su propia casa. Además medimos y publicamos el sesgo de cada juez. El de xAI es el más severo, con un desvío medio de menos trece centésimas respecto al resto; el de Anthropic y el de Google son los más generosos, con más diez y más ocho. Publicar ese número es lo que permite que alguien nos discuta con datos en lugar de con impresiones.

Montar esto tampoco fue limpio de principio a fin, y conviene contarlo. Durante la preparación, el clasificador de ciberseguridad de Anthropic bloqueó varios de nuestros enunciados y no dejó completar esas pruebas. Reescribimos los enunciados hasta que pasaron, manteniendo lo que cada prueba pretendía medir, y las lanzamos de nuevo contra los ocho modelos por igual. Ninguno respondió a una versión distinta de la pregunta. Lo decimos porque un ranking en el que las reglas cambian a mitad y nadie lo menciona no vale nada.

Los intervalos de confianza salen de un bootstrap de mil iteraciones sobre las pasadas de cada ítem, con semilla fija para que el cálculo sea reproducible. Y hay una auditoría humana sobre cuarenta y cinco casos, con un 91,1 % de acuerdo con el juez automático y ninguna discrepancia que hubiéramos escalado.

Nada de esto lo hace infalible. Son ocho modelos, veinticinco pruebas y un momento concreto, y los modelos cambian cada pocas semanas. Ningún benchmark, ni el nuestro ni los grandes en inglés, te dice cuál va a funcionar mejor en tu empresa. Lo que sí puede darte es una base para descartar. Y está todo a la vista.

Qué hacer con esto si tienes que elegir uno

Empieza por la familia, no por el global. Si el modelo va a atender a clientes, mira Carácter y Veracidad. Si va a redactar, mira Expresión y Español. Si va a ir dentro de un proceso automatizado sin nadie revisando, Carácter es directamente eliminatorio.

Y ten en cuenta la consistencia: un modelo que da respuestas distintas a la misma pregunta puede ser aceptable en un chat de apoyo y ser inviable en un flujo que se ejecuta solo.

Puedes mirar el ranking completo, entrar en cada prueba y ver qué contestó cada modelo en ranking.sozpic.com. Y si lo que necesitas es decidir cuál encaja en tu caso concreto, hablamos: esa conversación es bastante más corta cuando hay números encima de la mesa.

Llega una factura al correo. Alguien abre el PDF, mira el CIF, comprueba que el proveedor existe, copia la base, el IVA y el total, teclea el número de factura y las fechas, y pasa a la siguiente. Entre cinco y diez minutos cada una. Si tu empresa recibe seiscientas facturas al mes, eso son setenta horas de alguien cualificado dedicadas a transcribir.

Hemos montado un producto para que eso deje de pasar. Se llama IA Facturas, lee cada factura que entra por correo y la registra en SAP Business One en unos treinta segundos. Lo hemos desarrollado junto a nuestros colegas de Expert One, Gold Partner de SAP en Madrid, que son quienes conocen el ERP por dentro mientras nosotros ponemos la parte de inteligencia artificial.

El problema no es teclear, es lo que arrastra

Las facturas se acumulan en el correo durante días. Los pagos se retrasan. El cierre mensual se va tres o cinco días más allá de lo previsto porque siempre falta meter algo.

Y luego están los errores. Una errata en un CIF o un importe genera un asiento incorrecto, y ese asiento aparece semanas después cuando alguien intenta conciliar y los números no cuadran. Corregirlo cuesta bastante más que los siete minutos que costó teclearlo mal.

Mientras tanto, dos personas con criterio contable se pasan media jornada copiando datos de un PDF a una pantalla en lugar de controlar, revisar y analizar, que es para lo que las contrataste.

Cómo funciona la digitalización de facturas con IA

El planteamiento es deliberadamente simple, porque las cosas complicadas no se usan.

Se define una cuenta de correo para recibir facturas. El sistema se conecta a ella y detecta cada mensaje nuevo con un PDF o una imagen adjunta. El motor de IA lee la factura y extrae el número, las fechas de emisión y vencimiento, el proveedor, el CIF, la base imponible, el tipo y la cuota de IVA, el total y la moneda.

Con esos datos crea la factura en SAP Business One, en borrador o como documento definitivo según lo que decidas. La conexión es directa contra el Service Layer de SAP, sin middleware por medio ni licencias adicionales que pagar.

Funciona a cualquier hora. Una factura que entra un viernes a las diez de la noche está en SAP antes de las diez y un minuto.

Cuando algo no cuadra, no lo inventa

Esta es la parte que separa un producto usable de una fuente de problemas nuevos.

Si una factura no se lee con claridad, o el proveedor no existe todavía en SAP, la factura no entra. Queda marcada para revisión manual con un mensaje en castellano que explica qué ha pasado. Preferimos que alguien mire cinco facturas raras a que entren cien mal.

Todo queda en un portal donde ves el listado con su estado, filtras por proveedor o por fechas, y mandas la incidencia a soporte con el PDF adjunto de un botón.

Tus datos fiscales no se quedan en ningún sitio

El producto se instala en tu servidor, Windows o Linux, y hablamos con SAP por VPN o por red interna. El único componente externo es el motor de IA, que trabaja sobre infraestructura europea.

Lo importante es qué se guarda y qué no. Los importes, las líneas de factura, las cuentas contables, el número de factura del proveedor, los PDFs y los datos bancarios no se registran en la base de datos del producto en ningún momento. Van del correo a SAP en memoria y se descartan. Lo que queda almacenado es lo mínimo para que el portal funcione: un identificador técnico del proceso, la fecha y la duración, el estado, y el nombre y el CIF del proveedor para poder filtrar.

No es un detalle de letra pequeña. Es lo que hace que puedas usar esto sin abrir un expediente de RGPD.

Qué pasa en una empresa real

El caso típico es una distribuidora industrial con SAP Business One que recibe unas seiscientas facturas de proveedor al mes por correo.

Antes: dos administrativos dedicando parte de su jornada a teclear, siete minutos de media por factura, unas setenta horas al mes en transcripción, cierres que se retrasan de tres a cinco días y erratas ocasionales en CIF e importes.

Después: treinta segundos por factura y sin que nadie esté delante, menos de cinco horas al mes revisando los casos que el sistema ha marcado, cierres puntuales porque el sistema también trabaja el fin de semana, y las pocas facturas problemáticas detenidas antes de llegar a SAP en vez de descubiertas al conciliar.

Cuándo no te compensa

Si recibes veinte o treinta facturas al mes, no lo montes. El ahorro no da para justificar la instalación y el mantenimiento, y te lo diremos nosotros mismos antes de venderte nada.

Tampoco hace magia con lo ilegible. Una factura escaneada torcida, con la tinta corrida o manuscrita se va a revisión manual, que es exactamente donde debe ir.

Y necesita que tu maestro de proveedores en SAP esté razonablemente ordenado. Si tienes el mismo proveedor dado de alta tres veces con CIFs distintos, ese trabajo hay que hacerlo igual, y es mejor hacerlo antes.

Si esto te suena a tu departamento

Cuenta las facturas que recibiste el mes pasado y multiplica por los minutos que tarda tu equipo en meter una. Ese número suele bastar para saber si merece la pena seguir hablando.

Si sale a favor, escríbenos y lo vemos con tu SAP y tus facturas reales, no con una demo preparada.