Un buscador de documentos se monta en cuatro movimientos: reunir los archivos en un solo sitio, extraer el texto de cada uno (con OCR si están escaneados), guardar cuatro datos por documento (tipo, fecha, contraparte y referencia) e indexar todo eso en una base de datos con búsqueda de texto completo. Encima, una caja de búsqueda con esos cuatro filtros. Nada más para empezar.
El trabajo de verdad no está en el buscador: está en el estado de los archivos. Una asesoría con la que trabajé tenía veintitrés mil PDF repartidos entre un servidor, dos Drive y el escritorio de la persona que llevaba veinte años allí. La mitad eran escaneos sin una sola letra buscable. Hasta que eso no se resuelve, no hay buscador que valga.
¿Por qué no basta con el buscador de Windows o de Drive?
Porque buscan palabras en archivos, y lo que tú necesitas casi siempre es buscar por datos del documento. «El contrato de mantenimiento con esta empresa» no es una palabra: es un tipo, una contraparte y una fecha. Los buscadores del sistema no saben qué es un contrato ni quién es el proveedor, así que te devuelven ciento cuarenta resultados ordenados por relevancia de texto y te toca abrirlos.
Hay dos límites más. El primero es el escaneo: un PDF escaneado es una imagen y no contiene texto, así que el buscador del sistema pasa por encima como si estuviera vacío. El segundo es la dispersión: buscan donde están, y si los documentos están en cuatro sitios hay que buscar cuatro veces.
Dicho esto, si tienes trescientos archivos en una carpeta bien nombrada, el buscador de tu sistema operativo es suficiente. No montes nada.
¿Cómo se monta, paso a paso?
Seis pasos, y los dos primeros no llevan una línea de código:
- Inventaria dónde están los documentos. Servidor, Drive, adjuntos del correo, discos de alguien. Siempre aparecen dos o tres sitios que nadie había mencionado.
- Elige un único sitio donde vivirán a partir de ahora. Y una regla de una línea sobre dónde se guarda lo nuevo. Un buscador sobre cinco carpetas se rompe cuando alguien guarda en la sexta.
- Extrae el texto de cada archivo, con OCR si hace falta. Los PDF nativos y los Word lo sueltan directamente. Los escaneos y las fotos necesitan OCR. Sin este paso no hay búsqueda.
- Guarda cuatro datos por documento. Tipo, fecha, contraparte, referencia. Con esos cuatro campos se filtra el 90% de las búsquedas reales. Veinte etiquetas no las rellena nadie.
- Indexa el texto y monta una caja de búsqueda. PostgreSQL con índice de texto completo llega de sobra para decenas de miles de documentos. Escribir un trozo de frase y filtrar por los cuatro campos.
- Aplica permisos y mide qué se busca. Filtra por rol antes de mostrar resultados y registra las búsquedas sin resultado: esa lista te dice qué falta o qué está mal etiquetado.
El paso cuatro es el que decide si el buscador se usa o se abandona. Los campos se eligen mirando cómo pregunta la gente de verdad, no cómo debería preguntar.
¿Qué hago con los documentos escaneados?
Pasarlos por OCR, que convierte la imagen en texto buscable. Un motor libre como Tesseract funciona razonablemente bien con escaneos limpios en español; con documentos torcidos, con sellos encima o fotografiados con el móvil, la calidad baja y compensa usar un servicio de pago, que en la práctica sale por céntimos por página.
Dos avisos por experiencia. El OCR nunca acierta el cien por cien: en escaneos normales se mueve entre el noventa y el noventa y ocho por ciento de caracteres, y eso significa que alguna búsqueda exacta fallará. Y procesar veinte mil páginas lleva horas de máquina, así que se lanza una vez de fondo y luego solo sobre lo nuevo.
Merece la pena guardar el texto extraído aparte del archivo original. Así puedes reindexar, cambiar de buscador o mejorar el OCR más adelante sin volver a procesar todo.
¿Qué opción elijo según el tamaño del archivo documental?
| Situación | Qué usar | Lo que te vas a encontrar |
|---|---|---|
| Cientos de archivos, una carpeta | El buscador del sistema o de Drive | Suficiente. No montes nada |
| Miles de archivos, varios sitios | Índice propio sobre base de datos | Dos o tres semanas, la mayoría en limpiar |
| Miles y muchos escaneados | Lo anterior más una pasada de OCR | Horas de proceso y algún fallo de reconocimiento |
| Búsquedas de negocio complejas | Índice más campos propios por tipo de documento | Hay que definir bien los tipos antes de programar |
| Quieres preguntar en lenguaje natural | Capa de IA sobre el índice existente | Coste por consulta y necesidad de citar la fuente |
La tentación es saltar directamente a la última fila. Casi siempre sale mejor montar las cuatro primeras y comprobar si la quinta hace falta. Muchas veces no hace falta.
¿Cuánto cuesta y qué ahorra?
Un buscador interno sobre documentos ya reunidos, con OCR y permisos, suele ser cuestión de dos o tres semanas de trabajo. La infraestructura para alojarlo cuesta poco: un servidor pequeño con una base de datos aguanta decenas de miles de documentos por unas decenas de euros al mes. El OCR de pago, si se usa, se cuenta por céntimos por página y es un gasto de una vez sobre el histórico.
El ahorro se mide contando búsquedas. En la asesoría de antes, cuatro personas buscaban documentos entre seis y diez veces al día, con una media que rondaba los diez minutos por búsqueda cuando el documento no aparecía a la primera. Eso son varias horas diarias del equipo dedicadas a encontrar cosas que ya tenían. Bajar esa media a un minuto no necesita ninguna tecnología exótica.
¿Cuándo NO merece la pena montarlo?
- Cuando el problema es de orden, no de búsqueda. Si nadie sabe qué versión de un contrato es la buena, un buscador te dará las cuatro versiones más rápido. Primero se decide dónde vive lo bueno.
- Cuando el volumen es pequeño. Con unos cientos de archivos bien nombrados, el buscador del sistema ya lo resuelve y no hay nada que mantener.
- Cuando el gestor documental que ya pagas lo hace. Si tu ERP o tu gestor ya indexa y busca, lo que necesitas es configurarlo, no un segundo sistema en paralelo.
- Cuando nadie se va a ocupar de que entren los documentos nuevos. Un índice que deja de actualizarse envejece en semanas y acaba dando resultados peores que la carpeta.
¿Qué errores se cometen normalmente?
- Indexar sin limpiar. Meter en el índice tres copias del mismo contrato con nombres distintos no arregla nada: te devuelve tres resultados y sigues sin saber cuál vale.
- Pedir demasiados metadatos. Un formulario de doce campos al subir un archivo garantiza que la gente deje de subir archivos. Cuatro campos, y los que se puedan sacar solos, mejor.
- Olvidar los permisos hasta el final. Los permisos se diseñan al principio. Añadirlos después, cuando el buscador ya devuelve nóminas a quien no debe, es rehacer medio sistema.
- Confiar el cien por cien en el OCR. Siempre habrá caracteres mal leídos. Conviene que la búsqueda tolere errores y que el usuario pueda filtrar por los campos aunque el texto falle.
- No mirar las búsquedas sin resultado. Es la mejor lista de tareas que vas a tener, y sale gratis.
Preguntas frecuentes
¿Cuánto se tarda en montar un buscador de documentos interno?
Con los documentos ya reunidos en un sitio, una primera versión que busque por texto y filtre por tipo, fecha y contraparte suele estar funcionando en dos o tres semanas. Lo que alarga el proyecto casi nunca es el buscador: es el estado de los archivos, sobre todo si hay miles de escaneados sin OCR o repartidos por discos distintos.
¿Sirve el buscador de Windows o de Google Drive?
Para pocos archivos y una sola carpeta, sí, y no hay que montar nada. Se quedan cortos cuando los documentos están repartidos en varios sitios, cuando hay escaneados sin texto o cuando necesitas filtrar por criterios de negocio, del tipo «contratos con este proveedor que vencen este trimestre». Eso ya no es buscar palabras, es buscar por datos del documento.
¿Necesito inteligencia artificial para buscar en mis documentos?
Para encontrar un documento, casi nunca: una buena búsqueda por texto con cuatro filtros resuelve la mayoría de los casos y es más rápida y barata de mantener. La IA aporta cuando quieres preguntar en lenguaje natural y que te resuma o te extraiga un dato de dentro. Es una capa que se añade después, sobre un buscador que ya funcione.
¿Puedo montarlo sin que los documentos salgan de mi empresa?
Sí. La extracción de texto, el OCR y el índice pueden ejecutarse en tu propio servidor sin enviar nada a terceros, y es lo recomendable cuando hay datos personales o contratos con cláusulas de confidencialidad. Si además quieres una capa de IA, conviene anonimizar antes de enviar o usar un modelo alojado en tu infraestructura.
Cuatro campos y un índice resuelven casi todo
Reúne los documentos en un sitio, extrae su texto (con OCR si están escaneados), guarda tipo, fecha, contraparte y referencia, e indexa. Con eso y una caja de búsqueda con cuatro filtros cubres la gran mayoría de lo que la gente busca de verdad en una empresa.
El proyecto se atasca en el estado de los archivos, no en el buscador. Y antes de montar nada, comprueba si tu volumen justifica algo más que el buscador del sistema: con unos cientos de archivos bien nombrados, no lo justifica.
¿Se os va el día buscando documentos?
Si los contratos y las facturas están repartidos entre el servidor, un Drive y el correo, se puede montar un buscador propio que los encuentre en segundos y sin sacarlos de vuestra infraestructura. Cuéntame cuántos documentos tenéis y en cuántos sitios.
Ver el servicio de software a medida Hablemos de tu caso