Qué facturas se pueden pagar sin una persona

El problema

Qué construimos

• 60 facturas sintéticas de empresas ficticias, en texto tipo OCR, con sus respuestas correctas. 28 traen dificultades reales: ruido de OCR, fechas ambiguas, moneda extranjera, descuentos, totales corregidos a mano, duplicados.
• DeepSeek extrae los campos e informa su propia confianza. Una validación aritmética revisa los totales. Jev, un modelo juez calibrado, responde cuatro preguntas sobre el documento y lo extraído en una sola llamada.
• Lo que no se aprueba espera en approve, la compuerta humana de Synsema, con un enlace de un solo uso enviado por webhook.

Resultados

El código, lado a lado

let SYSTEM be "You extract data from invoices (OCR text, it may contain errors such as O for 0, l for 1, S for 5). Reply ONLY with JSON containing: supplier (text, as it appears at the top, in normal capitalization), number (text NNNN-NNNNNNNN), date (YYYY-MM-DD; dates are written day/month/year), currency (ARS or USD), subtotal, discount (0 if none), vat, total (numbers without thousands separators; the valid TOTAL DUE), and confidence: a number from 0 to 1 saying how sure you are that EVERYTHING extracted is correct."

    let j be jev.systemone({"document": f.text, "extracted": remove(e, "confidence")}, {
        "total_ok": {"type": "noul", "instructions": "The extracted total is exactly the valid total due on the document"},
        "date_ok": {"type": "noul", "instructions": "The extracted date (YYYY-MM-DD) is the issue date of the document, read as day/month/year"},
        "supplier_ok": {"type": "noul", "instructions": "The extracted supplier is the company issuing the invoice"},
        "ambiguous": {"type": "noul", "instructions": "The document has contradictory data, hand corrections, is a duplicate, or has reading errors that cast doubt on some value"}})

agent Approver
    let ok be approve message within 30m
    -- One key per invoice: state_* has no atomic read-modify-write, and several agents decide at once
    state_set(`decision:{fid}`, {"approved": ok, "t": now()})

Por qué Synsema

• judge devuelve probabilidades calibradas sobre las que se puede decidir. La confianza que declaró el modelo fue de 0,9 o más en todo, duplicados incluidos.
• approve es una primitiva del lenguaje. Bajo serve nunca se resuelve sola: queda en cola, una persona recibe un token de un solo uso y se rechaza al vencer el plazo.
• Un agente no puede fingir una aprobación. No hay camino en el código para que un programa apruebe su propio pago.

Lo que no resuelve

• Facturas sintéticas en texto. Con PDF o fotos reales, la extracción no va a ser perfecta.
• El juicio calibrado no reemplaza las reglas de negocio. Una copia de una factura ya pagada sacó 0,47 y pasó a Jev; la atrapó la regla «mismo proveedor y número ya procesados».
• Los umbrales (0,85 y 0,5) se fijaron antes de medir. Con datos reales, conviene calibrarlos sobre un conjunto aparte.

Compartir