La intel·ligència artificial ha revolucionat l'extracció de dades financeres, però quan parlem de números que afecten decisions empresarials, la confiança cega en un model probabilístic pot ser perillosa. A Q2BSTUDIO, on desenvolupem aplicacions a mida per a sectors que gestionen dades sensibles, hem vist com un error silenciós en una extracció de PDF pot costar hores de conciliació i, pitjor encara, decisions errònies. Per això, quan construïm sistemes que processen extractes bancaris, factures o informes comptables, apliquem un principi fonamental: la IA ha de demostrar cada número que lliura.
El problema clàssic amb els models de llenguatge visual és que són increïblement precisos... fins que no ho són. Un document de 700 files pot tenir 699 de perfectes i una amb una xifra mal llegida: 1.240,50 en lloc d'1.340,50. Aquella fila no sembla incorrecta; ordena, importa i suma a un total plausible. Però un comptable que reconcilia els seus comptes setmanes després es troba amb un desfasament de 100 unitats i ningú sap per què. Aquest tipus d'error —plausible però fals— és molt més perillós que una fallada evident, perquè aquesta última es detecta, mentre que la mentida convincent passa desapercebuda.
La solució no és entrenar millor el model, sinó explotar la redundància que el propi document ofereix. Un extracte bancari imprimeix un saldo corrent al costat de cada transacció. Aquesta seqüència de saldos és un senyal de verificació gratuït: el saldo d'una fila més l'import de la fila anterior ha de coincidir amb el saldo de la fila anterior (o al revés, segons l'ordre del banc). Si totes les parelles compleixen aquesta identitat, l'extracció és internament consistent. Si una xifra s'ha malinterpretat, la cadena es trenca. L'interessant és que aquesta comprovació és determinista i externa al model: la IA no pot al·lucinar un valor que mantingui tota la cadena coherent perquè la restricció està sobredeterminada.
Implementem aquest mecanisme als nostres projectes de programari a mida com un pas de verificació obligatori. No n'hi ha prou que el model retorni dades; necessitem que l'eina pugui mesurar la seva pròpia precisió document per document. Així va néixer un sistema que calcula la fracció de parelles de files que compleixen la identitat, amb una tolerància d'un cèntim per absorbir soroll de coma flotant. Si la puntuació és inferior a 0,99, el resultat es marca com NO VERIFICAT i aquesta etiqueta el persegueix al fitxer descarregat, a la capçalera HTTP i a la resposta JSON. L'usuari sempre sap si està davant d'un resultat comprovat o un d'incert.
Però hi ha matisos importants. Els bancs no ordenen les transaccions de la mateixa manera: uns fan servir ordre descendent (més recent primer) i altres ascendent. La nostra solució avalua ambdues direccions i es queda amb la que obté millor puntuació, perquè una extracció correcta només reconcilia en un sentit, mentre que una d'errònia falla en tots dos. També hi ha formats que només imprimeixen el saldo al final de cada dia, deixant la majoria de files sense aquesta dada. Per a aquests casos, fem servir un segon verificador que acumula els imports entre dos saldos impresos i comprova que el saldo final sigui correcte, localitzant l'error al segment exacte on es produeix.
A Q2BSTUDIO apliquem aquesta filosofia més enllà dels extractes bancaris. En projectes de cloud AWS/Azure, per exemple, integrem agents d'IA que processen dades financeres però amb capes de verificació deterministes que garanteixen la integritat abans d'alimentar dashboards de BI/Power BI o sistemes de ciberseguretat. Un agent d'IA pot extreure factures, però una comprovació de línia-article més impostos més total assegura que la suma quadra. La redundància és al propi document; només cal aprofitar-la.
La clau és entendre que la IA no ha de ser l'última paraula. Un sistema que només diu 'això és el que he llegit' sense poder-ho provar és una caixa negra. En canvi, un sistema que pot mostrar que cada número és internament consistent —que el saldo d'ahir més els moviments d'avui dóna el saldo d'avui— ofereix una transparència que els clients valoren. No es tracta de substituir el comptable, sinó de donar-li eines que li permetin confiar en les dades sense haver de revisar cada fila manualment.
La lliçó és aplicable a qualsevol domini on el cost d'un error silenciós sigui alt. Si estàs construint un sistema que gestiona números que algú utilitzarà per prendre decisions, busca el senyal redundant que ja existeix a la teva entrada. Un extracte bancari té el saldo corrent; una factura té el total que ha de coincidir amb la suma de conceptes; un llibre major té partides dobles. Aquesta redundància és una comprovació gratuïta, determinista i externa al model. Envolta-la al voltant de la teva IA i podràs prometre alguna cosa que poques eines d'intel·ligència artificial poden dir: si no estic segur, t'ho diré, en lloc d'endevinar-ho.
