Contexto técnico
Me encantan estos casos: al principio tienes un caos de PDFs y escaneos, pero al final logras construir una integración de IA funcional. La pregunta era simple: ¿cómo interpretar planos eléctricos del sector de la construcción si cada uno utiliza su propia notación y el objetivo principal es la detección de elementos?
Yo no empezaría con soluciones mágicas. Empezaría con un diccionario de referencia de símbolos, y para eso, IEC 60617 funciona muy bien. Es una base de datos internacional de símbolos gráficos para esquemas eléctricos, básicamente un anclaje visual fiable para el modelo.
A partir de aquí se pone interesante. Si tienes Claude Sonnet u otro modelo multimodal potente, puedes proporcionarle no solo el plano, sino también ejemplos de símbolos, reglas de nomenclatura y variantes similares de la biblioteca QElectroTech. Es en este punto cuando el rendimiento en zero-shot o few-shot mejora notablemente en comparación con un prompt sin contexto.
Me gusta QElectroTech por una razón práctica: no es un estándar abstracto en papel, sino una biblioteca viva de elementos compatible con el enfoque IEC. Es muy útil para recopilar referencias, generar datos sintéticos para el entrenamiento e incluso para validaciones simples, como cuando verifico que el modelo no confunda un interruptor con un disyuntor solo por el estilo del dibujo.
Si lo que necesitas es específicamente la detección de bbox (cajas delimitadoras), no idealizaría a los LLM. Sonnet es excelente como capa de comprensión, clasificación y normalización de nombres, pero para el etiquetado masivo y automatizado, tendría a mano YOLO u otro detector. La combinación es sensata: un modelo de visión encuentra los objetos, y Sonnet los alinea con la lógica de IEC y extrae el significado del esquema.
¿Qué cambia esto para el negocio y la automatización?
Primero: en los sectores de la energía y la construcción, ya no es necesario esperar un estándar perfecto de los contratistas. Si se construye un pipeline en torno a IEC 60617 y QElectroTech, se consigue una verdadera automatización con IA para analizar archivos de esquemas, auditar documentación y preparar datos para procesos CAD/BIM.
Segundo: el coste de entrada se reduce. No es necesario etiquetar un conjunto de datos gigante desde cero, porque el estándar y la biblioteca de símbolos ya proporcionan una base sólida. Aquí solo pierden los equipos que intentan resolverlo todo con un único OCR y luego se sorprenden de que el esquema se convierta en basura.
Tercero: la arquitectura se vuelve más madura. Yo separaría el OCR, la detección, la clasificación de símbolos y el post-procesamiento según las reglas de la red, en lugar de meterlo todo en un solo prompt. En Nahornyi AI Lab, es precisamente este tipo de soluciones de IA para empresas lo que construimos: cuando no se necesita una simple demo para un PDF, sino un sistema funcional para un flujo de documentos real. Si los planos están frenando tu proyecto, podemos analizar tranquilamente el proceso y construir una automatización con IA sin todo el bombo publicitario sobre la «IA mágica».