Mejores Herramientas de OCR de Escritura a Mano 2026 - Probadas en Formularios Manuscritos Reales

Benchmark de OCR de Escritura a Mano de Parseur 2026. Probado en octubre de 2026. Seis herramientas, siete documentos escaneados, 209 campos.

En el Benchmark de OCR de Escritura a Mano de Parseur 2026, que comparó seis herramientas de extracción de documentos en formularios de petróleo y gas escaneados y parcialmente manuscritos de la Comisión de Ferrocarriles de Texas (RRC), Parseur extrajo correctamente los 209 campos. ChatGPT extrajo 188, Gemini 180 y Extend 175. Nanonets (151) y Docparser (136) quedaron 58 y 73 campos atrás. Evaluamos cada resultado campo por campo frente a los escaneos originales.

Aviso: Parseur es nuestro producto. Para mantener la prueba justa, calificamos a cada herramienta con la misma hoja de respuestas y reglas, y publicamos los errores de todas las herramientas, incluidos los de Parseur.

Puntos Clave

• Parseur fue la única herramienta con cero errores en una prueba realizada en octubre de 2026 a seis herramientas de extracción de documentos y OCR de escritura a mano sobre siete formularios escaneados de la RRC.
• Los nombres y correos electrónicos manuscritos fueron los que más separaron a las herramientas. En los dos formularios con mayor cantidad de texto manuscrito (44 campos), Parseur cometió 0 errores y Extend 1, mientras que ChatGPT cometió 12, Gemini 16, Docparser 17 y Nanonets 24.
• Las notas de revisión se convirtieron en firmas falsas. Tres de las seis herramientas registraron la fecha de aprobación "OK to process" (OK para procesar) de un revisor de la RRC como la fecha de firma del operador anterior.
• Leer el texto no es lo mismo que extraer los datos. Nanonets y Docparser a menudo leyeron un valor correctamente pero lo colocaron en el campo equivocado, o devolvieron etiquetas de formularios impresas como si fueran datos.
• Un PDF, múltiples formularios. Extend, en su configuración predeterminada, devolvió un registro por PDF y conservó solo el primero de los tres contratos de arrendamiento en un archivo de múltiples formularios.
• Los chatbots generales de IA obtuvieron mejores resultados de los esperados en texto impreso, pero interpretaron mal las letras mayúsculas escritas a mano. ChatGPT convirtió "John Posey" en "John Poso" y "Gulfmark" en "Galfmark".

OCR de escritura a mano, en cifras

¿Qué es el OCR de escritura a mano y por qué es difícil?

El OCR de escritura a mano es una tecnología que convierte el texto manuscrito de un escaneo o foto en texto legible por máquina. Se utilizan tres términos para describirlo:

• OCR (reconocimiento óptico de caracteres) lee caracteres impresos. Los motores de OCR clásicos manejan bien el texto impreso y mal la escritura a mano.
• ICR (reconocimiento inteligente de caracteres) lee caracteres manuscritos en letra de molde, generalmente una letra por casilla en formularios estructurados.
• HTR (reconocimiento de texto manuscrito) lee escritura a mano conectada y fluida, como notas en cursiva y manuscritos históricos.

Los documentos comerciales son más difíciles de lo que sugiere cualquiera de estas etiquetas. Un formulario real mezcla texto impreso, letras de molde mayúsculas manuscritas, firmas en cursiva, sellos y notas escritas por encima. Los escaneos a menudo son faxes o fotocopias de fotocopias que llegan por correo electrónico, carga directa o API.

Leer los caracteres es solo el primer paso. Un equipo de operaciones necesita que cada valor manuscrito se extraiga en el campo correcto y se valide en un formato que su hoja de cálculo, sistema de planificación de recursos empresariales (ERP) o base de datos pueda importar. Eso es lo que probamos: no "¿puede la herramienta leerlo?", sino "¿el valor correcto termina en el campo correcto?".

¿Qué herramienta de OCR de escritura a mano fue la más precisa?

Parseur fue la herramienta más precisa en nuestra prueba de OCR de escritura a mano de octubre de 2026, con 209 de 209 campos correctos. Le siguieron ChatGPT (90,0 %) y Gemini (86,1 %).

Fuente: Benchmark de OCR de Escritura a Mano de Parseur 2026, probado en octubre de 2026.

El puesto de Extend se debe principalmente a un documento. En su configuración predeterminada, devolvió un registro por PDF y omitió dos de los tres arrendamientos en un archivo de formularios múltiples, lo que representa 28 de sus 34 errores. En los formularios que sí extrajo, Extend cometió 6 errores y leyó la escritura a mano casi tan bien como Parseur.

¿Cómo le fue a cada herramienta en cada documento?

En nuestra prueba, Parseur fue la única herramienta que extrajo todos los campos en cada formulario, y solo Parseur y Extend lograron procesar correctamente casi todo el formulario 449_155, que contiene una gran cantidad de texto manuscrito.

Los siete documentos son registros de petróleo y gas públicos y reales de la Comisión de Ferrocarriles de Texas, extraídos de ExtractBench, el benchmark público de LlamaIndex para la extracción de documentos. Seis son formularios P-4, que registran un cambio de operador de arrendamiento, y un archivo agrega un formulario P-6, que solicita una subdivisión de arrendamiento. La sección de documentos de prueba a continuación describe cada uno.

Fuente: Benchmark de OCR de Escritura a Mano de Parseur 2026, probado en octubre de 2026. Desliza hacia los lados en pantallas pequeñas.

Las herramientas no difirieron en los formularios impresos. En los contratos de arrendamiento impresos 457_159, cuatro herramientas obtuvieron 64 o más de 66. Las diferencias se hicieron evidentes en las letras de molde mayúsculas, los correos electrónicos en cursiva y los formularios con notas superpuestas.

¿Qué sale mal al extraer datos de formularios manuscritos?

En nuestra prueba, los errores en formularios manuscritos siguieron cinco patrones: escritura a mano mal leída, notas de revisión tomadas como datos, texto correcto en el campo equivocado, formularios omitidos en archivos PDF de múltiples formularios y tablas manuscritas rotas. Cada uno habría enviado datos incorrectos a un sistema empresarial sin que nadie lo notara.

1. ¿Qué herramientas leyeron mal nombres y correos electrónicos manuscritos?

ChatGPT, Gemini, Nanonets y Docparser leyeron mal las mayúsculas manuscritas en 449_155 y 223_41. Parseur y Extend leyeron correctamente cada ejemplo a continuación.

Un nombre mal leído es peor que un campo en blanco. "John Poso" parece un nombre real, por lo que nadie lo verificaría, y el registro ya no coincidiría con el operador en ningún otro sistema.

2. ¿Qué herramientas convirtieron notas de revisión en firmas?

Tres de las seis herramientas registraron la fecha de aprobación de un revisor de la RRC como la fecha de firma del operador anterior: ChatGPT, Extend y Nanonets. Parseur, Gemini y Docparser dejaron el campo vacío.

En tres formularios, un revisor de la RRC escribió "O/K to process" (OK para procesar) con iniciales y una fecha en la línea de firma del operador anterior. Ningún operador previo firmó estos formularios. Las líneas de nombre, título, fecha y teléfono están vacías, y un formulario está anotado con "Una firma" (One Signature).

• ChatGPT devolvió el 28-04-2010, la fecha del revisor, como la fecha de firma en 443_152, y una fecha que no está en el formulario en absoluto en 433_147. En el 257_58, fusionó la nota con el nombre del operador: "Schaaron International Energy Oil & Gas - OGC - TMO - 81911".
• Extend devolvió la fecha del revisor en 433_147 y 443_152, y en 443_152 utilizó las iniciales del revisor como el nombre del firmante.
• Nanonets devolvió la fecha del revisor en 433_147 y 257_58, y en 257_58 llenó el firmante anterior con el nombre del firmante actual y el título con la nota en sí.

Gemini lo manejó sin ninguna instrucción especial. Para un equipo de operaciones, este error crea un registro de una firma que nunca sucedió.

3. ¿Qué herramientas pusieron texto correcto en el campo equivocado?

Nanonets y Docparser a menudo leyeron un valor correctamente pero lo devolvieron en el campo equivocado, o devolvieron texto impreso del formulario como un valor.

• Nanonets puso el número P-5 del operador en el campo del ID del contrato de arrendamiento en 433_147 y 449_155, un ID de arrendamiento en el campo del distrito RRC en 257_58, y las etiquetas impresas de las casillas de verificación "Authorized agent of previous operator" y "Authorized Employee" como el nombre y título del firmante anterior en 223_41.
• Docparser mezcló las instrucciones del formulario en el nombre del operador anterior ("responsibility well(s) designated filing… ROCKER A OPERATING COMPANY"), agregó un código de país +63 a cada número de teléfono y leyó la fecha efectiva 6-1-11 como 2011-01-06.
• ChatGPT agregó un número de pozo, "10A", al contrato de arrendamiento Lela, el cual no enumera pozos.

Estos son los errores más difíciles de detectar, porque cada valor parece plausible por sí solo.

4. ¿Qué herramientas manejaron varios formularios en un solo PDF?

Cuatro de las seis herramientas extrajeron los tres contratos de arrendamiento de 457_159, un único PDF que contiene tres formularios P-4. Parseur, ChatGPT, Gemini y Nanonets devolvieron un registro por página.

• Extend, con su opción de Múltiples archivos (Multifile) desactivada, devolvió un registro para todo el PDF y conservó solo el primer arrendamiento, perdiendo 28 campos.
• Docparser encontró los nombres y los ID del segundo y tercer contrato de arrendamiento, pero poco más, perdiendo 23 campos.

Los archivos regulatorios escaneados, las notas de entrega, los conocimientos de embarque y los paquetes de solicitudes a menudo llegan como un PDF con varios formularios en su interior. Una herramienta que devuelve un registro por archivo descarta en silencio el resto.

5. ¿Qué herramientas pudieron extraer una tabla manuscrita?

Solo ChatGPT reprodujo exactamente la tabla de arrendamientos manuscrita en el formulario P-6. Puntuamos esta tabla por separado de los 209 campos porque no todas las herramientas incluían campos de tabla en su configuración.

La respuesta correcta consta de dos contratos de arrendamiento resultantes: 265 acres con los pozos 1WSW, del 1 al 7 y números API 10 y 9; y 60 acres con 3 números API.

Aquí es donde Parseur se quedó corto: cada valor era correcto, pero una división por arrendamiento requiere configurar un campo de tabla para ello. Un campo de tabla en la configuración devolvería una fila por cada arrendamiento resultante.

Resultados herramienta por herramienta

Parseur: 209/209. Parseur es una plataforma de procesamiento inteligente de documentos (IDP) para equipos de operaciones que reciben documentos de muchos remitentes y necesitan los datos en sus propios sistemas. Lee texto impreso y escritura a mano con software OCR integrado, extrae los campos que tú defines en lenguaje sencillo y envía los datos a Excel, Google Sheets, ERPs y otros sistemas empresariales a través de integraciones, webhooks o su API. Se ha ejecutado en producción desde 2016, ha procesado más de 100 millones de documentos, está alojado en la UE y cumple con SOC 2 Tipo II.

En esta prueba, leyó cada nombre, correo electrónico y dirección manuscritos correctamente, ignoró las notas de revisión y devolvió un registro por formulario en archivos PDF de múltiples formularios. En su primera pasada, Parseur tuvo algunos errores de extracción transitorios en texto difícil de leer. Refinamos la configuración de sus campos, reprocesamos los documentos afectados varias veces y nos quedamos con el resultado que se extrajo de manera más consistente. Su única debilidad fue la tabla de arrendamiento manuscrita, devuelta como una sola lista en lugar de estar dividida por arrendamiento.

ChatGPT (GPT-6 Instant): 188/209. Casi perfecto en formularios impresos y la única tabla manuscrita exacta. Leyó mal las mayúsculas manuscritas y los correos electrónicos (8 errores en 449_155), registró la fecha de un revisor como una firma y agregó un número de pozo que no está en el formulario. La salida es JSON en un chat, por lo que moverla a otro sistema es un paso manual.

Gemini 3: 180/209. Limpio en los formularios impresos y, junto con Parseur y Docparser, una de las tres herramientas que nunca tomó una nota de revisión como un dato de firma. Cometió la mayor cantidad de errores en escritura a mano después de Nanonets (16 en 449_155 y 223_41), e inventó un arrendamiento extra en la tabla manuscrita.

Extend: 175/209. El lector de escritura a mano más sólido después de Parseur, con 1 error en los dos formularios más manuscritos, además de una puntuación de confianza y una cita de origen para cada campo. En su configuración predeterminada, conservó solo el primer arrendamiento de un PDF con varios formularios, tomó notas de revisión como datos de firma en dos formularios y devolvió la fecha efectiva de solo mes "2/2014" como vacía.

Nanonets: 151/209. Correcto en formularios impresos limpios. En formularios manuscritos, a menudo puso valores correctos en el campo equivocado, devolvió etiquetas impresas de formularios como datos y leyó mal los nombres. Con la configuración basada en campos que utilizamos, no extrajo ninguna tabla.

Docparser: 136/209. Encontró valores impresos en formularios limpios como el 443_152. Omitió muchos campos en el 433_147 (16 errores), mezcló instrucciones del formulario en los valores, agregó un código de país +63 a los números de teléfono y reordenó las fechas.

Cómo hicimos las pruebas

Probamos seis herramientas en los mismos siete formularios escaneados en octubre de 2026, evaluamos 209 campos por herramienta contra una única hoja de respuestas y publicamos los errores de todas las herramientas, incluidos los de Parseur.

1. Elegimos los documentos. Tomamos siete archivos públicos parcialmente manuscritos del conjunto de datos ExtractBench, elegidos para cubrir texto impreso, mayúsculas en letra de molde, cursiva, valores tachados, notas de revisión, un escaneo borroso y un PDF con varios formularios.
2. Definimos los campos. Definimos 22 campos para cada formulario P-4 y 11 campos de encabezado para el formulario P-6, la misma lista para cada herramienta.
3. Construimos la hoja de respuestas a partir de los escaneos originales antes de puntuar, y verificamos minuciosamente cada valor manuscrito difícil de leer.
4. Ejecutamos cada herramienta en los siete documentos con la configuración de la tabla a continuación, y guardamos capturas de pantalla y exportaciones de cada resultado.
5. Evaluamos cada campo comparándolo con la hoja de respuestas utilizando las reglas de puntuación a continuación, y verificamos cada error con el escaneo original.

Documentos de prueba

Utilizamos siete registros reales y públicos de la Comisión de Ferrocarriles de Texas (regulador de petróleo y gas del estado), tomados del conjunto de datos ExtractBench publicado por LlamaIndex. El formulario P-4 registra un cambio de operador de arrendamiento. El formulario P-6 solicita una subdivisión de arrendamiento. Combinan texto impreso, letras de molde mayúsculas, cursiva, sellos y notas de revisión, de la forma en que lo hacen muchos formularios comerciales.

Cada formulario P-4 fue puntuado en 22 campos: nombre del campo, nombre del arrendamiento, operador, número de operador (P-5), ID de arrendamiento o gas, condado, distrito RRC, dirección, números de pozos, fecha efectiva, recolector de petróleo y porcentaje de participación, el operador anterior con el nombre de su firmante, título, fecha y teléfono, y el nombre del firmante actual, título, correo electrónico, fecha y teléfono. El formulario P-6 se puntuó en 11 campos de encabezado.

Configuración de la herramienta

Reglas de puntuación

1. Los datos de referencia (ground truth) corresponden a lo que está escrito en el formulario, comparado con el escaneo original.
2. Cada formulario distinto se puntuó una vez. Las páginas duplicadas limpias no se puntuaron, por lo que los PDF de varias páginas no cuentan el doble.
3. Un valor incorrecto, faltante o inventado se consideró un error, y también lo fue una etiqueta de formulario impresa o una nota de revisión devuelta como dato.
4. Un campo en blanco donde el formulario está en blanco fue correcto. Las diferencias de formato (formato de fecha, mayúsculas, espaciado) no fueron errores.
5. Las notas "OK to process" (OK para procesar) son aprobaciones de revisión, no firmas. Cuando esto es lo único en la línea de firma, el firmante correcto, el título y la fecha están en blanco.
6. Cuando la escritura a mano admite dos interpretaciones, ambas se aceptaron para todas las herramientas: Duke o Duice, Posey o Posey Lease, y 12/18/09 o 12/13/09 en una fecha impresa borrosa.
7. Un formulario que una herramienta no extrajo contó como un error para cada campo que contuviera un valor.

Limitaciones

Esta es una prueba práctica pequeña, no un benchmark estadístico, y Parseur la ejecutó como una de las herramientas analizadas.

• Tamaño de la muestra: siete documentos, 209 campos por herramienta. Una diferencia de unos pocos campos está dentro de lo que un documento adicional podría cambiar.
• Ejecuciones: refinamos la configuración del campo de Parseur una vez, reprocesamos documentos con errores de primera pasada varias veces y conservamos el resultado más consistente.
• Configuración: Extend se probó con Multifile desactivado y Nanonets sin campos de tabla. Ambos podrían hacerlo mejor en PDF con varios formularios y tablas con una configuración diferente.
• Chatbots: ChatGPT y Gemini procesaron todos los documentos en una sola conversación, por lo que los documentos iniciales estaban en contexto para los posteriores.
• Puntuación: evaluamos los resultados basándonos en capturas de pantalla y exportaciones de la salida de cada herramienta y los verificamos con los escaneos originales.

Cómo probar el OCR de escritura a mano en tus propios documentos

Los errores en esta prueba solo aparecieron cuando verificamos cada campo contra el escaneo original. Antes de elegir una herramienta, procesa tus propios documentos con ella y verifica:

1. Tus documentos más difíciles, no los más limpios: faxes, fotocopias y formularios llenados a mano.
2. Nombres, correos electrónicos y números de referencia letra por letra. Las lecturas incorrectas se esconden aquí, porque un nombre incorrecto sigue pareciendo un nombre.
3. Que cada valor aterrice en el campo correcto, no solo en algún lugar del resultado.
4. Que las notas, sellos y etiquetas impresas no regresen como datos.
5. Que un PDF con varios formularios devuelva un registro por formulario.
6. Que las tablas manuscritas regresen fila por fila, en la estructura que espera tu sistema.

Para saber cómo Parseur lee escaneos y escritura a mano, consulta nuestra página de software OCR. Para una prueba de facturas impresas en cuatro idiomas, consulta nuestro benchmark de extracción de facturas multilingüe. Para comparar plataformas de procesamiento de documentos de manera más amplia, consulta nuestra guía sobre el mejor software de procesamiento inteligente de documentos.

Pruébalo en tus propios documentos manuscritos

Siete formularios muestran dónde fallan las herramientas, pero tus propios documentos son la verdadera prueba. Procesa tus formularios manuscritos, notas de entrega o solicitudes a través de Parseur y verifica cada campo contra el original.

Última actualización el 11 de noviembre de 2026