Agente IA en n8n para extraer automáticamente los datos de una factura en PDF

Este paso inicial te permite probar manualmente la automatización de lectura de facturas PDF. El nodo Manual Trigger en n8n es ideal para simular paso a paso el proceso y verificar que todos los campos (monto, proveedor, IBAN, etc.) se extraen correctamente.

Es la mejor forma de confirmar que tu agente IA analiza cada archivo y recupera la información adecuada antes de añadir un disparador real como nuevo correo recibido, archivo añadido a Drive o llamada API.

➡️ Configuración:

• Tipo de disparador: Manual Trigger
• Uso: Lanzar manualmente el workflow para probar una o varias facturas PDF

Inicia tu primera prueba haciendo clic en “Ejecutar Workflow” desde el editor de n8n.

Este paso escanea automáticamente una carpeta específica en tu Google Drive para recuperar todas las facturas PDF listas para ser procesadas. Cada archivo será analizado individualmente por el agente IA.

💡 Consejo: Para encontrar el ID de tu carpeta de Drive, abre la carpeta en tu navegador — el ID aparece en la URL después de /folders/.

➡️ Configuración:

• Módulo: Google Drive
• Operación: Listar todos los archivos de una carpeta
• Carpeta: ID de la carpeta que contiene tus facturas PDF
• Autenticación: Tu cuenta de Google Drive conectada a n8n

Este paso utiliza un nodo Loop en n8n para procesar cada factura PDF de forma individual. Así se garantiza que cada archivo se analice por separado, evitando solapamientos de datos o colisiones en el flujo de trabajo.

Al recorrer la lista de archivos, tu automatización trata cada factura como un elemento independiente: desde la extracción del texto hasta el análisis con IA y la estructuración de los datos.

➡️ Configuración:

• Módulo: Loop
• Operación: Iterar sobre la lista de archivos PDF
• Objetivo: Garantizar que cada factura se procese de forma aislada

Este paso descarga automáticamente el archivo PDF de la factura desde una carpeta de tu Google Drive, utilizando el ID de archivo dinámico recuperado durante el paso anterior del bucle.

➡️ Configuración:

• Módulo: Google Drive
• Operación: Descargar archivo
• Archivo: ID de archivo dinámico (desde el bucle)
• Autenticación: Tu cuenta de Google conectada en n8n

💡 También puedes sustituir Google Drive por un módulo de Gmail, un webhook o la API de tu ERP si las facturas provienen de otra fuente.

Este paso permite guardar el archivo PDF de la factura en tu servidor local utilizando el nodo ReadWriteFileFromDisk. Es una etapa esencial para preparar el documento para la extracción automática de texto mediante un comando de terminal.

➡️ Configuración:

• Módulo: ReadWriteFileFromDisk
• Acción: Escribir archivo
• Ruta: /tmp/doc.pdf (o ajusta según tu configuración)
• Contenido: Archivo PDF descargado desde Google Drive

💡 Este paso es obligatorio si quieres ejecutar comandos como pdftotext en tu servidor para extraer los datos de la factura.

En este paso utilizamos el comando pdftotext (incluido en la biblioteca Poppler) para convertir la factura en PDF en un archivo de texto plano. Este formato es esencial para que el agente IA pueda analizar y estructurar correctamente los datos extraídos de la factura.

➡️ Comando ejecutado: pdftotext /tmp/doc.pdf /tmp/doc.txt

Este método permite extraer todos los campos visibles de una factura: número, fecha, líneas de producto, IVA, importe total, IBAN y más.

¿No sabes cómo instalar pdftotext? Pregúntale a ChatGPT según tu sistema (Ubuntu, Docker, Mac…) o contáctanos.

En este paso, utilizamos el nodo Read File from Disk para cargar el contenido en texto plano previamente extraído de la factura PDF. Estos datos se enviarán al agente IA para su análisis y extracción estructurada.

Este paso es fundamental para garantizar que el agente IA reciba una entrada limpia y legible, lo que permite un procesamiento preciso.

Este paso utiliza el nodo Information Extractor con un agente IA basado en OpenAI para analizar el contenido en texto plano de la factura PDF y extraer automáticamente los datos clave: número de factura, fecha, importe, cliente, proveedor, IBAN, y más.

➡️ Configuración recomendada:

• Modelo: GPT-4 o GPT-3.5 Turbo
• Input: Texto plano extraído (desde /tmp/doc.txt)
• Output: Objeto JSON con los campos estructurados

💡 Puedes personalizar los campos extraídos según tus necesidades: dirección del cliente, número de pedido, base imponible, impuestos, etc.

El texto limpio se envía a un agente IA impulsado por GPT-4o, utilizando LangChain. Este agente está entrenado para extraer automáticamente todos los datos clave de la factura: número de factura, fecha, cliente, proveedor, subtotal, total con impuestos, IBAN, líneas de producto y más.

➡️ Prompt: Salida en formato JSON con campos estandarizados, optimizada para Google Sheets (por ejemplo, usando comillas simples para evitar problemas de formato de números).

En esta etapa, se utiliza el nodo Set para organizar los campos clave de la factura: número de factura, fecha, importe total, cliente, etc. Cada campo se limpia y se formatea para integrarse sin errores en Google Sheets, Notion o cualquier otra herramienta.

➡️ Consejo: Puedes renombrar los campos, transformar los formatos (por ejemplo, fechas o importes) y preparar fácilmente los datos para exportarlos o almacenarlos.

La información extraída de la factura (importe, fecha, cliente, proveedor, IBAN, etc.) se añade automáticamente como una nueva fila en una hoja de cálculo de Google Sheets. Cada columna corresponde a un campo claramente definido.

➡️ Conexión: Google Sheets conectado a tu cuenta

Puedes sustituir fácilmente esta salida por Notion, Airtable, un ERP, una herramienta de facturación o una base de datos SQL según tus necesidades.