Cuando alguien pregunta cuánto se tarda en indexar el archivo de su empresa, la respuesta que espera es una cifra en gigabytes. Es la medida que tiene a mano: el servidor dice 560 GB y parece lógico que el doble de gigabytes sea el doble de trabajo. No lo es, y la diferencia entre una estimación y otra puede ser de una semana.
Lo que cuesta no son los gigabytes, son las páginas escaneadas
Un documento digital, ese PDF que salió de un programa de facturación o el informe que alguien escribió en Word, lleva el texto dentro. Indexarlo es abrirlo, leer ese texto y guardarlo. El coste es tan bajo que a efectos prácticos es cero: miles de documentos por minuto.
Un documento escaneado no lleva texto. Lleva una fotografía de una hoja con texto, que no es lo mismo. Para poder buscar dentro hay que revelar esa imagen a 300 puntos por pulgada y reconocer las letras una por una, y eso cuesta entre 3 y 4 segundos por página en un hilo de un procesador normal, sin tarjeta gráfica.
Una página escaneada cuesta unas setenta veces más que una página digital. Todo lo demás es ruido.
Repartir el trabajo entre los núcleos lo cambia todo
Reconocer el texto de una página no depende de reconocer el de la anterior, así que se pueden procesar muchas a la vez, una por núcleo. En el equipo con el que trabajo, un portátil de 2020 con seis núcleos, se lanzan seis procesos en paralelo y la media efectiva baja de 3 o 4 segundos por página a uno solo.
Ese «uno solo» ya lleva descontado el castigo térmico. Un portátil que lleva tres horas al cien por cien baja la frecuencia del procesador y no vuelve a subirla, así que las cuentas hechas con la velocidad del primer minuto no se cumplen nunca. Sobre una torre o un servidor del cliente, con mejor refrigeración, los tiempos mejoran.
Esto es lo que sale para distintos volúmenes de material escaneado. Son horas de máquina encendida en continuo, en segundo plano y sin que nadie tenga que estar delante. Todas las cifras llevan ya un factor de seguridad de 1,3.
| Páginas escaneadas | En un solo hilo | Con seis procesos | Días de máquina |
|---|---|---|---|
| 1.000 | 1,1 h | 0,3 h | menos de 1 |
| 5.000 | 5,5 h | 1,5 h | menos de 1 |
| 10.000 | 11 h | 3 h | menos de 1 |
| 25.000 | 27 h | 7 h | 1 |
| 50.000 | 55 h | 14 h | 1 |
| 75.000 | 82 h | 21 h | de 1 a 2 |
| 150.000 | 165 h | 42 h | 2 |
| 300.000 | 330 h | 83 h | de 3 a 4 |
La conclusión práctica está en la última columna. Con el trabajo repartido, un archivo de 150.000 páginas escaneadas cabe en un fin de semana. En un solo hilo serían 165 horas, casi una semana entera, y eso obliga a dejar una máquina ocupada en casa de alguien durante días. Es la diferencia entre un proyecto que se hace en dos visitas y uno que hay que negociar.
Lo que la tabla no puede darte es tu número de páginas escaneadas. Eso depende de la calidad del escaneado, del idioma, de si la hoja está derecha y de si hay sellos o anotaciones a mano encima del texto. Por eso no se estima a ojo: se mide una muestra real del archivo antes de dar un plazo.
Por qué dos archivos del mismo tamaño no tardan lo mismo
Dos empresas con 500 GB cada una pueden estar a una semana de distancia. La primera guarda planos y renders: ficheros enormes, pocos, y con el texto dentro. La segunda guarda veinte años de albaranes escaneados a 300 puntos por pulgada: ficheros pequeños, cientos de miles, y todos hay que leerlos letra a letra.
- 500 GB de planos digitales pueden ser unas pocas horas de proceso.
- 500 GB de albaranes escaneados pueden ser varios días de máquina encendida.
- El servidor informa exactamente del mismo número en los dos casos.
De ahí sale la única cifra que sirve para estimar: el número de páginas que necesitan reconocimiento de texto. No se puede deducir del tamaño, ni del número de ficheros, ni de la antigüedad de las carpetas. Hay que abrir documentos y contar.
Cómo se cuenta sin abrirlo todo
Abrir cuatrocientos mil documentos para saber cuánto se tarda en abrir cuatrocientos mil documentos no tiene sentido. Lo que se hace es un muestreo estratificado: se toma una muestra por carpeta, no del conjunto, porque el material escaneado se concentra en sitios concretos como el archivo histórico o los contratos firmados.
- Se muestrea el 20 % de los ficheros de cada carpeta, con un mínimo de 10 documentos por carpeta.
- La muestra se reparte entre tipos de fichero, porque un PDF y una hoja de cálculo no tienen el mismo número de páginas.
- Una página se considera escaneada cuando devuelve menos de 100 caracteres de texto. Si además no tiene imágenes, es una página en blanco y no cuenta.
- El resultado se da con un margen de error al 95 % de confianza, no como una cifra exacta que nadie podría garantizar.
Durante ese recorrido no se copia ni se conserva ningún documento. Se cuentan páginas y caracteres, y el texto se descarta en el momento. Lo único que queda escrito son rutas y cifras.
Qué hacer con el número una vez lo tienes
La cifra de páginas escaneadas no sirve solo para poner un plazo. Sirve para decidir qué se indexa. Es muy habitual que una sola carpeta concentre la mayor parte del trabajo, y que sea precisamente la que nadie abre desde hace diez años.
Dejarla fuera puede reducir el proceso de cuatro días a uno. Esa decisión es del cliente, pero solo puede tomarla si alguien le pone el número delante. Sin medir, la conversación se queda en que el archivo es muy grande, que no es un dato.