Rocket Close procesa documentos hipotecarios 15 veces más rápido con AWS

Rocket Close ha demostrado que incluso la parte más pesada del proceso hipotecario, el análisis de documentos, se puede acelerar de forma radical si se combinan OCR y modelos generativos. Junto al AWS Generative AI Innovation Center, la compañía ha desarrollado un sistema basado en Amazon Textract y Amazon Bedrock que acelera el procesamiento 15 veces y eleva la precisión conjunta de segmentación, clasificación y extracción de campos hasta aproximadamente el 90%.

Para el negocio hipotecario, esto va mucho más allá de una mejora cosmética. Un mismo expediente puede incluir solicitudes, extractos, justificantes de ingresos, formularios de divulgación de información y otros documentos que llegan como escaneos, PDF y fotografías. Cada uno tiene una estructura, una calidad y un formato de cumplimentación distintos, así que buena parte del tiempo no se dedica a tomar decisiones, sino a localizar las páginas necesarias, reconocer el texto y trasladar los datos clave a los sistemas de trabajo. Es precisamente en esta fase donde más se acumulan los retrasos y los errores manuales.

La solución de Rocket Close divide la tarea en varias fases bien definidas. Amazon Textract se encarga del OCR: extrae el texto y la estructura de los documentos, incluidas tablas, formularios y escaneos de mala calidad. Después, Amazon Bedrock incorpora foundation models para la lógica más compleja: además de leer la página, hay que entender qué documento es, a qué expediente pertenece, dónde empieza una nueva sección y qué campos importan de verdad para el procesamiento posterior. Con este stack, un flujo de archivos heterogéneos se convierte en un proceso más predecible y legible por máquinas.

La clave está tanto en la velocidad como en el nivel de automatización. La mejora declarada de 15x en tiempo significa que los empleados pueden avanzar más rápido en los casos voluminosos y que parte de la verificación rutinaria deja de hacerse a mano. La cifra de alrededor del 90% de precisión global también es relevante: no se refiere a una única métrica concreta, sino a tres funciones a la vez, la segmentación de documentos, su clasificación y la extracción de campos.

Para un workflow corporativo, esto resulta mucho más útil que un OCR potente por separado que no entiende el contexto. Y pesa especialmente allí donde un solo documento omitido o mal reconocido puede devolver la solicitud a una fase anterior y reiniciar toda la cadena de aprobaciones.

Merece mención aparte el papel del AWS Generative AI Innovation Center. Este tipo de proyectos rara vez se limita a llamar a un modelo a través de una API. Hay que elegir la arquitectura, dividir el proceso en fases, decidir dónde basta con el OCR clásico y dónde hace falta capacidad de reasoning, y después encajarlo todo con los requisitos de calidad y estabilidad operativa. A juzgar por el resultado, la colaboración con el equipo de AWS permitió a Rocket Close pasar más rápido de la idea a un sistema aplicable en la gestión documental real, y no solo en escenarios piloto.

Para el mercado, es otro ejemplo de cómo la IA generativa sale de las interfaces de chat de demostración y llega a procesos de back office discretos, pero costosos para el negocio. En el sector hipotecario, el coste de un retraso se nota especialmente: cuanto más tarda un expediente en recorrer la cadena de verificaciones, mayor es la carga del equipo y peor la experiencia del cliente. Si los documentos se analizan de forma más rápida y estable, la compañía ahorra tiempo y, además, gana plazos de cierre más predecibles, menos traspasos manuales entre equipos y un mejor control de la calidad de los datos.

La conclusión es sencilla: el valor de la IA generativa en los servicios financieros depende cada vez menos de demos vistosas y cada vez más de su capacidad para eliminar tareas rutinarias en cuellos de botella operativos concretos. El caso de Rocket Close muestra que la combinación de OCR y foundation models ya ofrece resultados medibles allí donde antes hacían falta horas de procesamiento manual. Para las empresas con un gran volumen documental, es una señal para mirar más allá de los chatbots y fijarse también en los procesos internos, donde la automatización tiene un efecto operativo directo.