Rocket Close Aceleró el Procesamiento de Documentos Hipotecarios en 15 Veces con AWS

Rocket Close demostró que incluso la parte más laboriosa del proceso hipotecario — el análisis de documentos — puede acelerarse radicalmente combinando OCR y modelos generativos. Trabajando con AWS Generative AI Innovation Center, la empresa construyó un sistema usando Amazon Textract y Amazon Bedrock que aumentó la velocidad de procesamiento en 15 veces y logró aproximadamente 90% de precisión combinada en segmentación de documentos, clasificación y extracción de campos. Para el negocio hipotecario, esto no es una mejora cosmética.

Un único paquete puede contener cuestionarios, extractos, cartas de verificación de ingresos, formularios de divulgación y otros documentos en forma de escaneos, PDFs y fotos. Tienen diferentes estructuras, niveles de calidad y formatos de relleno, por lo que una parte significativa del tiempo se dedica no a la toma de decisiones, sino a localizar páginas relevantes, reconocer texto y transferir datos clave a sistemas de trabajo. Es precisamente aquí donde se acumulan retrasos y errores manuales.

La solución Rocket Close divide la tarea en varias etapas claras. Amazon Textract maneja el OCR: extrae texto y estructura de documentos, incluidas tablas, formularios y escaneos mal preparados. A continuación, Amazon Bedrock implementa modelos fundacionales para lógica más compleja: no es suficiente simplemente leer una página; necesitas entender qué tipo de documento es, a qué paquete pertenece, dónde comienza una nueva sección y qué campos son realmente importantes para el procesamiento posterior.

Este sistema transforma una corriente de archivos heterogéneos en un proceso más predecible y legible por máquina. La clave aquí no es solo la velocidad, sino también el nivel de automatización. La mejora alegada de 15 veces en el tiempo de procesamiento significa que los empleados pueden procesar casos grandes más rápidamente, y parte de la verificación rutinaria sale del modo manual.

La cifra de aproximadamente 90% de precisión general también es importante: no se trata de una única métrica estrecha, sino de tres funciones simultáneamente — segmentación de documentos, clasificación y extracción de campos. Para flujos de trabajo corporativos, esto es mucho más valioso que un OCR robusto independiente sin comprensión contextual. Esto es especialmente crítico en escenarios donde un único documento perdido o mal reconocido puede devolver una solicitud e reiniciar toda la cadena de aprobación.

El papel del AWS Generative AI Innovation Center merece mención especial. Estos proyectos rara vez se reducen a una simple llamada de API a un modelo. Necesitas seleccionar una arquitectura, dividir el proceso en etapas, determinar dónde es suficiente OCR clásico y dónde se necesitan capacidades de razonamiento, y luego alinear todo esto con requisitos de calidad y resiliencia operacional.

La asociación con el equipo de AWS, juzgando por los resultados, permitió a Rocket Close avanzar más rápidamente de concepto a un sistema aplicable en flujos de documentos reales, no solo en escenarios piloto. Para el mercado, este es otro ejemplo de cómo la IA generativa se está alejando de interfaces de chat vistosas hacia procesos de back-office silenciosos pero costosos. En préstamos hipotecarios, el costo de los retrasos es especialmente visible: cuanto más tiempo tarde un paquete en la cadena de aprobación, mayor es la carga en el equipo y peor es la experiencia del cliente.

Si los documentos se procesan más rápida y confiablemente, las empresas obtienen no solo ahorro de tiempo, sino también cronogramas de transacciones más predecibles, menos transferencias manuales entre equipos y mejor control sobre la calidad de los datos. La conclusión es simple: el valor de GenAI en servicios financieros se determina cada vez menos por demostraciones vistosas y cada vez más por cuán bien aborda tareas rutinarias en cuellos de botella operacionales específicos. El caso Rocket Close muestra que combinar OCR y modelos fundacionales ya genera resultados medibles donde el procesamiento manual solía requerir horas.

Para empresas con alto volumen de documentos, esto es una señal para mirar más allá de los chatbots y examinar procesos internos donde la automatización genera impacto operacional directo.