El reconocimiento óptico de caracteres en el ecosistema de Microsoft abarca hoy varias aplicaciones y servicios, desde SharePoint hasta Purview y Copilot. Cada componente cumple una función distinta, con sus propias condiciones de activación y limitaciones. El OCR de Microsoft en Office y SharePoint no se reduce a una única función: es un conjunto de mecanismos que funcionan en paralelo, a veces sin que el usuario sea consciente de ello.
OCR para búsquedas y OCR de cumplimiento de Purview: dos mecanismos distintos
Es frecuente confundir el OCR de SharePoint con una función monolítica. En realidad, coexisten dos circuitos. El primero extrae el texto de imágenes y documentos digitalizados para que se puedan consultar mediante la búsqueda de SharePoint. El segundo, en Microsoft Purview, analiza las imágenes para aplicar reglas de cumplimiento, en particular la protección contra la pérdida de datos (DLP).
El administrador debe activar cada uno de estos circuitos por separado. El OCR de Purview es opcional y requiere una configuración específica: hay que elegir las ubicaciones que se analizarán y configurar las directivas DLP asociadas. Activar el OCR para las búsquedas no significa que las imágenes vayan a analizarse con fines de cumplimiento.
Para profundizar en el funcionamiento del OCR de Microsoft en Office y SharePoint, conviene prestar especial atención a las diferencias de licencia entre estos dos usos, ya que determinan qué está realmente disponible en cada suscripción.

Indexación de SharePoint: lo que el OCR no garantiza
Guardar un PDF digitalizado en una biblioteca de SharePoint con el OCR activado no hace que el documento se pueda encontrar de inmediato. La indexación se realiza en segundo plano y no tiene un plazo garantizado, ya que depende de la carga del servicio y del volumen de contenido. No hay ningún ajuste que permita forzar un procesamiento instantáneo.
Esta latencia tiene consecuencias concretas en las organizaciones que gestionan grandes volúmenes de documentos escaneados. Un departamento de contabilidad que suba cincuenta facturas digitalizadas puede comprobar que algunas no aparecen en los resultados de búsqueda hasta varias horas después.
Calidad del escaneo y fiabilidad de la extracción
Microsoft señala que la calidad de los caracteres y del escaneo afecta directamente al resultado del OCR. Un documento fotografiado torcido, con una iluminación irregular o una resolución baja, producirá una extracción de texto incompleta o incorrecta. Los formularios manuscritos plantean un problema similar: el OCR procesa la escritura a mano, pero la tasa de reconocimiento disminuye cuando la letra es poco legible.
Tres factores reducen la calidad de la extracción:
- Un contraste bajo entre el texto y el fondo, habitual en formularios preimpresos o etiquetas industriales en color
- La rotación o deformación del documento, aunque sea leve, que dificulta que el motor OCR segmente el texto en líneas y palabras
Copilot y OCR: una capa adicional que conviene entender
La llegada de Copilot a Microsoft 365 añade una nueva dimensión al procesamiento de documentos digitalizados. Copilot puede resumir archivos PDF, incluidos los procesados mediante OCR, y responder preguntas sobre su contenido. Esta capacidad se basa en la capa de texto extraída: sin un OCR previo, Copilot no puede leer un PDF que solo contiene imágenes.
Por tanto, la diferencia entre un PDF nativo (generado desde un procesador de textos) y un PDF digitalizado (procedente de un escáner) sigue siendo determinante. Un PDF nativo ya contiene una capa de texto. Un PDF digitalizado sin procesamiento OCR sigue siendo opaco tanto para Copilot como para la búsqueda de SharePoint.
Limitaciones conocidas del procesamiento con Copilot
La precisión de la extracción varía según el idioma y el tipo de documento. Los documentos multilingües o que combinan texto impreso con anotaciones manuscritas siguen siendo casos límite en los que puede ser necesario verificar manualmente el resultado.
Copilot funciona en OneDrive, SharePoint, Teams y Edge, pero el OCR subyacente depende de que esté activado en el nivel del tenant. Si el OCR no está configurado en el centro de administración de SharePoint, Copilot no dispondrá de la capa de texto necesaria para procesar los documentos digitalizados.

Clasificación de contenido histórico: un paso que suele olvidarse
Las organizaciones que adoptan el OCR de SharePoint suelen centrarse en los documentos entrantes. Los archivos existentes, que a veces suman miles de documentos almacenados en las bibliotecas, no se vuelven a procesar automáticamente. La clasificación a petición de Purview permite ponerse al día, pero requiere que el administrador tome medidas explícitas.
Este aspecto rara vez se aborda en las guías de inicio. Una empresa que active hoy el OCR podrá consultar sus futuros documentos, pero sus archivos históricos permanecerán tal como están hasta que se inicie un nuevo procesamiento. El esfuerzo necesario dependerá del volumen, el formato y la organización de los archivos existentes.
Formatos compatibles con el OCR de SharePoint
Los archivos que ya cuentan con una capa de texto no se vuelven a procesar. Esta selectividad significa que el OCR no modifica los PDF nativos ni crea duplicados de texto.
El funcionamiento del OCR en el ecosistema de Microsoft se basa en varios componentes que deben activarse, configurarse y supervisarse por separado. No hay un único botón que permita consultar todos los documentos de una sola vez. La diferencia entre el OCR para búsquedas, el OCR de cumplimiento y el procesamiento de Copilot determina lo que cada usuario puede esperar realmente del sistema.



