Usando IA para Desentrañar 10,000 Títulos de Propiedad Brasileños: Un Estudio de Caso Técnico

Contexto y Problema del Proyecto

Una empresa inmobiliaria brasileña heredó aproximadamente 10,000 títulos de propiedad en más de 10 municipios, con décadas de mala gestión. Los datos incluyen cientos de "contratos de cajón" no registrados (ventas informales nunca archivadas), ventas duplicadas de las mismas propiedades, contratos fraudulentos, poderes notariales falsificados, ocupaciones irregulares y aproximadamente 500 demandas activas que incluyen reclamaciones de usucapión, adjudicación forzosa, desalojos, disputas por ventas duplicadas y 2 demandas colectivas. El archivo físico de documentos está parcialmente en poder de la policía como parte de una investigación antigua.

Enfoque Técnico

El equipo (6 abogados + 3 operadores) decidió no construir infraestructura de antemano, optando en cambio por un enfoque de descubrimiento primero con asistencia de IA. El plan involucra cinco pasos:

• Paso 1 - Escaneo físico: Documentos organizados por municipio, escaneados en lotes con convención de nombres: [municipio]_[tipo-documento]_[secuencia] usando un escáner de documentos con ADF (alimentador automático de documentos).
• Paso 2 - OCR: Considerando Google Document AI, Mistral OCR 3, AWS Textract u otras herramientas. El equipo solicita comentarios sobre herramientas específicamente probadas en documentos degradados de registros latinoamericanos.
• Paso 3 - Descubrimiento: Alimentando la salida de OCR directamente en herramientas de IA con ventanas de contexto grandes para análisis abierto antes de configurar la base de datos. Usando Gemini 3.1 Pro (en NotebookLM u otra interfaz) para análisis amplio por lotes con indicaciones como "¿qué lotes parecen vinculados a más de un comprador?", "marcar contratos con fechas incoherentes", "identificar grupos de nombres o actividades sospechosas" y "ayúdanos a ver problemas y soluciones para lo que no estamos viendo". Ejecutando Claude Projects en paralelo para análisis similar.
• Paso 4 - Limpieza y estandarización de datos: Normalizando datos extraídos en bruto antes de la inserción en la base de datos. Abordando nombres de municipios escritos de múltiples formas ("B. Vista", "Bela Vista de GO", "Bela V. Goiás") a forma canónica, estandarizando CPFs (números de identificación personal brasileños) con y sin puntuación, corrigiendo descripciones inconsistentes del estado del lote a categorías enumeradas y emparejamiento difuso de nombres de compradores con variaciones ortográficas. Herramientas: Python + rapidfuzz para emparejamiento difuso, API de Claude para normalizar campos de texto libre en categorías. El equipo pregunta si el emparejamiento difuso + normalización por LLM es suficiente para 10,000 registros con décadas de inconsistencia o si necesitan una resolución de entidades más rigurosa (por ejemplo, Dedupe.io).
• Paso 5 - Base de datos: Pila elegida: Supabase (PostgreSQL + pgvector) con NocoDB encima. Se evaluaron tres opciones: Airtable (más fácil para comenzar pero limitado a escala), PostgreSQL directo (más control pero iteración más lenta) y Supabase + NocoDB (elegida como término medio).

El objetivo es obtener una imagen consolidada real en 30-60 días, evitando los intentos fallidos anteriores de organización.