Documento a BPMN: generación IA en 2 minutos (2026)

Casi ninguna organización mantiene diagramas BPMN como descripción canónica de sus procesos. La descripción canónica vive en transcripciones de reuniones, documentos SOP, manuales de formación, hilos de correo, guías de incorporación, canales de Slack, y en la cabeza de quien lleva más tiempo haciendo el trabajo. El dolor histórico de la adopción de BPMN ha sido la traducción de ese sustrato de prosa desordenada a una notación visual limpia. Los flujos documento-a-BPMN nativos de IA condensan esa traducción en una sola carga de archivo.

La clave es que el lenguaje natural que describe un proceso ya es estructuralmente similar a BPMN. Las frases identifican actores (« el responsable de cumplimiento revisa »), actividades (« revisa la solicitud »), secuencia (« y luego la envía a legal ») y ramas (« a menos que el importe supere los 10.000 euros, en cuyo caso »). Un modelo de lenguaje que entienda esos patrones puede recorrer un documento y emitir una estructura BPMN sobre la marcha. El desafío no es la extracción: es gestionar las partes de la prosa que son ambiguas, contradictorias o implícitas.

El flujo de carga de LucidFlow acepta un abanico más amplio de formatos del que la mayoría de usuarios espera. Los formatos se procesan con los analizadores de documentos de la aplicación: DOCX mediante mammoth, XLSX mediante ExcelJS, PPTX mediante unzipper + extracción XML, y PDF/imágenes como datos binarios en línea que se envían directamente al modelo de visión Gemini. La lista práctica es lo bastante amplia para que rara vez tengas que preconvertir algo.

• Documentos Word (.docx): la mayoría de los SOP, documentos de política, descripciones de procesos. Las tablas dentro del documento se preservan en el texto extraído.
• Hojas de cálculo Excel (.xlsx): listas de tareas, matrices RACI, inventarios de procesos. Cada hoja se extrae como un bloque similar a CSV con el nombre de hoja como cabecera.
• PowerPoint (.pptx): diapositivas de taller, presentaciones de formación, recorridos de proceso. Texto y notas se extraen; las imágenes embebidas no (todavía).
• PDF (.pdf): contratos, documentos de política, descripciones de procesos de proveedores. Los PDF se pasan al modelo de visión como binario en línea, lo que preserva el diseño y maneja tablas mejor que la extracción de texto.
• Imágenes (.png, .jpg): fotos de pizarras, diagramas de flujo dibujados a mano, capturas de diagramas de otras herramientas. El modelo de visión las lee directamente.
• Texto sin formato y markdown (.txt, .md): notas de reunión, transcripciones de chat, resúmenes de llamada. A menudo la entrada más limpia porque no hay sobrecarga de formato para el analizador.
• BPMN 2.0 XML (.bpmn, .xml): diagramas existentes de Visio, Camunda, Bizagi, o cualquier herramienta compatible con BPMN. Importados en lugar de regenerados, así que la estructura original se preserva y la capa de enriquecimiento KPI se ejecuta encima.

El flujo de procesamiento tiene cuatro etapas, y entender cada una te ayuda a obtener mejores resultados. Las dos primeras se ejecutan en el servidor antes de que veas nada; la tercera y la cuarta son interactivas.

Etapa 1: Análisis del documento

El modelo Gemini lee los documentos y produce una representación intermedia estructurada: una lista de pasos del proceso con actores, tareas, herramientas usadas, duraciones estimadas y puntos de decisión. En esta etapa el modelo también detecta si los documentos describen un proceso o varios, y si las perspectivas mezclan as-is (estado actual), to-be (estado objetivo), puntos de dolor y deseos aspiracionales. Esta es la clasificación multi-intent: si más de una intención tiene confianza superior a 0,7, el flujo te pedirá desambiguar antes de continuar.

Etapa 2: Preguntas de clarificación

La IA genera de 3 a 6 preguntas de clarificación adaptadas a los documentos específicos. La primerísima pregunta es siempre el nivel de detalle: Detallado, Equilibrado o Resumen: porque eso controla cómo de granular será el diagrama resultante. Las preguntas siguientes se priorizan: alta prioridad bloquea el mapeo (criterio de decisión faltante, responsabilidad de actor poco clara), prioridad media rellena datos KPI importantes, baja prioridad es opcional pero deseable. Cada pregunta trae 2 a 4 respuestas sugeridas más una opción de texto libre, así que no estás forzado a una elección binaria.

Etapa 3: Generación BPMN

Con tus respuestas en la mano, el modelo genera la estructura BPMN: evento de inicio, tareas con cargas útiles KPI (duración estimada, coste, frecuencia), puertas con lógica de ramificación correctamente tipada (exclusiva frente a paralela), eventos de fin, y asignaciones de swimlane. La etapa de generación aplica un esquema con validación Zod para que las estructuras inválidas no puedan producirse: los eventos de inicio faltantes, las aristas huérfanas y los tipos de puerta mal etiquetados son todos rechazados con mensajes de error accionables en lugar de aceptados silenciosamente.

Concretamente, un único nodo de tarea generado es un objeto JSON con esta forma, almacenado en los resultados BPMN y releído por el lienzo React Flow:

{
  "id": "Task_Review",
  "type": "task",
  "position": { "x": 240, "y": 120 },
  "data": {
    "label": "Revisar factura",
    "role": "Finanzas",
    "tool": "SAP",
    "description": "Verificar correspondencia OC y totales.",
    "estimatedDuration": 15,
    "estimatedCost": 8,
    "frequency": { "count": 120, "period": "month" }
  }
}

A Process describes a sequence or flow of Activities in an organization with the objective of carrying out work.

Etapa 4: Distribución y renderizado

El BPMN generado se pasa al motor de distribución ELK, que corre en un web worker para que el hilo principal no se bloquee. ELK posiciona los nodos dentro de sus swimlanes, encamina aristas para evitar cruces, y produce las coordenadas que React Flow usa para renderizar el lienzo interactivo. El flujo de procesamiento entero: etapas 1 a 4: tarda típicamente de 60 a 90 segundos de punta a punta, sin contar el tiempo de preguntas de clarificación porque ese eres tú, no el modelo.

Un solo documento casi nunca describe un solo proceso puro. Una transcripción de taller típica cubre el proceso as-is actual, un rediseño to-be propuesto, las quejas del equipo sobre el estado actual (puntos de dolor), y una lista de cosas que desearían que existieran (deseos aspiracionales). Si la IA tratara todo esto como un proceso, el diagrama resultante sería una maraña de tareas actuales, tareas aspiracionales y quejas sobre el flujo de aprobación: estructuralmente incoherente y operativamente inútil.

El clasificador multi-intent resuelve esto detectando cuatro tipos de intención canónicos: as_is, to_be, wishlist, pain_point, y asignando cada paso del proceso a una o más de ellas. Cuando dos o más intenciones tienen confianza por encima del umbral de 0,7, el flujo hace aflorar esto y te pregunta qué intención(es) mapear. Si eliges una sola intención como as_is, el flujo genera solo ese diagrama y almacena las otras intenciones como pistas de optimización en la sesión para referencia posterior. Si eliges « Todos los procesos detectados », cada intención se convierte en su propio diagrama independiente (un as_is, un to_be, un pain_point, un wishlist), generados secuencialmente. Mantenerlos como artefactos separados, no fusionados en un solo diagrama y no superpuestos como anotaciones al pasar el ratón: es la diferencia entre un mapa útil y uno confuso.

En el panorama de 2026, la generación de un diagrama ya no es un evento aislado de 'un solo clic'. La tendencia actual es el 'BPMN vivo', donde la IA no solo lee el documento una vez, sino que mantiene un vínculo activo con la fuente. Si un manual de funciones en Notion se actualiza o si un hilo de Slack llega a un nuevo consenso sobre un paso de aprobación, la IA sugiere una actualización automática del diagrama para evitar la obsolescencia documental (source: Forrester, 2026).

• Detección de deriva: La IA identifica cuando la práctica real descrita en nuevos documentos se desvía del BPMN guardado.
• Actualizaciones incrementales: No es necesario regenerar todo el flujo; la IA propone cambios solo en los nodos afectados.
• Trazabilidad total: Cada cambio en el diagrama está vinculado directamente a la frase exacta del documento o transcripción que lo motivó.