casos de uso · Verificación KYC

Lee el expediente antes que una persona

Dar de alta a un cliente es leer un DNI, una escritura, una factura de suministro y un formulario, y comprobar que los cuatro concuerdan. Es trabajo documental, es el cuello de botella de toda apertura de cuenta y va sobre los documentos que menos quieres mandar a ningún sitio.

cómo funciona

Cómo se monta.

Tres pasos, con el componente que hace el trabajo en cada uno.

paso 01

Leer los documentos como imágenes

gemma-4-26b

Un modelo multimodal lee la foto del DNI, la escritura escaneada y la foto de móvil de una factura, y devuelve campos estructurados. Sin etapa de OCR aparte que ajustar y con las entradas incómodas que los clientes mandan de verdad resueltas como llegan.

paso 02

Contrastar las cuatro fuentes

deepseek-v4-flash

Nombre contra nombre, domicilio contra domicilio, sociedad contra la persona que dice representarla, fechas contra validez. La mayoría de expedientes concuerdan y pasan. El valor está en detectar con fiabilidad los que no.

paso 03

Dar al analista una razón

review queue

Un expediente marcado llega con la discrepancia señalada y los dos valores uno al lado del otro, así la revisión es una decisión y no una búsqueda. Nada se aprueba ni se rechaza sin una persona, porque esa decisión está regulada y es suya.

drop-in

Cambia una línea. El código se queda.

Apunta el SDK de OpenAI, o LangChain, LlamaIndex, el pipeline que ya tengas, a Helmcode. Mismas llamadas, mismas formas, modelos privados en infraestructura de la UE.

leer_los_docs
verify.py
from openai import OpenAI

client = OpenAI(
    api_key="sk-...",
    base_url="https://api.helmcode.com/v1",  # one line changes
)

# 1 · read the ID, the deed and the bill as images
fields = client.chat.completions.create(
    model="gemma-4-26b",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": RETURN_JSON},
            {"type": "image_url",
             "image_url": {"url": scan}},
        ],
    }],
    response_format={"type": "json_object"},
)

# 2 · cross-check against the form, flag what disagrees
mismatches = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{
        "role": "user",
        "content": fields + form,
    }],
)

por qué aquí

Por qué en Helmcode.

Lo que cambia al ejecutarlo sobre modelos abiertos en infraestructura que controlas.

01

Los documentos de identidad son lo peor que puedes mandar fuera

Una carpeta de fotos de DNI es el objetivo más atractivo de todos tus sistemas. Inferencia solo en la UE con cero logs la mantiene fuera de un tercero y el despliegue on-premise la mantiene dentro de la red en la que ya está.

02

Las altas llegan a picos

Una campaña o un lanzamiento multiplican la cola durante quince días y luego baja. La tarifa plana absorbe el pico sin una conversación de presupuesto y sin que la cola sea el motivo de que la campaña rinda menos.

03

Lo que esto no es

Esto es la comprobación documental, no el screening de sanciones y PEP. Eso son problemas de cotejo contra listas, hay proveedores dedicados que lo hacen bien y no vamos a fingir lo contrario. Esto va antes y les entrega el dato limpio.

sectores

Dónde se usa.

Los sectores donde este caso tiene tracción, cada uno con su página y su normativa.

todos_los_sectores →

En producción en

// faq

Verificación KYC, respondida.

Lo que preguntan los equipos de alta y de compliance antes de que un modelo lea un documento de identidad.

¿Sustituye esto a nuestro proveedor de KYC?

La parte de screening no y probablemente tampoco las comprobaciones de vida y de autenticidad documental, que son un campo especializado. Sustituye la lectura y el contraste manuales que hay alrededor, que es donde normalmente se van los días.

¿Detecta un documento falsificado?

Puede notar que algo es inconsistente: una tipografía que no corresponde, una fecha que no puede ser, un campo que contradice otro documento. No es una comprobación forense de autenticidad y usarlo como tal sería el modo equivocado de usarlo.

¿Se puede automatizar la decisión de alta?

Mantén a una persona en la decisión. Más allá de la normativa de prevención de blanqueo que rige quién puede aprobar a un cliente, una decisión automatizada con efectos jurídicos sobre alguien mete en juego el artículo 22 del RGPD. El diseño sensato es un modelo que prepara el expediente y una persona que lo firma.

// empezar

EMPIEZA A QUEMAR TOKENS

Olvídate de la infra de IA. Despliega hoy el primer endpoint de inferencia privada.

Tarifa plana. Datos en la UE. Compatible con la API de OpenAI.