En el ámbito de la automatización de procesos empresariales, un escenario recurrente aparece cuando equipos de operaciones necesitan interactuar con portales internos que, por razones de ciberseguridad, presentan un captcha en cada acceso. Cuando ese captcha es numérico y de longitud fija, el desafío técnico se vuelve específico y requiere una solución arquitectónica que respete la estructura conocida del problema. En lugar de recurrir a modelos generalistas de reconocimiento de texto, la estrategia óptima consiste en diseñar una red neuronal con múltiples cabezales de clasificación, cada uno encargado de predecir un dígito en una posición determinada, compartiendo un mismo extractor de características. Este enfoque, empleado por equipos especializados en ia para empresas, permite obtener una precisión del cien por cien con relativamente pocos ejemplos de entrenamiento, siempre que se integren elementos como embeddings de posición y un backbone eficiente. La decisión de no usar una arquitectura secuencial recurrente como CRNN se fundamenta en que, al conocerse de antemano que la salida tiene exactamente seis caracteres numéricos, se puede simplificar drásticamente el modelo: una red convolucional compartida extrae un vector de características, y seis clasificadores independientes operan en paralelo sobre ese mismo vector, pero enriquecido con una señal que indica qué posición deben predecir. Esta señal, un embedding aprendible por posición, evita que el backbone tenga que codificar toda la información simultáneamente y mejora la convergencia. En la práctica, cuando una empresa necesita automatizar flujos repetitivos sobre portales internos, suele enfrentarse a la disyuntiva entre esperar que el equipo propietario desarrolle una API o implementar una solución de automatización robótica de procesos. En Q2BSTUDIO, como estudio de desarrollo de aplicaciones a medida, abordamos estos casos construyendo modelos ligeros y entrenables que se integran con los sistemas existentes. La elección del backbone también es relevante: modelos como eca_nfnet_l0, disponibles en librerías modernas, aportan atención por canal y estabilidad sin necesidad de normalización por lotes, lo que facilita el entrenamiento con tamaños de lote pequeños. Las transformaciones de aumento de datos deben adaptarse al dominio: rotaciones limitadas, pequeñas traslaciones y perspectivas suaves, pero nunca volteos horizontales, pues un seis volteado podría confundirse con un nueve. Durante el entrenamiento, combinar las pérdidas de cada cabeza mediante promedio en lugar de suma mantiene una escala de gradiente coherente con la tasa de aprendizaje estándar de Adam. Una vez alcanzada la precisión perfecta en validación, un paso de test-time augmentation con versiones ligeramente recortadas de la imagen puede capturar casos límite en producción sin necesidad de complicar el modelo. Este patrón de diseño trasciende los captchas: aparece en extracción de campos en formularios con esquema conocido, en clasificación multilabel con vocabulario fijo, o en predicción de series temporales con horizonte definido. La lección fundamental es que cuando la estructura de la salida está completamente determinada, la arquitectura debe reflejar esa estructura, y no al revés. En nuestra experiencia, integrar estas soluciones con servicios cloud aws y azure permite desplegar los modelos en entornos serverless, escalando según la demanda sin mantenimiento complejo. Además, combinamos estos modelos con servicios inteligencia de negocio como Power BI para visualizar métricas de automatización, y con agentes IA que orquestan flujos completos. La ciberseguridad sigue siendo primordial: al trabajar con portales internos, nos aseguramos de que las automatizaciones cuenten con las autorizaciones explícitas, evitando cualquier violación de términos de servicio. En definitiva, cuando un proyecto requiere leer captchas internos de longitud fija, la combinación de software a medida y modelos de inteligencia artificial específicamente diseñados para la tarea ofrece resultados rápidos, precisos y mantenibles.