Preparar documentos para la IA es la parte que nadie enseña en una demo de RAG. No es tan llamativa como conversar con un asistente que responde en segundos, pero determina si esa respuesta será fiable cuando el sistema llegue a producción.
La mayoría de proyectos RAG corporativos empiezan con una PoC impresionante y acaban con una producción decepcionante. La conversación con Dirección, cuatro meses después, es siempre parecida: “funcionaba en la demo”, “el modelo es bueno”, “el ingeniero dice que ha probado tres prompts y ninguno mejora las respuestas”. El proyecto se atasca. Y, en nueve de cada diez casos, el problema no está donde el equipo lo está buscando. No es el modelo, no es el prompt y no es el coste de tokens. Está en algo mucho menos glamuroso: cómo se preparan los documentos para la IA antes de la primera pregunta.
El 80% de la calidad de un sistema RAG se decide en el pre-procesado. Preparar documentos para la IA es un trabajo invisible, paciente, casi artesanal —y precisamente por eso, infravalorado. Este artículo recorre los pasos concretos de ese pre-procesado: extracción de texto multi-motor, conversión a Markdown, limpieza OCR, reconocimiento de entidades nombradas, enriquecimiento con metadatos y modos de chunking. Cada uno aporta un porcentaje a la calidad final del sistema. Saltarse alguno explica buena parte de los proyectos que fracasan.
Hay una intuición errónea muy extendida: la calidad de un sistema RAG depende del LLM elegido. La intuición es errónea porque los LLM modernos son razonablemente buenos en condiciones razonables. Si el contexto que reciben es claro, completo y bien estructurado, la respuesta será buena. Si el contexto está roto, no hay LLM que lo arregle.
El principio es el mismo que en cualquier sistema de aprendizaje automático: garbage in, garbage out. Pero en RAG, el “garbage” no son etiquetas mal puestas; son chunks de texto mal extraídos, sin contexto, contaminados con cabeceras y pies de página, con errores de OCR y sin metadatos del documento al que pertenecen. La IA no sabe que está leyendo el pie de página número 7 del informe trimestral en lugar de la conclusión —solo ve un fragmento de texto.
Tres consecuencias prácticas se derivan de esto:
Preparar un corpus para RAG no consiste únicamente en extraer el texto y dividirlo en fragmentos. Requiere de una secuencia de operaciones que preserve la estructura del documento, elimine el ruido y añada el contexto necesario para que el sistema recupere la información correcta. Estos son los cinco pasos fundamentales:
No todos los documentos son iguales y no todos los motores de extracción de texto son iguales. Un PDF nativo —generado a partir de un Word o de una plantilla— tiene texto extraíble directamente con librerías como pypdf o pymupdf. Un PDF escaneado requiere OCR. Un PDF con tablas complejas, sellos y firmas necesita motores especializados (Azure Vision, Google OCR, ABBYY). Un Word, un Excel o un HTML tienen extractores propios.
Preparar documentos para la IA correctamente exige seleccionar el motor adecuado por tipo de documento. Una plataforma documental seria ofrece varios motores conectables y permite seleccionar por contexto: motor local para datos sensibles, motor cloud para volumen alto, motor especializado para casos complejos.
En Athento, el pipeline de extracción de texto soporta múltiples engines —textract, pypdf, pymupdf, Tesseract, Azure Vision, Google OCR y otros— y permite configurarlos por tipo documental o por base de conocimiento. La elección no es académica: un OCR pobre sobre un documento sensible degrada la calidad del RAG mucho más que cualquier elección posterior.
La extracción de texto plana —donde el resultado es una cadena lineal sin estructura— pierde una información crítica para la IA: la jerarquía del documento. Un encabezado de sección no es lo mismo que el texto del cuerpo. Un pie de página no es lo mismo que un punto clave del informe. Cuando el chunker corta el documento en fragmentos, esta diferencia desaparece y los chunks salen mezclados.
La conversión a Markdown resuelve este problema. Markdown preserva la jerarquía con marcadores simples (#, ##, ###) que el modelo entiende. La operación de conversión recorre el documento original, detecta encabezados por tamaño de fuente o por convenciones tipográficas, los marca como Markdown y elimina elementos ruidosos como cabeceras y pies de página repetidos.
Tres detalles importantes:
Un documento mal convertido a Markdown produce chunks que parecen sensatos individualmente pero no responden bien en agregado. Un documento bien convertido parece muy similar al ojo, pero el RAG funciona. Si el documento ha pasado por OCR, hay errores. Es inevitable. Las letras se confunden (l por 1, O por 0), las palabras se parten en medio (“infor mación”), aparece ruido (puntos perdidos, símbolos extraños). En texto plano, estos errores son ruido tolerable. En un sistema RAG, donde el vector se calcula a partir del texto, los errores degradan la calidad del embedding y, por tanto, la calidad de la recuperación.
La limpieza de OCR es un paso de pre-procesado dedicado. Las técnicas que mejor funcionan combinan tres elementos:
Sobrelimpiar es un error frecuente. Cuando el diccionario reemplaza nombres propios o términos técnicos por palabras comunes parecidas, el chunk pierde precisión. La limpieza debe ser conservadora: solo lo que estamos seguros de que es OCR mal hecho.
Aquí está uno de los pasos menos visibles y más impactantes para preparar documentos para la IA: enriquecer el texto que se va a embeber con información estructurada del documento.
La técnica funciona así. Antes de generar el embedding de un chunk, se concatena al texto del chunk una lista de entidades nombradas reconocidas (personas, organizaciones, lugares) y los metadatos relevantes del documento al que pertenece (tipo documental, fecha, estado del ciclo de vida, campos clave). El embedding resultante incorpora esa información en el vector. Cuando la consulta del usuario busca “contratos firmados con Acme Corp”, el chunk relevante tiene “Acme Corp” enriquecido como entidad y el match es directo.
Dos vías para reconocer entidades:
El enriquecimiento con metadatos es complementario: el tipo documental, el estado, los campos clave se concatenan al texto antes del embedding. Esto permite que una consulta tipo “facturas pendientes de pago superiores a 10.000 euros” recupere chunks correctos sin necesidad de filtrar primero por metadatos —el embedding ya lleva la información dentro.
Chunking es cómo dividimos el documento en fragmentos para indexar. Si el chunk es demasiado pequeño, perdemos contexto. Si es demasiado grande, mezclamos temas en un mismo embedding y el resultado se diluye. La elección del modo correcto depende del tipo de corpus.
Hay dos modos principales:
La regla práctica: documentos cortos al modo por documento; documentos largos al modo por chunk con tamaño 500-1000 tokens y solapamiento de 100-200 tokens. Pero la verdad es que esto requiere ajuste empírico sobre el corpus concreto. Una plataforma seria permite configurar el modo y el tamaño por base de conocimiento, no por instalación, porque un repositorio puede contener bases con documentos muy distintos.
Cuando todos estos pasos se aplican correctamente, el resultado es medible. Athento ha evaluado su funcionalidad de Bases de Conocimiento sobre la documentación oficial del producto —un corpus real de 1.761 artículos en español e inglés— con un conjunto de 73 preguntas que combinan consultas reales procedentes de RFPs con preguntas generadas por IA, incluyendo 20 variaciones diseñadas para evaluar robustez (paráfrasis, errores tipográficos, formulaciones ambiguas y combinaciones de idiomas).
Los resultados son:
Estos números no son particularmente excepcionales en abstracto —hay sistemas con cifras parecidas. Lo relevante es que se sostienen sobre un corpus heterogéneo, multilingüe y de tamaño no trivial, y son consecuencia directa del pre-procesado descrito. Sin los pasos anteriores, la precisión típica sobre el mismo corpus cae al rango 60-70%.
Si estás diseñando un sistema RAG para tu organización, te dejamos una secuencia que ha demostrado funcionar:
¿Quieres ver en directo cómo funciona? No te pierdas este vídeo, en el que mostramos cómo convertir la documentación de una organización en conocimiento accesible mediante IA y RAG.
Preparar documentos para la IA es un trabajo poco glamuroso, paciente y muy bien recompensado. No produce slides bonitas para enseñar al comité de Dirección, pero produce sistemas RAG que funcionan en producción y que sostienen mil preguntas al día sin degradarse. Es, con diferencia, la inversión más rentable que puede hacer un equipo de IA documental en 2026.
En Athento, este pre-procesado está integrado en el mismo gestor documental que aloja el repositorio: extracción multi-motor, conversión a Markdown configurable, limpieza OCR por idioma, NER con diccionarios y modelos, enriquecimiento automático con metadatos y dos modos de chunking. Los benchmarks compartidos en este artículo se han obtenido con este pipeline aplicado a un corpus real, no a un dataset de laboratorio. Si te interesa replicar un ejercicio similar sobre tu propia documentación, una prueba de tres a cuatro semanas suele ser suficiente para tener números medidos.
Es la estrategia de reducir el número de aplicaciones que utiliza una organización, sustituyéndolas por una plataforma capaz de cubrir varios procesos de negocio.
Athento puede substituir o consolidar procesos que tradicionalmente se gestionan mediante un ECM legacy, aplicaciones desarrolladas a medida y herramientas SaaS utilizadas por departamentos como RRHH, Legal, Finanzas, Operaciones o Atención al Cliente, unificando toda esa gestión en una única plataforma.
Depende del punto de partida. Según el perfil de la organización, el ahorro anual estimado puede situarse entre 40.000 € y 400.000 €, al reducir licencias, mantenimiento e integraciones.
No. Es posible comenzar por un único proceso e incorporar nuevos casos de uso de forma progresiva, obteniendo beneficios antes de completar la consolidación.
La cuarta edición de la Conferencia de Gestión Documental + IA en Español se celebrará online y de forma gratuita del 20 al 22 de octubre, con 12 sesiones en directo
Descubre la agenda de #Acelera2026, el evento IA en gestión documental con ponencias sobre IA, RAG, MCP, automatización y casos reales. ¡Regístrate gratis!
Descubre cómo preparar documentos para la IA mediante extracción de texto, limpieza OCR, metadatos y chunking para mejorar la precisión de los sistemas RAG ⚡️
Déjanos tus datos y te enviaremos el acceso por email
De conformidad con el art. 13 del RGPD y el art. 11 de la LOPDGDD, tus datos personales van a ser tratados por ATHENTO EUROPA S.L. con la finalidad de atender las consultas realizadas por los usuarios, siendo el consentimiento nuestra base legal para el tratamiento de tus datos personales. Sólo trataremos los datos que nos proporciones y podrán ser cedidos a terceros para poder cumplir la finalidad, como a ActiveCampaig u Open AI. Existen automatizaciones a través de Open AI, no obstante, hay intervención por lo que no se trata de decisiones automatizadas. Puedes ejercer tus derechos de acceso, rectificación, oposición, supresión, portabilidad y limitación de sus datos de carácter personal a través del email: dpo@athento.com. Puedes consultar la información adicional y detallada sobre Protección de Datos en nuestra Política de Privacidad.