Cómo pasar un PDF a texto listo para una IA

Por qué el PDF se le atraganta a la IA

Un PDF guarda instrucciones de dibujo y coloca cada letra en una coordenada, sin decir en qué orden se lee nada de eso. Al extraer el texto, las columnas se entrelazan, las tablas se deshacen y los encabezados y pies se cuelan en mitad de los párrafos. Si el PDF viene de un escaneo, ni siquiera hay texto que extraer, hay una foto de cada página que exige OCR, el reconocimiento óptico que convierte la imagen en letras. Y aunque todo salga bien, el archivo cuenta contra los límites de subida del servicio y arrastra páginas enteras que no tienen que ver con tu pregunta.

Los tokens son la otra cara. Los asistentes miden el trabajo en tokens, y una regla rápida es que unos cuatro caracteres de texto vienen a ser un token. Un contrato de doce páginas se va con facilidad a los diez mil, y la mayoría no aporta nada a una consulta concreta. Menos texto es menos coste, más hueco de contexto para tu pregunta y, casi siempre, una respuesta más centrada.

Texto plano o Markdown, el formato que sí entiende

El texto plano elimina el problema de raíz, porque lo que pegas es exactamente lo que el modelo recibe, sin capas invisibles, sin metadatos y sin orden que adivinar. El Markdown añade estructura casi gratis, con títulos y listas que ayudan al modelo a orientarse por el documento igual que te ayudan a ti. Además puedes recortar, quedarte con el capítulo que importa y pegar solo eso, algo que con un archivo adjunto no es tan directo.

Qué limpiar antes de pegar

Tres cosas dan la mayor parte del beneficio. La primera, las repeticiones de página, es decir encabezados, pies y numeración que en papel orientan y en un texto corrido solo ensucian. La segunda, el relleno que no afecta a tu consulta, como anexos o cláusulas tipo, siempre que la pregunta no vaya de eso. Y la tercera, los datos personales, los tuyos y los de terceros, porque casi ninguna consulta los necesita. El método para sustituirlos sin que el texto pierda sentido lo contamos en la guía sobre subir documentos con datos a ChatGPT.

Nada de esto pide una herramienta concreta. Un PDF con capa de texto se deja copiar y pegar en cualquier editor, y desde ahí se limpian los encabezados repetidos y se sustituyen los datos con un buscar y reemplazar. Lo que no se resuelve así es un escaneo, que sin OCR no tiene texto que copiar.