Análisis de documentos
El análisis de documentos (document parsing) convierte archivos como PDF, escaneos, presentaciones y hojas de cálculo en texto estructurado que el software puede usar, conservando títulos, orden de lectura, tablas e imágenes en lugar de un flujo plano de caracteres.
También llamado: PDF parsing, document AI
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
La mayor parte del conocimiento de una empresa está en PDF y archivos de ofimática, no en texto limpio. Antes de que un modelo pueda buscar en ellos o responder preguntas, algo tiene que convertir cada página en texto con su estructura intacta. Eso es el análisis de documentos, y su calidad pone un techo a cualquier sistema de generación aumentada por recuperación construido encima.
Cómo funciona
Un analizador lee primero el texto que ya contenga el archivo. En las páginas escaneadas aplica reconocimiento óptico de caracteres. Después aplica análisis de diseño para encontrar títulos, párrafos, figuras y notas al pie y ponerlos en orden de lectura, y extracción de tablas para reconstruir filas y celdas. La salida suele ser Markdown o JSON que conserva esa estructura, lista para el chunking.
Hay dos familias de herramientas. Los analizadores de pipeline como Docling y Marker encadenan modelos especializados en diseño, OCR y tablas. Los analizadores más recientes envían imágenes de las páginas a un modelo de visión y lenguaje y le piden que transcriba el contenido. Las API alojadas como LlamaParse y Reducto ofrecen cualquiera de los dos enfoques como servicio.
Límites
Los diseños a varias columnas, los escaneos girados, la escritura a mano, los gráficos y las tablas que ocupan varias páginas siguen haciendo tropezar a los analizadores. Los analizadores basados en modelos de visión también pueden inventar texto que no está en la página, una forma de alucinación. Compara la salida con el original en una muestra de tus propios documentos antes de indexar todo un archivo. La guía de análisis de documentos compara las opciones.
Términos relacionados
- Reconocimiento óptico de caracteres
- El reconocimiento óptico de caracteres (OCR) es software que lee texto de imágenes, como páginas escaneadas, fotos o capturas de pantalla, y lo convierte en caracteres legibles por máquina que se pueden buscar, copiar o pasar a un modelo.
- Modelo de visión y lenguaje
- Un modelo de visión y lenguaje (VLM, vision-language model) es un modelo que recibe imágenes y texto como entrada y produce texto, de modo que puede describir imágenes, responder preguntas sobre ellas, leer documentos y extraer datos de capturas de pantalla.
- Análisis de diseño
- El análisis de diseño (layout analysis) es la parte del análisis de documentos que encuentra las regiones de una página, como títulos, párrafos, tablas, figuras, pies de figura y pies de página, etiqueta cada una y determina el orden en que las leería una persona.
- Extracción de tablas
- La extracción de tablas (table extraction) es la tarea de encontrar tablas en documentos y reconstruir sus filas, columnas, encabezados y celdas como datos estructurados, por ejemplo HTML, Markdown o CSV, en lugar de líneas sueltas de texto.
- Chunking
- El chunking (fragmentación) es el paso que divide documentos largos en pasajes más pequeños antes de convertirlos en embeddings e indexarlos, para que un sistema de recuperación pueda encontrar y devolver solo las partes de un documento que responden a una consulta.