Blog · IA para pequeñas y medianas empresas
PDF escaneados y documentos dispersos: qué necesita un buscador con IA
Un escaneo puede verse claro y producir texto defectuoso para el buscador. Revisa la extracción antes de ajustar el asistente. Una comparación breve permite detectar caracteres perdidos, encabezados separados de sus tablas y referencias de página ausentes que una respuesta fluida puede ocultar.

En este artículo
Un asistente no puede encontrar de forma confiable una clave que desapareció al extraer el documento. Los PDF escaneados contienen imágenes. El reconocimiento óptico de caracteres, conocido como OCR, intenta convertirlas en texto buscable. Evalúa ese paso antes de juzgar búsqueda y respuesta.
Comprueba la exactitud del texto extraído
Compara texto extraído y página original. Revisa claves, decimales, unidades, acentos, títulos y orden de lectura. Las columnas pueden mezclar frases; las tablas pueden separar valores y encabezados. El resultado parece legible pero cambia el significado.
La introducción de Microsoft a RAG contempla OCR y extracción documental. Tener la función no demuestra calidad en tus archivos. Incluye formatos representativos y escaneos deficientes.
Prueba de búsqueda antes y después
- Selecciona páginas permitidas de escaneos comunes, tablas y diseños difíciles.
- El dueño documental identifica fragmento o celda necesarios para cada pregunta.
- Extrae y comprueba si la evidencia conserva su significado.
- Busca claves exactas y preguntas naturales.
- Revisa fragmento recuperado, respuesta y apertura de la página original.
- Corrige estructura o extracción y repite las mismas preguntas.
Registra documento, página, defecto, pregunta afectada, responsable y nueva prueba. Así distingues fallas de extracción, búsqueda e interpretación.
Página ilustrativa de catálogo
Un escaneo hipotético contiene componentes X-10 y X-100 con límites de presión distintos. El OCR confunde el cero final y pierde el encabezado. La búsqueda recupera una página plausible, pero la respuesta asigna el límite al producto equivocado.
El dueño del catálogo verifica claves y relación entre filas y columnas. El equipo técnico puede conservar estructura, agregar atributos aprobados o excluir la sección dañada hasta corregirla. Pedir cuidado al modelo no recupera evidencia ausente.
Conserva identidad documental
Cada fragmento necesita identificador estable, edición y página. Mantén el original disponible para usuarios autorizados. Retira encabezados repetidos cuando convenga sin perder títulos útiles ni condiciones. Al dividir documentos largos, conserva contexto suficiente para interpretar cada parte.
La guía de diseño de Microsoft propone material representativo y evaluación por etapa. El responsable documental confirma que se conserva el significado; el técnico verifica extracción y búsqueda.
Conserva ejemplos corregidos como pruebas posteriores. Si un ajuste mejora una tabla, verifica que no altere el orden de lectura de otras páginas. Guarda evidencia original y corregida, con la clave aceptada. Prioriza por consecuencia: perder un pie decorativo no equivale a omitir signo negativo, unidad o excepción. El dueño documental decide qué defectos permiten continuar y cuáles exigen excluir la página. Esa decisión debe quedar registrada para evitar que otra carga del archivo vuelva a incorporar información que ya se consideró poco confiable.
Mide exactitud de claves importantes, recuperación de evidencia y apertura de fuentes. Para preparación general consulta la guía de conocimiento empresarial. Lleva páginas difíciles y preguntas a una revisión de preparación RAG antes de importar el archivo completo.