La IA puede resolver ecuaciones y generar código, pero cuando le pasás un PDF suele equivocarse porque el formato almacena instrucciones de diseño y no una jerarquía semántica clara. Esto explica por qué a veces obtenés tablas mezcladas, columnas desordenadas o notas al pie incrustadas en el texto.

¿Qué pasa cuando subís un PDF a un chatbot?

Cuando subís un PDF a un chatbot, lo que el modelo recibe no es necesariamente “texto ordenado” sino coordenadas y comandos de pintura que indican dónde debe ir cada fragmento. El PDF nació con Adobe en 1993 (según Adobe) y fue estandarizado como ISO 32000 en 2008 (según ISO), 15 años después de su creación; esa historia explica por qué prioriza apariencia y preservación por sobre etiquetas semánticas. En la práctica, si el archivo nunca incluyó una capa de texto estructurado (por ejemplo, un PDF generado desde imagen escaneada), el sistema debe reconstruir esa estructura antes de poder resumir o extraer tablas.

Si llegaste hasta acá, ya tenés lo esencial: el problema es estructural, no solo de capacidad de la IA.

¿Por qué los PDF confunden a la IA?

A diferencia del HTML, que trae etiquetas que definen títulos, párrafos y tablas, el PDF guarda posiciones absolutas. El motor que extrae texto puede reconocer palabras pero no siempre deducir el orden lógico; además, cuando hay columnas, cajas superpuestas o anotaciones, la extracción falla con facilidad. El reconocimiento óptico de caracteres (OCR) ayuda a convertir imágenes en texto, pero no reconstruye la lógica del documento por sí solo: reconoce caracteres, no relaciones entre bloques.

En condiciones limpias, motores como Tesseract alcanzan índices de reconocimiento de caracteres superiores al 95% en textos impresos (según la documentación de Tesseract/Google), pero eso no garantiza que una tabla con celdas complejas se convierta en una tabla adecuada para análisis. En resumen: OCR resuelve caracteres; la reconstrucción de layout es otro problema.

¿Cómo nos impacta esto en la práctica y en Argentina?

Si trabajás con contratos, informes técnicos o comprobantes —sectores donde la confiabilidad visual es clave— el PDF es la norma porque “se ve igual dentro de diez o veinte años”, como destaca la PDF Association citado por The Verge (según The Verge / PDF Association). Eso significa que muchas organizaciones prefieren mantener PDFs como fuente oficial de verdad, pero a la vez se topan con dificultades para automatizar su lectura.

Para personas y pymes en Argentina que acceden mayoritariamente desde el celular, esto complica workflows móviles: subir, revisar y completar datos desde el teléfono suele generar errores si el pipeline no incluye verificación humana. Por eso es imprescindible elegir soluciones que permitan exportar los datos y conservar control local antes de delegar en proveedores cerrados.

Qué conviene hacer: pasos prácticos y criterios para elegir herramienta

Primero criterio: antes de pagar, validar que podés exportar y controlar los datos. Si procesás ocasionalmente uno o dos PDFs, una combinación gratuita de OCR + revisión manual puede ser suficiente. Si tenés volúmenes mayores, armá una cadena que incluya OCR, un módulo de alineamiento de layout (layout analysis) y validación humana, y medí el costo por documento para calcular ROI.

Segundo criterio: preferí herramientas que ofrezcan exportabilidad y formatos abiertos o CSV para integrarlas con tu stack. Si necesitás automatizar en móvil, comprobá que la app funcione bien en celulares y que los datos puedan guardarse localmente o en un servicio que controles. Si esto suena mucho, hay una alternativa honesta: externalizar la tarea a un servicio con tarifa por documento mientras medís exacto cuánto te ahorró y si vale la pena escalar.

Si llegaste hasta acá, ya tenés un mapa claro para decidir si parcheás con OCR y revisión, armás un pequeño pipeline exportable o invertís en una solución paga que respete la soberanía de datos.