RAG con PDFs escaneados y tablas: cuándo necesitas OCR y extracción estructurada
Publicado el 2026-11-16 por ArduBot
Por qué los PDFs complejos dan respuestas incorrectas en RAG y cómo procesar escaneos, tablas, encabezados, versiones y citas.
Subir un PDF no garantiza que un RAG pueda entenderlo. Los manuales con tablas, facturas con columnas y documentos escaneados son especialmente delicados: si la extracción pierde relaciones, el modelo recibe datos incorrectos aunque su redacción sea impecable.
Primero identifica el tipo de PDF
Un PDF digital suele contener texto seleccionable. Un PDF escaneado almacena páginas como imágenes y puede requerir OCR. Muchos documentos mezclan texto, imágenes, pies de página y tablas. El extractor debe indicar cuándo una página quedó vacía o presentó baja confianza; ocultar ese fallo produce respuestas engañosas.
Piensa en una tabla de repuestos: “modelo”, “voltaje”, “pieza compatible” y “revisión”. Si el parser concatena cada columna por separado, puede asociar una pieza al modelo incorrecto. La búsqueda semántica encontrará ese texto defectuoso y el modelo lo repetirá.
Qué debe conservar una buena extracción
- Jerarquía: títulos, subtítulos y secciones, para que cada fragmento tenga contexto. - Filas y columnas: relación entre encabezados y celdas, no solo texto plano. - Páginas y coordenadas si hacen falta: permiten mostrar al usuario dónde está la evidencia. - Metadatos: versión, idioma, fecha, origen y ámbito de acceso.
Para tablas grandes puede ser preferible convertirlas a registros estructurados y consultarlas por filtros o SQL. No todas las respuestas sobre datos tabulares necesitan embeddings.
Estrategias para fragmentar sin perder el sentido
En un procedimiento, corta por secciones completas y conserva el título como metadato. Si un párrafo incluye “excepto los modelos fabricados antes de 2024”, no lo separes de la regla principal. En tablas, incorpora encabezados a cada fila convertida en texto o conserva una estructura consultable.
Evita un tamaño de fragmento universal. Manuales narrativos y fichas técnicas requieren estrategias distintas. Prueba muestras representativas antes de procesar miles de archivos.
Un caso de prueba sencillo
Carga un catálogo con tres tablas y 20 preguntas verificables. Incluye al menos cinco sobre excepciones y otras cinco sobre valores exactos. Compara: texto extraído, fragmento encontrado, respuesta y página citada. Si falla la extracción, cambiar el modelo generativo rara vez soluciona el origen.
Añade dos PDFs escaneados con calidad distinta; mide páginas legibles, campos omitidos y costo del OCR. Define qué umbral obliga a revisión humana.
Cuándo NO usar RAG
Si necesitas sumar montos de una factura, reconciliar partidas o garantizar exactitud contable, extrae a una estructura validada y utiliza lógica determinista. Un RAG puede ayudar a encontrar la sección explicativa, pero no debe sustituir controles numéricos.
Oportunidad de producto
Un nodo de RAG automático que acepte PDFs debe informar qué documentos pudo procesar, cuáles necesitan OCR y qué partes no pudo interpretar. Esa transparencia tiene más valor que un botón que siempre responde “indexado”.
En ArduMaker estamos evaluando un servicio que procese fuentes y entregue búsquedas por API. ¿Tus documentos son PDFs digitales, escaneos o tablas? Describe tu caso en ArduMaker.
Referencias: Preparación de contenido para RAG en Azure · Bases de conocimiento en AWS.