Ir al contenido
Última actualización:
Blog técnico

Búsqueda empresarial, búsqueda de texto completo e IA en la empresa

Enterprise Search

Búsqueda de documentos con IA: cómo comprobar tablas PDF en un sistema RAG sin que la nota global oculte errores

Un sistema RAG con una nota global muy buena puede aun así asignar mal el importe decisivo. Sobre todo en las tablas PDF de varias páginas, los encabezados, las columnas y las indicaciones de página se pierden por el camino. Este artículo muestra dónde ocurre y cómo comprobar por separado los campos críticos.

por Sebastian @searchit · · 9 min de lectura

Compartir
Dos páginas impresas con una tabla que continúa tras el salto de página; hilos de luz azul unen el encabezado de la página 1 con las filas de la página 2, una lupa descansa sobre una celdaGenerado con IA

La generación aumentada por recuperación (en inglés Retrieval-Augmented Generation, RAG) es el procedimiento que hay detrás de la mayoría de los asistentes de IA para el conocimiento corporativo: un sistema de búsqueda recupera los fragmentos adecuados de sus documentos y un modelo de lenguaje formula la respuesta a partir de ellos. Funciona bien mientras el conocimiento esté en texto corrido. Pero en facturas, pliegos de partidas, listas de precios e informes de inspección suele estar en tablas, y estas se extienden a lo largo de varias páginas.

Entonces basta un pequeño error al leer el PDF: en la página 2 falta el encabezado, una columna se desplaza, un subtotal se lee como una partida. Aun así, la respuesta suena plausible. Y entonces uno se encuentra con un buen lío, porque una nota global como “el 95 por ciento del contenido reconocido correctamente” dice poco sobre el importe decisivo si lo pondera igual que una palabra de relleno mal reconocida.

Una advertencia previa: somos el fabricante de searchit. No hemos encontrado ningún método de comprobación completo y generalmente reconocido para tablas en sistemas RAG. Por eso, el procedimiento que sigue es un borrador propio. Mi consejo: compruébelo con sus propios documentos, con cualquier proveedor.

En resumen

  • Fijar primero los campos críticos: importe con moneda y unidad, asignación a partida y columna, página de origen.
  • Contar por separado los errores en campos críticos, nunca en la media junto con todos los demás caracteres.
  • Comprobar tres etapas una a una: lectura del PDF, localización del fragmento correcto, respuesta con referencia a la fuente.
  • Distinguir entre “falta”, “erróneo” e “inventado”. Un valor inventado es peor que uno que falta.
  • Volver a comprobar tras cada cambio: otro lector de PDF, otro modelo de lenguaje, otra división en fragmentos.

Cuando busca documentos con IA: dónde se pierden las referencias de las tablas

Un PDF guarda caracteres en posiciones de una página; la estructura de la tabla no se puede leer de ahí sin más. Quien vuelve a componer filas y columnas a partir de ello tiene que deducir su asignación. Casi siempre sale bien, pero no siempre. Puntos de ruptura típicos en la búsqueda de documentos en PDF:

Punto de rupturaQué ocurreCómo se ve en la respuesta
salto de páginael encabezado solo figura en la primera páginalos valores de la página 2 ya no tienen nombres de columna: se confunden “neto” y “bruto”
diseño a varias columnaslas columnas se leen una al lado de la otra en lugar de una debajo de la otrados partidas se funden en una
celdas combinadasuna fila de grupo vale para varias filas de debajoel grupo solo queda asociado a la primera fila
totales y subtotalesparecen partidasun subtotal se da como precio unitario
unidad en el encabezado o en la nota al pie“todos los importes en miles de euros” figura fuera de la tablael importe está mal por un factor de mil
formato numéricola coma y el punto separan, según el idioma, los millares o los decimales1.234,56 euros se convierten, si se supone mal el formato, en un importe de alrededor de un euro
escaneosla página es una imagen, no textosin reconocimiento de texto falta la tabla por completo
división en fragmentosel sistema RAG corta los documentos largos en trozos, también por la mitad de una tablael fragmento encontrado contiene valores, pero no la fila a la que pertenecen

Fijar los campos críticos

No todos los caracteres son igual de importantes. Fije para cada tipo de documento en qué campos un error hace inservible la respuesta. En facturas y pliegos de partidas suelen ser:

  • Importe, con moneda y unidad,
  • Asignación: a qué partida y a qué columna pertenece el importe,
  • Página de origen: dónde figura el valor en el original,
  • Fecha o plazo, si los hay,
  • Número de partida o de artículo.

Todo lo demás (formato, texto corrido, pies de página) también lo comprueba, pero por separado.

Tres etapas, tres recuentos

Un importe erróneo en la respuesta puede haberse originado en tres puntos. Quien solo comprueba la respuesta final no sabe dónde está el error. Por eso, cuente los errores por etapa:

  1. Lectura: ¿figura el valor correctamente en el texto tras la conversión del PDF, en la fila correcta y bajo la columna correcta?
  2. Localización: ¿devuelve la búsqueda, para una pregunta, el fragmento que contiene el valor y su fila con la referencia de columna?
  3. Respuesta: ¿da la respuesta el valor correcto con la unidad y la referencia a la fuente correctas?

Anote además de qué tipo de error se trata:

TipoSignificadoPeso
faltael valor figura en el PDF, pero no llegamolesto: suele notarse
erróneollega un valor, pero con asignación, unidad o página erróneaspeligroso: parece correcto
inventadoel valor no figura así en ninguna parte del documentolo más peligroso: no se puede verificar en el original

El procedimiento de comprobación

  1. Carpeta de pruebas con PDF reales. Tome documentos que aparezcan realmente en su organización. Elija a propósito también los casos difíciles: tablas de varias páginas, escaneos, notas al pie con unidades, filas de totales.
  2. Registrar de antemano los valores esperados. Pida a alguien que conozca el documento que anote los campos críticos en una pequeña tabla, antes de que se ejecute el sistema.
  3. Comprobar cada etapa por separado. Primero el texto convertido, luego los fragmentos encontrados y después las respuestas.
  4. Indicar por separado los errores en campos críticos. Una línea propia en el informe, un umbral propio. La nota global va debajo, no encima.
  5. Repetir tras cada cambio. Otro lector de PDF, un nuevo modelo de lenguaje, una división en fragmentos modificada: la misma carpeta, los mismos valores esperados.

Así podría ser la tabla de valores esperados para un documento:

DocumentoPáginaPartidaColumnaValor esperadoLecturaLocalizaciónRespuesta
Pliego de partidas A304.120Precio total neto(importe, moneda)
Pliego de partidas A404.130Precio unitario(importe, moneda)
…

Qué ayuda al construir un sistema RAG

Para el RAG en empresas propongo las siguientes reglas de construcción como parte de nuestro borrador, con independencia del software que se utilice:

  • Arrastrar el encabezado: cada fragmento de una tabla debería contener sus nombres de columna, también en las páginas siguientes.
  • No cortar a mitad de fila: alinear los límites de los fragmentos con las filas de la tabla, no con un número fijo de caracteres.
  • Recordar la página: guardar para cada fragmento el número de página del original, para que la respuesta pueda indicarlo.
  • Trasladar las unidades: asociar a los valores indicaciones como “en miles de euros” procedentes del encabezado o de la nota al pie.
  • Tratar los números con moneda como un único valor, no como dos palabras.
  • Reconocer los escaneos y leerlos con reconocimiento de texto antes de que entren en la búsqueda.
  • Responder siempre con referencia a la fuente, para que una persona pueda verificar el valor en el original.

Cómo ayuda searchit en la comprobación

searchit es una búsqueda empresarial con IA y sirve de memoria a los agentes de IA. Al comprobar fondos de PDF, ayudan sobre todo estas funciones:

  • Reconocimiento de texto para escaneos: los documentos escaneados y las imágenes se vuelven legibles y buscables mediante reconocimiento de texto.
  • Ver el texto del documento: la vista previa muestra el texto de un resultado en forma legible. Así ve en qué se ha convertido una tabla como texto: la primera etapa de la comprobación.
  • El fragmento que coincidió: en un resultado de la búsqueda semántica, la lista de resultados muestra el fragmento de texto que lo ha provocado. Así comprueba la segunda etapa: ¿figura la referencia de columna en el fragmento?
  • Importes reconocidos por documento: una pestaña propia en la vista previa muestra las personas, organizaciones, lugares e importes que searchit ha reconocido en el documento. Así compara los valores reconocidos directamente con su tabla de valores esperados.
  • Filtrar por importes: con los importes reconocidos se puede filtrar por rangos en la búsqueda, por ejemplo “facturas entre 50 000 y 100 000 euros”. El importe y la moneda se comprueban como un único valor. Compare los resultados con la lista de documentos esperados.
  • Origen de cada campo de IA: cada campo que un modelo de lenguaje genera al indexar lleva modelo, versión del modelo, fecha y hora e identificador del prompt. Tras un cambio de modelo, usted ve qué ejecución dio qué resultado.
  • Permisos de los sistemas de origen: cada usuario encuentra solo los documentos que puede ver en el sistema de origen, y un agente de IA conectado solo los de su usuario, también en el caso de facturas y contratos.

Lo que searchit aporta como búsqueda empresarial lo muestra la página Enterprise Search en searchit-agent.ai.

Preguntas frecuentes

¿Qué es RAG?

Retrieval-Augmented Generation, generación aumentada por recuperación: un sistema de búsqueda recupera los fragmentos adecuados de sus documentos y un modelo de lenguaje formula la respuesta a partir de ellos. Por eso, la calidad de la respuesta depende en primer lugar de lo bien que se lean y se encuentren los documentos.

¿Se pueden extraer de forma fiable las tablas de los PDF?

Depende del documento. Los PDF generados digitalmente con tablas sencillas suelen extraerse bien; las tablas de varias páginas, las celdas combinadas y los escaneos son más difíciles. Por eso, precisamente estos casos deben estar en la carpeta de pruebas.

¿Por qué no basta una nota global?

Si pondera todos los errores por igual, un importe mal asignado apenas pesa en una nota calculada sobre miles de caracteres. Para la respuesta al departamento de compras, sin embargo, puede ser decisivo.

¿Qué es peor: un valor que falta o uno erróneo?

Uno erróneo, y aún pesa más uno inventado. Un valor que falta suele notarse; uno erróneo puede parecer correcto. Por eso el procedimiento de comprobación cuenta los tres tipos por separado.

¿Con qué frecuencia debería repetir la comprobación?

Con cada cambio que influya en la lectura, la localización o la respuesta: otro lector de PDF, otro modelo de lenguaje, otra división en fragmentos, y cuando se añadan nuevos tipos de documento.

Conclusión

En un sistema RAG para empresas, en las tablas un solo importe puede inclinar la balanza. Por eso yo empezaría por los campos críticos: fíjelos, compruebe la lectura, la localización y la respuesta por separado e indique aparte los valores erróneos e inventados. Así el error decisivo sigue siendo visible junto a la nota global.

Cómo searchit lee sus PDF y qué sección muestra como resultado se lo mostramos con mucho gusto con sus propios documentos, en una demostración.

Artículos relacionados: Evaluar agentes de IA en la empresa · Mejores buscadores empresariales 2026

También le puede interesar