Cómo preparar documentos largos para una IA

Subir un informe extenso y escribir «resúmelo» parece sencillo hasta que la respuesta mezcla versiones, omite una tabla o no permite localizar de dónde sale una afirmación. Preparar el material no garantiza que una inteligencia artificial lo interprete bien; sí puede hacer más fácil detectar qué documento recibió, qué pasaje respalda una respuesta y qué dato sigue sin aparecer.

Esta guía propone un método que sirve para revisar un expediente, comparar manuales o trabajar con varios informes. No depende de una marca: distingue la preparación manual para una conversación de la fragmentación técnica usada en sistemas de búsqueda documental. Si quieres entender antes qué significa el tamaño de contexto anunciado por cada modelo, consulta también la explicación sobre ventanas de contexto y sus límites.

1. Define la pregunta antes de preparar los archivos

Escribe primero qué necesitas obtener y cómo comprobarás que la respuesta sirve. «Analiza estos documentos» es demasiado abierto: no dice si hay que localizar una cifra, resumir una sección, comparar dos ediciones o comprobar si una condición aparece en un anexo.

Convierte la petición en una tarea concreta. Por ejemplo:

• Localizar: ¿qué plazo aparece en la sección de reclamaciones de la versión aprobada?
• Comparar: ¿qué cambió entre las ediciones de marzo y septiembre y en qué pasajes se ve?
• Relacionar: ¿qué excepción del anexo modifica la regla general del capítulo 2?
• Comprobar un vacío: ¿el manual indica quién autoriza la excepción o no lo especifica?

Decide también qué resultado quieres: una respuesta breve, una tabla de diferencias, una lista de citas o un resumen por capítulos. Así podrás separar la tarea de encontrar pruebas de la tarea posterior de explicarlas.

2. Comprueba qué contenido llegó realmente

Conserva intacto el original y trabaja sobre una copia identificable. Anota nombre, versión o fecha, procedencia y, si existen varias ediciones, cuál tiene prioridad para la pregunta. No llames «vigente» a un archivo solo porque sea el más reciente: una copia posterior puede ser un borrador o no tener autoridad para sustituir a la aprobada.

Antes de pedir conclusiones, revisa una muestra de la extracción: el inicio, una página intermedia y la parte final. Comprueba que los títulos, el orden, los pies de página y las notas relevantes siguen asociados con el texto correcto. En un documento escaneado, confirma que la lectura automática no confundió caracteres ni columnas. Si la respuesta depende de una tabla, una gráfica o una imagen, verifica ese elemento por separado en la interfaz concreta que estés usando.

3. Crea un índice que conserve la referencia

Un índice útil no es solo una lista de títulos. Debe ayudar a volver del resultado al pasaje original. Para cada archivo, registra su identificador y versión; para cada bloque, conserva el capítulo, encabezado, página o localizador que exista. Si el sistema no respeta la paginación del PDF, utiliza un encabezado literal y añade la página únicamente como referencia visual secundaria.

La última columna es una descripción para orientarte, no una evidencia. Al redactar la respuesta, exige localizar la frase, tabla o página que la sustenta. Si hay distintas copias, marca expresamente cuál se ha usado y no fusiones sus contenidos sin explicar la diferencia.

4. Divide por significado, no por una cifra arbitraria

Para una pregunta sobre un documento que cabe completo en la herramienta, no tienes que partirlo por sistema. Empieza con el original y una solicitud bien acotada; divide solo si la carga falla, el contenido es difícil de recuperar o necesitas procesar un corpus mediante una búsqueda técnica.

En un flujo de búsqueda aumentada por recuperación (RAG), los fragmentos permiten indexar y recuperar partes de documentos. La documentación de Azure AI Search de Microsoft describe alternativas de tamaño fijo, división que sigue la estructura del texto y fragmentos semánticos; también señala que los encabezados de Markdown o HTML pueden servir como límites. Es una guía técnica de Azure AI Search, no una receta universal para cada chat o modelo. Microsoft: estrategias para fragmentar documentos en Azure AI Search.

Si tienes que preparar bloques manuales, usa capítulos, encabezados y unidades completas. Mantén el título del documento y la sección dentro de cada bloque; no separes un encabezado de los párrafos que introduce ni una tabla de sus notas. Si un cuadro contiene muchas columnas, crea una copia textual legible que conserve encabezados, unidades y notas, y compárala con el original. Marca los límites entre fragmentos con una etiqueta coherente, por ejemplo [Manual A · revisión 3 · § 4.2 · PDF p. 18].

Evita elegir un número de palabras como si sirviera para todos los formatos. En un sistema técnico, el tamaño y el solapamiento entre bloques dependen de la forma del documento, de las consultas y de los modelos que procesan esos fragmentos. Microsoft presenta 512 tokens y un 25 % de solapamiento como un punto de partida de su propio flujo de Azure; no es un estándar que debas trasladar sin pruebas a otra aplicación. Para una conversación normal, conservar secciones completas y referencias claras suele ser una preparación más sencilla que cortar cada página en trozos iguales.

5. Separa la extracción de la síntesis

Primero pide localizar pasajes. Después, cuando ya puedas comprobarlos, pide una síntesis limitada a esas evidencias. Este orden hace visible un fallo temprano: una respuesta puede sonar coherente y aun así haber tomado el dato de la edición equivocada o pasar por alto una excepción.

Las recomendaciones de proveedores respaldan algunas técnicas, pero son específicas de sus herramientas. Anthropic aconseja para Claude colocar documentos extensos antes de la pregunta y solicitar primero citas relevantes; Google recomienda para Gemini estructurar el contexto y situar la consulta después del material. Úsalas como punto de partida, no como garantía de resultado en todas las IA. Anthropic: buenas prácticas de prompting para Claude · Google: estrategias de diseño de prompts para Gemini.

Una plantilla breve puede ser:

Objetivo: responde a la pregunta concreta que aparece al final usando únicamente los documentos incluidos.
Material: cada archivo está identificado con título, versión y origen. Mantén esas referencias separadas.
Primero: enumera los pasajes exactos que parecen pertinentes; acompaña cada uno de documento, sección y página o localizador disponible.
Después: responde en una tabla con «conclusión», «evidencia» y «límite». Distingue texto literal de interpretación.
Conflictos: muestra qué versiones discrepan; no elijas una sin explicar la regla de prioridad disponible.
Faltantes: si no encuentras un dato, indica «no localizado en el material recibido». No completes huecos con conocimiento externo.
Pregunta: [escribe aquí una pregunta que pueda verificarse en los documentos].

Las etiquetas o delimitadores hacen más fácil distinguir documentos, instrucciones y tarea cuando la entrada es compleja. La documentación de Gemini propone etiquetas XML o encabezados Markdown consistentes; la de Claude muestra cómo identificar la fuente y el contenido por separado. Si tu herramienta no maneja esos delimitadores de forma especial, siguen siendo texto: su utilidad es organizar la petición, no activar una función oculta.

6. Comprueba cada respuesta contra el original

Abre cada cita en el archivo original. Comprueba que la frase aparece allí, que el encabezado corresponde a la versión indicada y que la cita respalda la conclusión completa, no solo una palabra coincidente. Una cita correcta puede acompañar una interpretación equivocada o una fuente que no sea la autorizada.

Para una comparación, revisa ambos lados: pasaje de la versión anterior, pasaje de la nueva y nota de cambio si existe. Para una respuesta negativa —«el manual no establece un plazo»— limita la afirmación al material y a las secciones examinadas: no conviertas una búsqueda parcial en prueba de que la regla no existe en ninguna parte.

Puedes mantener una pequeña tabla de revisión:

• Pregunta: ¿qué dato o relación hay que encontrar?
• Respuesta propuesta: una frase verificable, sin añadir detalles que no estén en el pasaje.
• Referencia: archivo, versión, encabezado y localizador.
• Resultado: coincide, contradice, no localizado o requiere otro documento.

Prueba varias preguntas representativas antes de usar el flujo con trabajo importante: una que busque un dato literal, otra que compare secciones y otra que compruebe un posible conflicto. Esto no certifica una herramienta; revela si tu preparación permite revisar la salida y dónde hace falta corregir la extracción o acotar la pregunta. Si las respuestas van a servir para decidir o publicar, verifica las afirmaciones con las fuentes primarias y con una persona responsable.

7. Conserva privacidad y trazabilidad

Antes de subir contratos, expedientes o informes internos, confirma que tienes permiso para compartirlos y que la cuenta y el servicio elegidos son los adecuados para ese material. Si no hace falta identificar a las personas, elimina nombres, datos de contacto y otros detalles antes de crear una copia de trabajo. Anota qué versión cargaste y cuándo; así podrás repetir la consulta y distinguir cambios del documento de cambios en la respuesta.

Si trabajas con muchos archivos o necesitas procesarlos de manera repetible, considera un flujo técnico de búsqueda documental en vez de pegar un corpus en cada conversación. El tutorial de Gaia sobre crear un asistente de investigación con IA para documentos e informes desarrolla una opción específica basada en un cuaderno de fuentes. Es un recorrido de herramienta; la organización por versiones, referencias y revisión de pasajes descrita aquí también se aplica a otros sistemas.

En resumen

Prepara el documento para poder rastrear la respuesta: define una pregunta, identifica la versión, revisa la extracción, crea referencias por sección y pide evidencia localizable antes de la síntesis. Fragmenta únicamente cuando la tarea lo justifique y conserva el contexto de cada bloque. El paso que confirma una respuesta sigue siendo volver al original y comprobar que el pasaje dice lo que la conclusión afirma.

Fuentes y agradecimientos

Esta guía se apoya en documentación primaria de los proveedores para describir sus funciones y recomendaciones específicas, no en pruebas comparativas propias. Gracias a Microsoft, Anthropic y Google por mantener documentación pública que permite comprobar estas recomendaciones. Fuentes consultadas el 1 de noviembre de 2026:

• Microsoft Learn — Chunk large documents for RAG and vector search in Azure AI Search.
• Anthropic — Prompting best practices.
• Google AI for Developers — Prompt design strategies.