Por qué la IA no encuentra nada en tus documentos

Por Edilberto MedinaPublicado el 31 de agosto de 2026Actualizado el 9 de octubre de 202614 min de lectura

Los plazos legales que salen más abajo son los generales y no soy abogado: sirven como suelo para decidir qué se archiva y qué se borra, no como asesoramiento.

¿Por qué la IA no encuentra nada en tus documentos?

Porque el problema casi nunca está en el modelo. Está en el archivo.

Es la conversación que más repito, y siempre empieza igual: «hemos probado Copilot y no encuentra nada». Después miramos la carpeta compartida y aparecen once versiones del mismo procedimiento, cuatrocientos PDF escaneados sin texto, un manual de doscientas páginas en un solo fichero y una carpeta que se llama «Definitivo_2019_bueno_ESTE_SI».

Ningún modelo arregla eso, porque no es un problema de inteligencia: es un problema de que la información buena y la mala son indistinguibles desde fuera.

Y que conste que no es un problema de falta de medios: el 60,38 % de las empresas españolas ya usa un ERP para compartir información entre áreas, el tercer porcentaje más alto de la Unión Europea, muy por encima de la media del 46,45 %. Software hay. Lo que pasa es que los documentos viven fuera de él.

La buena noticia es que casi todo lo que hay que hacer antes es gratis, no necesita proveedor, y en buena parte ya te lo exigen el Código de Comercio y la Agencia Tributaria desde hace veinte años.

¿Cuánto acierta de verdad un buscador documental de empresa?

Menos de lo que te imaginas. En EnterpriseRAG-Bench, un banco de pruebas de mayo de 2026 sobre 500.000 documentos de empresa, la búsqueda por palabras clave acierta 68,8 sobre 100 y la búsqueda vectorial se queda en 51,4. Las preguntas del tipo «reúneme todo lo que haya» no pasan del 40,0 % ni con el mejor sistema.

En mayo de 2026 se publicó EnterpriseRAG-Bench, un banco de pruebas construido sobre un corpus sintético de unos 500.000 documentos que imita nueve tipos de fuente de empresa —correo, chat, unidades compartidas, gestor de incidencias, wiki interna, CRM, repositorio de código, notas de reuniones y gestor de proyectos— para una compañía ficticia. Lo interesante es que el ruido está puesto a propósito, y es exactamente el que tienes tú: documentos mal archivados, casi duplicados e información contradictoria.

Resultados, sobre 100:

Léelo otra vez: la búsqueda por palabras clave, tecnología de los años noventa, gana en corrección a la búsqueda vectorial, que es la que lleva dentro casi todo lo que se vende hoy como «IA sobre tus documentos». Y por bastante: diecisiete puntos.

Y esas dos columnas son la nota media de cada sistema. Si en vez de por sistema lo miras por tipo de pregunta, aparece lo peor: incluso con el sistema que mejor lo hace en cada caso, las de completitud —esas de «reúneme todo lo que tengamos sobre este cliente»— se responden bien el 40,0 % de las veces, y las semánticas el 44,8 %. Y resulta que ésas son justo las dos cosas que todo el mundo quiere pedirle a su archivo. Las dos notas son de la búsqueda por palabras clave, que en completitud empata con la vectorial; en las semánticas, la vectorial se queda en el 32,8 %.

Esto no significa que la búsqueda vectorial sea mala ni que no haya que usarla. Significa que la tecnología no es el cuello de botella, y que quien te presupueste un proyecto sin haber mirado tu corpus te está vendiendo la parte que menos manda.

¿Por qué tus documentos son más difíciles que internet?

Porque se parecen demasiado entre sí. Hay una medida de esto en el mismo estudio, y es lo más revelador de todo el artículo.

Si coges un documento y miras cuánto se parece a sus diez vecinos más próximos, en un corpus de empresa el parecido medio es de 0,83. En un corpus abierto, de internet, es de 0,69.

Traducido: en internet, la página sobre la garantía de un producto y la página sobre su instalación son textos distintos. En tu empresa, las once versiones del mismo procedimiento son casi el mismo texto, con un párrafo cambiado en la séptima. El buscador las encuentra todas y no tiene forma de saber cuál es la buena, porque nada en el documento dice que sea la buena.

De ahí sale la regla más rentable de este artículo, y no cuesta dinero: borrar es mejorar el sistema. Cada versión vieja que archivas fuera del índice sube el acierto de todas las preguntas.

¿Qué pasa exactamente con los PDF escaneados?

Que son donde se muere el proyecto sin que nadie se entere, y no por lo que la gente cree.

En un estudio de abril de 2026 sobre robustez del reconocimiento de texto, un extractor que acierta el 86,7 % en documentos limpios de laboratorio cae al 60,3 % en documentos industriales reales. Son 26 puntos que se pierden entre la demo y tu almacén. Un modelo general muy conocido bajó del 75 % al 52 % en la misma prueba.

Pero el hallazgo importante es otro. En la categoría de documentos con formato visual complicado, el reconocimiento de texto puntuaba un 82,9 % y, sin embargo, la respuesta final sólo era correcta el 52,8 % de las veces. Treinta puntos de diferencia entre leer bien el texto y entender bien el documento.

Lo que se pierde ahí no son letras: es el significado del formato. Una tabla partida entre dos páginas se lee como dos tablas. Dos columnas se leen en el orden equivocado y mezclan frases. Un texto tachado se lee como si estuviera vigente, que en un contrato es exactamente lo contrario de lo que pone.

Por eso «tenemos OCR» no es una respuesta suficiente. La pregunta correcta es qué pasa con tus documentos, y se contesta probando con veinte de los tuyos, no con la demo del fabricante.

¿Cuántas páginas puede leer de verdad? Los números que publica el fabricante

Esta es la parte que casi nadie cita, y está en la documentación oficial de los fabricantes, en abierto.

Microsoft publica un límite muy concreto: cuando un agente referencia sitios o carpetas de SharePoint, un fichero no debería pasar de 36.000 caracteres —unas 15 a 20 páginas— y si es más largo recomienda partirlo en ficheros más cortos. Es el límite de ese escenario, no una constante universal, y por eso mismo es útil: es el número que corresponde a lo que hace casi todo el mundo, apuntar el agente a una carpeta entera.

Piensa en lo que eso implica. Tu manual de calidad de 180 páginas, tu convenio, tu catálogo: todos están por encima del límite. No es que no funcionen; es que el sistema no encontrará de forma fiable el párrafo que buscas.

OpenAI publica los valores por defecto de su buscador de ficheros: trocea el texto en fragmentos de 800 tokens con 400 de solape y devuelve 10 fragmentos por consulta, configurables hasta 50. O sea, la respuesta se construye con unos diez trozos de 800 tokens, dos o tres párrafos cada uno.

¿Y lo de la ventana de un millón de tokens? Es cierto, y no resuelve esto. Un millón de tokens es el archivo de una empresa pequeña, una sola vez, pagando por él en cada pregunta. Y el propio Google reconoce en su documentación que cuando hay que localizar varios datos a la vez el modelo pierde precisión frente a buscar uno solo.

La conclusión práctica es sencilla y ahorra mucho dinero: la unidad útil no es el documento, es el fragmento. Un archivo hecho de ficheros cortos y bien titulados funciona con cualquier tecnología. Uno hecho de mamotretos no funciona con ninguna.

¿Y las tablas de Word y los cuarenta Excel?

Mala noticia, y también está por escrito. Microsoft advierte de que no se pueden leer tablas ni formato especial en el contenido de SharePoint, y recomienda quitarlos del documento antes de referenciarlo.

Media pyme española tiene su conocimiento operativo exactamente ahí: en tablas de Word y en hojas de cálculo. Precios por cliente, plazos por proveedor, quién firma qué. Es lo más consultado y lo que peor se lee.

No hay truco. Hay dos salidas honestas, y las dos son trabajo:

• Sacar la tabla del documento y convertirla en datos, en el sistema que ya tengas. Si es una tabla que se consulta a diario, probablemente lleva años pidiendo dejar de ser una tabla.
• Escribir debajo, en prosa, lo que la tabla dice. Suena tonto y funciona. Cuatro frases explicando el criterio se recuperan bien; una tabla de treinta filas, no.

¿Quién va a poder leer qué?

Esta es la pregunta que hay que hacer antes de encender nada, no después.

Copilot y los agentes recuperan la información a través de los permisos que ya existen: no inventan control de acceso, heredan el tuyo. Y Microsoft avisa de algo incómodo: por defecto, SharePoint deja la compartición en la opción más permisiva.

Dicho de otra forma: un buscador con IA no filtra tus documentos, los revela. Todo lo que estaba técnicamente accesible pero prácticamente escondido —porque estaba en una carpeta que nadie abría— pasa a estar a una pregunta de distancia. Las nóminas en una subcarpeta olvidada de «Administración» dejan de estar olvidadas.

Por eso el trabajo previo no es de tecnología, es de permisos: quién debe ver qué, escrito y revisado. Es incómodo, se tarda una tarde y evita el único incidente que de verdad hace daño. Dónde acaban físicamente esos documentos lo tengo desarrollado en dónde viven tus datos.

Los ocho criterios que yo exigiría al corpus antes de contratar nada

Esta tabla es el artículo. Todo lo demás es la explicación de por qué.

Los siete primeros se comprueban en una tarde sin gastar un euro. Y aquí conviene una aclaración, porque es la pregunta que me hacen siempre: que fallen no significa que no haya proyecto. Ordenar el corpus es parte del trabajo y lo hago yo si hace falta. Lo que cambia es el orden: si fallan cuatro o más, la primera fase es limpiar, antes de indexar nada. Lo que no funciona es pagar por indexar el desorden y luego echarle la culpa al modelo.

¿Cuánto tiempo hay que guardar cada cosa, y desde cuándo?

Aquí hay una coincidencia útil: las obligaciones legales de conservación son, casi literalmente, una política de calidad documental escrita antes de que existiera nada de esto.

• El artículo 30 del Código de Comercio obliga a conservar libros, correspondencia, documentación y justificantes durante seis años desde el último asiento.
• A efectos fiscales el plazo de referencia son cuatro años, y la Agencia Tributaria exige garantizar autenticidad del origen, integridad del contenido y legibilidad, además de permitir el acceso de la Administración sin demora.
• El registro diario de jornada se conserva cuatro años.

Fíjate en «legibilidad» y en «acceso sin demora». Eso está escrito en normativa fiscal, no en un manual de tecnología, y significa exactamente lo mismo que llevo diciendo todo el artículo: que se pueda leer y que se pueda encontrar. Si tu archivo no cumple eso, el problema no lo tienes con la IA, lo tienes con una inspección.

Y por el otro lado está el techo, que también es ley: el Reglamento europeo de protección de datos obliga a minimizar —tratar sólo los datos necesarios— y a limitar el plazo de conservación. Guardarlo todo para siempre porque es más cómodo no es una postura conservadora: es un incumplimiento.

La Agencia Española de Protección de Datos publicó en julio de 2026 una nota técnica sobre calidad y exactitud de los datos en tratamientos con IA que dice, con otras palabras, la tesis de este artículo: define los requisitos de calidad de forma objetiva, documéntalos, ponles métricas y haz seguimiento. Y añade un matiz contra el perfeccionismo que paraliza: la exactitud no exige datos plenamente veraces ni completamente actualizados, sino adecuados a la finalidad. No necesitas un archivo perfecto. Necesitas uno adecuado a lo que le vas a pedir.

¿Puedo indexar la carpeta compartida entera y ya está?

Es lo que todo el mundo quiere hacer, y es justo lo que esos dos principios te obligan a justificar. No lo prohíben: te piden que puedas explicar por qué cada cosa está ahí y hasta cuándo. En una carpeta compartida heredada de quince años, esa explicación no existe.

Indexar todo tiene además un problema práctico, además del legal: empeora el resultado. Ya hemos visto que el ruido —duplicados, versiones viejas, contradicciones— es lo que hunde el acierto. Meter más documentos no da más respuestas: da más candidatos parecidos entre los que el sistema tiene que elegir sin criterio.

Empieza por una carpeta. La que más consultas se lleve. Si funciona ahí, funcionará en la siguiente; si no funciona ahí, no ibas a arreglarlo metiendo diez veces más.

El mínimo que yo dejaría hecho antes de encender nada

Cinco cosas, por orden, y ninguna necesita proveedor:

1. Elige una sola carpeta y una sola pregunta que quieras poder hacerle.
2. Deja una versión vigente de cada documento. Lo demás, a un «Histórico» que no se indexa.
3. Renombra con el criterio más aburrido que se te ocurra: qué es, de quién, de cuándo.
4. Comprueba que los PDF tienen texto. Los que no, sepáralos: son otro trabajo, que se habla aparte.
5. Revisa los permisos de esa carpeta entrando con la cuenta de alguien nuevo.

Con eso hecho, un buscador documental sobre lo que ya pagas suele resolver el problema. Lo que cuesta depende de cómo esté tu archivo, y aquí se ve por qué: entre montarlo sobre una carpeta limpia de 400 documentos y montarlo sobre un archivo repartido en cuatro sitios con permisos heredados hay un proyecto de diferencia. Por eso lo hablamos después de verlo. Como lleva un modelo de IA, le conviene un Doc de guardia desde el primer día, porque el modelo hay que cuidarlo. Y lo digo con la condición de siempre: si el corpus no está listo, el proyecto no se hace todavía, y te lo diré aunque vengas a por él. Si son pocos documentos, además, casi seguro que no lo necesitas y te lo resuelve lo que ya tienes contratado.

Si lo que quieres es la foto completa —qué documentos hay, cuáles se consultan y cuánto tiempo se va en encontrarlos— eso se mide en un diagnóstico. Y si lo que tienes es algo ya montado que no funciona, la conversación es otra: empieza por por qué se rompen las automatizaciones, que explica cuándo todavía compensa arreglarlo y cuándo ya no.

Fuentes

Todo lo que se afirma arriba con una cifra o una fecha sale de aquí. Si alguna de estas páginas cambia y esta nota no, escríbeme y la corrijo.

1. EnterpriseRAG-Bench — Banco de pruebas de recuperación sobre documentación de empresa (arXiv, mayo de 2026)
2. Robustez del OCR en sistemas de recuperación industriales (arXiv, abril de 2026)
3. Microsoft Learn — Optimizar la recuperación de contenido: límite de 36.000 caracteres y tablas
4. Microsoft Learn — Preparar SharePoint para Copilot: permisos y compartición
5. OpenAI — File search: troceado y número de fragmentos recuperados
6. Google — Contexto largo en la API de Gemini y sus límites
7. Eurostat — Integración de sistemas: empresas españolas con ERP
8. BOE — Código de Comercio, artículo 30 (conservación durante seis años)
9. AEAT — Obligación de conservar las facturas
10. AEPD — Calidad, exactitud y minimización de datos en tratamientos con IA

Si esto te toca de cerca

• Buscador en tus documentos

  Preguntar a vuestros manuales, tarifas y contratos como quien pregunta a la persona que se los sabe.

• IA práctica para tu equipo

  Que tu equipo use la IA con criterio en su trabajo de verdad, sepa dónde está el límite y no meta ahí lo que no debe.