Cómo entrenar un chatbot de IA con PDF y documentos (sin malas respuestas)
Actualizado el 6 de noviembre de 2026
Cómo preparar PDF y documentos para que un chatbot de IA responda a partir de ellos con precisión: qué se analiza mal, cómo afecta la fragmentación a las respuestas, cómo probar la recuperación y cómo mantener los archivos al día.
Para entrenar un chatbot de IA con PDF no reentrenas un modelo. Subes los documentos, la herramienta extrae su texto, lo divide en fragmentos y lo indexa; cuando un cliente pregunta algo, se recuperan los fragmentos más cercanos y la IA responde a partir de ellos. Eso significa que la calidad de tus respuestas depende mucho más de lo legibles que sean tus PDF que del modelo de IA que elijas. Esta guía cubre la preparación de los archivos, los formatos que se analizan mal, cómo funciona la fragmentación, las pruebas y cómo mantener los documentos actualizados.
Empieza eligiendo los documentos adecuados, no todos. Los mejores candidatos son los documentos sobre los que los clientes ya preguntan: manuales de producto, fichas técnicas, condiciones de garantía, políticas de envíos y devoluciones, listas de precios, guías de incorporación, preguntas frecuentes. Deja fuera los borradores internos, las versiones antiguas, los contratos con nombres de clientes y cualquier cosa que no quieras que el bot cite textualmente a un cliente. Cada archivo que subes es algo que el bot puede repetir, así que cúralo como si lo estuvieras publicando.
Elimina duplicados y versiones antiguas primero. Si «Garantía 2023.pdf» y «Garantía 2025.pdf» están ambos subidos, el bot a veces responderá con el antiguo, y sonará igual de seguro. Antes de subir, elige una versión vigente de cada documento y borra el resto de la base de conocimiento. Pon la fecha de entrada en vigor en el propio documento («En vigor desde el 1 de marzo de 2026») para que tanto tú como el bot podáis saber qué versión es.
Sabe qué se analiza bien. Los PDF exportados desde Word, Google Docs o un sitio web (texto que puedes seleccionar y copiar) se extraen limpiamente. Los documentos de Word, el texto plano y Markdown son todavía más fáciles, porque llevan su estructura directamente. Una prueba rápida: abre el PDF, selecciona un párrafo y pégalo en un editor de texto plano. Si sale como frases legibles en el orden correcto, el chatbot también lo leerá. Si sale desordenado, también lo estarán las respuestas.
Los PDF escaneados necesitan OCR. Una página escaneada es una imagen de texto, no texto. Sin reconocimiento óptico de caracteres (OCR), la herramienta no extrae nada, y el chatbot simplemente nunca encontrará ese contenido. Con OCR extrae la mayor parte del texto, pero los sellos, la letra manuscrita, los escaneos de bajo contraste y las páginas torcidas producen errores como «0» en lugar de «O» o líneas que faltan. Si un documento importante solo existe como escaneo, a menudo es más rápido volver a escribir las páginas clave que depurar errores de OCR más adelante.
Las maquetaciones de varias columnas y las cabeceras causan daños silenciosos. La extracción de texto suele leer de lado a lado una página de dos columnas, mezclando frases de ambas. Las cabeceras y pies de página repetidos («Confidencial de la empresa, página 4 de 30») se quedan atascados en mitad de los párrafos. Los folletos con cuadros de texto y barras laterales son los peores casos. Si tienes un archivo fuente en Word o Google Docs, sube ese en lugar del PDF diseñado, o exporta una versión sencilla de una sola columna para el chatbot.
Las tablas son la parte más difícil. En muchos PDF una tabla es solo texto colocado en una cuadrícula, sin filas y columnas reales debajo. Tras la extracción, una tabla de precios puede convertirse en una serie de números sin etiquetas, y el bot puede asociar el precio equivocado al plan equivocado. Arréglalo en el origen: reescribe las tablas importantes como frases o listas cortas («El plan Pro cuesta $40 al mes e incluye 5 usuarios»), o ponlas en una hoja de cálculo o un CSV si tu herramienta lo admite. Después prueba las preguntas exactas que responde la tabla.
Las imágenes y los diagramas son casi invisibles. Un diagrama de cableado, una tabla de tallas guardada como imagen o una captura de una configuración contienen información que el extractor de texto nunca ve, a menos que la herramienta ejecute OCR o lectura de imágenes sobre ellos, e incluso así el significado de un diagrama rara vez sobrevive. Si la respuesta vive en una imagen, añade junto a ella una frase que diga lo mismo con palabras.
Cómo afecta la fragmentación a tus respuestas. Las herramientas dividen los documentos en fragmentos, normalmente de unas pocas cientos de palabras cada uno, y recuperan los fragmentos que mejor encajan con la pregunta. La consecuencia práctica: una respuesta tiene que poder encontrarse dentro de un solo fragmento. Si una política dice «Las devoluciones se aceptan en 30 días» en la página 2 y «excepto artículos de oferta» en la página 9, el bot puede recuperar fácilmente una sin la otra. Mantén cada regla y sus excepciones juntas, en el mismo párrafo, bajo un encabezado que nombre el tema.
Escribe encabezados que coincidan con la forma en que preguntan los clientes. La fragmentación y la recuperación funcionan mejor cuando un documento está organizado bajo encabezados claros y descriptivos: «¿Cuánto tarda el envío a Canadá?» se recupera mejor que «Sección 4.2 Logística». No necesitas reescribir un manual entero; añadir encabezados en lenguaje del cliente a las diez secciones más consultadas da la mayor parte del beneficio. Usa las palabras que usan los clientes: si dicen «reembolso» y tu documento dice «reintegro», añade «reembolso» al encabezado.
Divide los documentos enormes. Un manual de 300 páginas subido como un único archivo funciona, pero hace la recuperación más ruidosa y las actualizaciones más difíciles. Dividirlo en capítulos (instalación, solución de problemas, garantía) facilita ver qué parte respondió una pregunta y reemplazar un capítulo sin volver a subir todo. Lo mismo ocurre con un PDF de políticas «de todo»: tres documentos sobre tres temas suelen recuperarse mejor que uno solo.
Prueba antes de que lo hagan los clientes. Escribe veinte preguntas reales de tu bandeja, incluidas cinco que los documentos responden solo en una tabla, una que solo aparece en un archivo escaneado y tres que los documentos no responden en absoluto. Haz cada una. Para cada respuesta, compárala con la página fuente. Buscas tres fallos: hechos erróneos (normalmente un problema de análisis o de versiones duplicadas), «no lo sé» cuando la respuesta existe (normalmente un problema de fragmentación o de encabezados) y respuestas inventadas cuando no existe (un problema de fundamentación, y el más grave).
Arregla la causa, no el síntoma. Si una respuesta de tabla es errónea, reescribe la tabla; no añadas una regla de prompt sobre ella. Si el bot se pierde una respuesta que existe, añade un encabezado o mueve la excepción junto a la regla. Si una respuesta exacta debe ser siempre correcta (la duración de la garantía, la penalización por cancelación), añádela también como un par separado de pregunta y respuesta, para que no dependa de cómo se dividió un PDF.
Mantén los documentos al día con una rutina sencilla. Asigna a cada documento subido un responsable y una fecha de revisión. Cuando cambie una política, sustituye el archivo el mismo día y borra el antiguo, en lugar de subir una nueva versión junto a la vieja. Una vez al mes, mira las preguntas que el bot no pudo responder y las respuestas que los clientes valoraron negativamente; cada una suele señalar un documento que falta, está obsoleto o no se puede leer.
Cuida lo que hay en los archivos. Antes de subir, busca en los documentos datos personales, notas de precios internas, nombres de empleados y teléfonos, y cualquier cosa que esté bajo un acuerdo de confidencialidad. La recuperación no sabe qué párrafo se pensó como interno. Si un archivo mezcla contenido público y privado, crea una versión pública para el chatbot.
Dónde encaja ZChat. ZChat te permite subir archivos PDF, Word, Excel, PowerPoint, CSV, HTML, texto y Markdown en la página de Base de conocimiento, junto con el rastreo del sitio web, artículos de ayuda y pares de preguntas y respuestas con formulaciones alternativas. Los PDF escaneados y las imágenes se leen con OCR cuando el espacio de trabajo tiene una clave de OpenAI, gestionada o propia. La IA dice cuándo no lo sabe en lugar de adivinar, y las pruebas con clientes simulados por IA te permiten ejecutar tus veinte preguntas como una prueba repetible después de cada cambio en los documentos.
Dónde no encaja. Si tu necesidad principal es buscar entre miles de archivos internos para los empleados, una herramienta de búsqueda empresarial encaja mejor que un chatbot de soporte orientado al cliente. Y ninguna herramienta arregla un documento que está mal; la rutina de arriba importa más que el software.
Entrenar un chatbot con PDF significa extracción, fragmentación y recuperación, así que la calidad de las respuestas depende de lo legibles que sean tus archivos.
Los escaneos, las maquetaciones de varias columnas, las tablas y las imágenes se analizan mal; arréglalos en el origen y mantén cada regla junto a sus excepciones.
Prueba con preguntas reales contra las páginas fuente, y conserva una única versión vigente de cada documento con responsable y fecha de revisión.