11 de agosto de 2026. Un documento puede estar archivado de forma segura y seguir siendo invisible para un asistente de IA. Tengo ese problema en VALESKA, el sistema de documentos y memoria organizacional que estoy construyendo: la vía de ingestión anterior leía principalmente texto plano, mientras que los PDF depositados podían quedar sin texto extraído. Ingestión significa incorporar material al sistema. Archivar el original no equivale a permitir búsquedas en su contenido.
La gente envía los formatos que produce su trabajo: contratos en PDF, hojas de cálculo, presentaciones, correo y páginas escaneadas. Pedir a todos que conviertan todo primero traslada la carga al personal y crea otra oportunidad de perder el vínculo con el original. Quiero que el sistema intente leer los documentos tal como llegan e informe de lo que realmente pudo leer. Un muelle de carga sirve de poco si solo acepta paquetes ya abiertos en la oficina de arriba.
La compatibilidad de formatos es el comienzo
El extractor de hoy, el componente que convierte un archivo en texto, añade vías para PDF, Office, OpenDocument, correo, páginas web HTML y otros formatos. Distintos motores de lectura manejan distintos archivos, con alternativas cuando uno falla. El código puede informar de qué motores están disponibles en la máquina y cuál produjo un resultado. Por tanto, reconocer una extensión de archivo declara una cobertura en el código; no demuestra que todas las máquinas puedan leer correctamente todos los archivos de ese tipo.
OCR, reconocimiento óptico de caracteres, intenta recuperar palabras a partir de imágenes de texto. Se reserva para los PDF cuyos lectores de texto no producen suficiente contenido, en lugar de sustituir una capa de texto existente. Su límite de páginas acota la cantidad que se intenta procesar y una marca identifica el truncamiento. Son límites operativos, no una promesa de recuperación completa o exacta. Un documento mixto con texto legible y páginas escaneadas sigue necesitando una revisión de posibles omisiones.
El commit registra la extracción de trece PDF difíciles en 2.948 fragmentos, las secciones de texto más pequeñas preparadas para búsquedas posteriores. También informa de una página convertida en imagen cuyo texto se recuperó literalmente mediante OCR en 0,2 segundos. Son observaciones alentadoras y concretas, no una evaluación de exactitud para todos los formatos, idiomas, tablas o escaneos dañados compatibles. Un recuento de fragmentos mide el volumen de salida; no me dice si una cláusula contractual se conservó correctamente.
Las pruebas que acompañan el cambio incluyen ejemplos generados de Office y correo, el rechazo de un contenedor documental corrupto y comprobaciones de PDF en blanco y del comportamiento del OCR. Algunas requieren software opcional y pueden omitirse. El resultado registrado de la batería completa es de 517 pruebas superadas y dos omitidas. Lo trato como evidencia histórica de pruebas, no como una ejecución nueva ni como un certificado de que todos los documentos empresariales saldrán intactos.
Quienes realizan los cambios también necesitan límites
Esta semana también revela otro riesgo: varios agentes de programación trabajando alrededor del mismo repositorio, la colección de archivos del proyecto con control de versiones. Un commit es un conjunto de cambios registrado. Un agente puede incluir por accidente el trabajo inacabado de otra persona, aunque la descripción del commit parezca inofensiva. El nuevo control compara los archivos seleccionados con una línea de base, un registro de lo que ya estaba modificado al comenzar la sesión.
Los cambios posteriores comprueban las declaraciones de tareas para detectar posibles esfuerzos duplicados y advierten que no se debe considerar abandonada una copia de trabajo inaccesible desde una máquina. Hoy también corrijo la ubicación de la línea de base en un worktree recién creado, una copia de trabajo aislada, y hago que el control anuncie cuándo está inactivo. La corrección del worktree registra una comprobación integral satisfactoria en un repositorio desechable. Eso respalda la corrección en ese escenario, no una protección universal.
Los límites importan. Sin una línea de base o sin el programa necesario para ejecutar la comprobación, el mecanismo avisa, pero sigue permitiendo el commit. Su filtro de archivos seleccionados no incluye las eliminaciones. Las comprobaciones de coincidencia temática dependen de las tareas registradas y pueden anularse. Estas medidas reducen riesgos concretos; no pueden garantizar que los agentes nunca dupliquen trabajo, borren archivos o interfieran con cambios realizados después de la línea de base.
Lo que necesito comprobar después
Para quien toma decisiones en una empresa, ambos frentes plantean la misma pregunta: ¿éxito significa que se comprobó el trabajo o simplemente que ningún error lo detuvo? Mi próximo ejercicio de aceptación consiste en contrastar una muestra representativa de documentos con los originales, junto con casos de colaboración que muestren cuándo el control bloquea y cuándo solo avisa. Ampliar los formatos de entrada y hacer visibles las limitaciones es un avance. Todavía no autoriza a dejar de revisar.
Base histórica: commits de VALESKA 2310a77, del 8 de agosto; 40e3cc9, del 9 de agosto; y 6c5b473, d37d040, 1cdc795, del 11 de agosto de 2026. Las fechas utilizan la zona horaria America/Los_Angeles.