The Papers

Guía

Markdown, PDF o JSON: qué formato lee mejor la IA

La IA lee mejor Markdown para la prosa y la estructura, JSON para los valores exactos que necesitan campos como periodo, moneda y matiz, y PDF es el que peor lee, porque guarda la maquetación en lugar del significado. Para los documentos importantes, conserva el PDF para las personas y publica versiones en Markdown y JSON del mismo contenido con fidelidad comprobada para la IA.

La comparación en breve

PDFMarkdownJSON
Pensado paraImprimir y visualizarLeer y escribir textoProgramas
Títulos y ordenDeducidos de la maquetaciónExplícitos (#, ##)Explícitos si el esquema los incluye
TablasTexto posicionado, frágilTablas sencillas con barras verticalesFilas y campos
GráficosFormas; los valores a menudo se pierdenSolo si se escriben como tablaSeries como datos
Unidades, periodo, maticesDispersos en la maquetaciónEn el texto, junto a los valoresCampos separados por valor
Bueno para citarFlojoMuy buenoFlojo para la prosa
Bueno para valores exactosFlojoBuenoEl mejor
Cómodo para personasEl mejorBuenoMalo

PDF: excelente para personas, el más débil para la IA

Un PDF se ve igual en todas partes, y por eso los documentos de empresa se comparten en PDF. Pero una IA tiene que reconstruir la estructura a partir de la posición de los caracteres. El centro de ayuda de OpenAI señala que ChatGPT puede no extraer con fiabilidad valores exactos de tablas basadas en imágenes, archivos escaneados o maquetaciones complejas, y recomienda hojas de cálculo o archivos de texto cuando los valores exactos importan. Los gráficos dentro de los PDF solo se leen donde está disponible la recuperación visual.

Markdown: el formato natural para los modelos de lenguaje

Markdown es texto plano con una estructura ligera: títulos, listas, tablas, enlaces. Los modelos lo leen directamente sin reconstruir nada, es compacto y las citas que se toman de él son precisas. Su punto débil es que un valor sigue siendo solo texto: «4,2 M$» en una celda depende del encabezado de arriba para su periodo y de una frase cercana para el «sin auditar».

El front matter (un bloque YAML al principio) ayuda: puede indicar la URL canónica, la versión y el estado, para que un agente sepa qué está leyendo y si está actualizado.

JSON: valores exactos con su significado asociado

JSON sirve para cuando un agente tiene que usar un número en lugar de citar una frase: comparar periodos, calcular un ratio, rellenar un formulario. Un buen esquema guarda cada métrica con sus propios campos, de modo que nada depende de la maquetación.

  • valor y unidad/moneda
  • periodo (p. ej., FY2025, T3 2026)
  • clasificación (real, previsión, presupuesto)
  • matices (sin auditar, pro forma, «hasta»)
  • referencia a la fuente (página, diapositiva o celda)

Por qué la respuesta es «ambos, desde una sola fuente»

Cada lector quiere un formato distinto: una persona abre la página, un asistente de chat prefiere Markdown, un agente que hace análisis quiere JSON. El riesgo es la divergencia: tres archivos mantenidos por separado acaban contradiciéndose. La cuestión del formato importa menos que tener una única fuente con fidelidad comprobada a partir de la cual se generen todos los formatos, en direcciones que no cambian.

Así funciona The Papers: cada documento se convierte en una única versión IA canónica con una página web, Markdown (/{room}/{doc}.md, con front matter para la URL canónica, la versión, el estado y la preparación para IA) y JSON (/{room}/{doc}.json, con bloques, métricas con periodo, moneda y clasificación, matices, afirmaciones y la procedencia de cada página). Todo se contrasta con la fuente antes de publicar, y las analíticas por documento muestran qué formato usó cada lector de IA.

Preguntas frecuentes

¿Un .txt plano es tan bueno como Markdown?
Es legible, pero pierdes los títulos y las tablas, que ayudan a los modelos a encontrar y citar la sección correcta. Markdown no cuesta nada más.
¿Debería convertir todos mis PDF a Markdown?
Convertir es un comienzo, pero revisa las cifras: los conversores pueden perder encabezados o signos sin avisar. En los documentos en los que las cifras importan, verifica el resultado con la fuente.
¿Leerá ChatGPT un archivo JSON que suba?
Sí, como texto. JSON es más útil para agentes y herramientas que procesan valores de forma programática; para preguntas conversacionales, Markdown suele ser más cómodo.
¿Y los archivos de Word o Excel?
Tienen más estructura que un PDF: Word tiene títulos y tablas reales, y Excel tiene valores de celda y fórmulas. Son buenas fuentes para crear Markdown y JSON.

Publica una única fuente con fidelidad comprobada y sírvela como página, Markdown y JSON.

Fuentes

Guías relacionadas