Para trabajar con Chatbots de IA y con programas como Zotero,  es conveniente que los archivos PDF  tengan “capacidad de búsqueda” de texto.

Es frecuente que los archivos PDF de documentos, libros, escritos, solo contengan imágenes de los documentos escaneados. Es el caso de los expedientes electrónicos del SISE.

Si bien se puede leer esos documentos PDF en Zotero, como son solo imagen, no es posible realizar búsquedas, seleccionar y copiar texto.

Lo ideal es realizar Reconocimiento Óptico de Caracteres (OCR) para obtener un PDF con texto seleccionable, copiable y con capacidad de búsqueda.

El OCR en un PDF no altera las imágenes, el texto queda “incrustado” en el PDF como una capa invisible.

Adicionalmente, para trabajar con Chatbots IA en línea  (Claude, ChatGPT, Gemini etc) con documentos que contienen datos personales o confidenciales, se deben eliminar ese tipo de datos. ¿Por qué? Porque se pierde el control de los archivos subidos y no se pueden eliminar; además las empresas pueden esos datos para entrenar sus modelos. 

Para eliminar datos personales en documentos PDF se deben editar las imagenes antes de realizar el OCR en los mismos Chatbots, o bien, realizar OCR del documento  y eliminar las palabras, o frases de datos personales.

Diagrama del proceso OCR:

En los siguientes videos (de terceros) se explica en qué consiste el OCR, y las distintas alternativas de software que realizan OCR.

Pros: OCR de alta calidad; velocidad de OCR; capacidad realizar proceso OCR en muchos archivos al mismo tiempo; seguridad.

Contras: Precio

Un programa eficiente es Power PDF

Puedes descargar una versión de prueba de PowerPDF, de 15 días:

https://www.tungstenautomation.com/products/power-pdf/standard-free-trial

https://tools.pdf24.org/es/ocr-pdf

Pros: gratis.

Contras: NO hay control sobre el destino del archivo.

OCR de media o baja calidad. No es recomendable usar servicios en línea para documentos legales en resguardo de los juzgados.