1. Introducción

En los proyectos de ingeniería civil y geotecnia, la información crítica rara vez está ausente; el problema real es cómo usarla a tiempo. Informes extensos, especificaciones técnicas, anexos, estudios de suelo y memorias de diseño pueden sumar fácilmente cientos o miles de páginas. La mayor parte de este contenido es valioso, pero está distribuido de forma que exige múltiples lecturas para conectar ideas, referencias cruzadas y requisitos.

En este contexto, el desafío no es simplemente "programar una aplicación" o "usar un modelo de lenguaje para leer PDFs". El desafío es entender dónde se pierde realmente el tiempo y la energía cognitiva en la producción de ingeniería, y cómo transformar ese cuello de botella en una oportunidad para mejorar tanto la velocidad como la calidad de las decisiones.

Este caso de estudio describe cómo se diseñó e implementó una arquitectura cognitiva AI-readable que conecta tres elementos: el desafío documental, una arquitectura técnica y la oportunidad de producir mejores resultados en menos tiempo.

2. El desafío: documentos extensos y cuello de botella cognitivo

En la práctica, muchos proyectos se enfrentan a situaciones como las siguientes:

• Especificaciones técnicas de construcción con cientos de páginas, donde las condiciones particulares, excepciones y notas al pie están dispersas a lo largo del documento.
• Informes de diseño e ingeniería que integran antecedentes, criterios de diseño, resultados de modelos numéricos, anexos y tablas con datos de campo y laboratorio.
• Documentos redactados para ser completos y trazables, pero que, por su longitud, son difíciles de leer de forma integral por una sola persona.

En un escenario típico, un equipo de ingeniería puede enfrentarse a más de 1.000 páginas que deben ser entendidas, analizadas y tenidas en cuenta para la toma de decisiones de diseño, supervisión o control de calidad. Sin embargo, pocas veces existe personal dedicado exclusivamente a la lectura profunda y sistemática de toda esa documentación. El resultado es un cuello de botella cognitivo:

• Se requiere mucho más tiempo del disponible para leer y comprender los documentos.
• Es difícil retener y cruzar mentalmente toda la información relevante.
• Aumenta el riesgo de pasar por alto requisitos, restricciones o condiciones particulares.

Los modelos de lenguaje (LLMs) ofrecen una oportunidad clara para apoyar este proceso: pueden ayudar a leer, resumir, comparar y responder preguntas sobre la documentación. Pero para que eso sea posible, primero debe resolverse un problema de base: la forma en que la información llega al modelo.

3. De problema a oportunidad: pensar primero la arquitectura

La pregunta clave no fue "¿en qué lenguaje se desarrolla una aplicación?", sino "qué puente es necesario entre la documentación y el modelo de lenguaje". Es decir, cómo pasar de:

• Un conjunto de PDFs extensos, con texto, tablas, imágenes y mucho contenido accesorio,
• a un formato estructurado, filtrado y legible para un modelo de lenguaje,
• que permita consultas rápidas, respuestas trazables y apoyo real a la toma de decisiones.

A partir de este análisis, se definió una arquitectura cognitiva AI-readable con tres componentes principales:

1. Capa documental: los PDFs originales entregados en el proyecto.
2. Capa de procesamiento AI-readable: una serie de pasos para convertir, limpiar y estructurar la información.
3. Capa cognitiva humano–IA: un asistente basado en modelos de lenguaje, configurado con reglas y un rol específico, que trabaja sobre el corpus procesado.

En este esquema, la programación no es el objetivo final, sino uno de los medios para lograr una arquitectura que permita a la IA asumir el trabajo pesado de preparar y estructurar la información, mientras que el equipo de ingeniería conserva el rol central en la interpretación y en la toma de decisiones.

4. El rol del conversor PDF → Markdown dentro de la arquitectura

Un elemento clave de la arquitectura fue el desarrollo de una herramienta de conversión PDF → Markdown, diseñada específicamente para facilitar el trabajo con modelos de lenguaje. En lugar de intentar que el modelo "lea" directamente los PDFs, la herramienta:

• Recibe los documentos en PDF, con texto, tablas, imágenes y elementos gráficos.
• Aplica reconocimiento de texto (OCR) cuando es necesario para PDFs escaneados.
• Detecta estructuras como títulos, listas, tablas y bloques de texto.
• Convierte el contenido a archivos .md (Markdown), un formato de texto plano estructurado y fácil de interpretar por un modelo de lenguaje.

El uso de Markdown aporta varias ventajas:

• Es un formato simple, legible por humanos y máquinas.
• Permite preservar niveles de encabezados, listas, tablas y referencias internas.
• Facilita dividir el contenido en secciones coherentes y manejables.
• Reduce la fricción para incorporar el corpus en flujos posteriores con modelos de lenguaje.

La herramienta no solo convierte, sino que también forma parte de un pipeline de procesamiento más amplio que incluye manejo de imágenes, tablas y estadísticas del documento.

5. Filtrado de ruido y selección de contenido útil

Un hallazgo importante en el uso de modelos de lenguaje sobre PDFs completos es que gran parte del contenido no es útil para fines de producción. En muchos documentos aparecen:

• Formularios, templates estándar y carátulas repetidas.
• Direcciones y datos de contacto de la empresa.
• Logotipos, pies de página y elementos puramente administrativos.

Si todo esto se entrega sin filtrar a un modelo de lenguaje, el resultado es un procesamiento menos eficiente: el contexto se llena con información que no aporta valor a las decisiones técnicas, y se reduce la capacidad del modelo para enfocarse en lo que realmente importa.

Por este motivo, el proceso de conversión incluyó una etapa de filtrado y selección de contenido útil, centrado en:

• Secciones con criterios de diseño y especificaciones técnicas.
• Resultados de ensayos y tablas de datos relevantes.
• Conclusiones, recomendaciones y criterios normativos.

De esta forma, el corpus en Markdown se convierte en una representación concentrada del conocimiento del proyecto, con mucho menos ruido documental.

6. Del corpus AI-readable al asistente basado en modelos de lenguaje

Una vez convertidos y filtrados los documentos, se construyó un corpus AI-readable, es decir, un conjunto de archivos en texto estructurado listos para ser utilizados por un modelo de lenguaje. Sobre este corpus se configuró un asistente especializado (un "GPT" en términos generales), con un comportamiento adaptado a las necesidades de la ingeniería civil y geotécnica.

En esta fase, el énfasis estuvo en dos aspectos:

1. Definición de rol y reglas:
   El asistente se configuró para actuar como un apoyo técnico documental, no como una fuente de información externa. Algunas de las reglas incluyeron:
   • Responder únicamente con base en los documentos convertidos.
   • Indicar cuando no hay información suficiente en el corpus.
   • Evitar extrapolaciones que no estuvieran sustentadas en el texto.
   • Ofrecer respuestas con estructura clara (por ejemplo, tablas o listas) cuando fuera pertinente.
2. Importancia del diseño de instrucciones (prompt engineering):
   Se definieron instrucciones para que el asistente:
   • Explicara bajo qué criterio daba una respuesta.
   • Identificara y destacara referencias cruzadas entre secciones.
   • Respondiera en el formato requerido por el equipo (por ejemplo, párrafos técnicos, resúmenes ejecutivos o cuadros comparativos).
   Este diseño de instrucciones se convirtió en una capa de control cognitivo, que permite evaluar si la respuesta es de calidad o si requiere una revisión más profunda antes de ser incorporada a un informe final.

7. Resultados: producción más rápida y mejor calidad

La combinación de conversión PDF → Markdown, filtrado de contenido y configuración de un asistente basado en modelos de lenguaje generó beneficios simultáneos en producción y en calidad:

7.1 Optimización de producción

• Reducción del tiempo necesario para localizar información precisa dentro de documentos extensos.
• Capacidad de formular preguntas específicas al asistente y obtener respuestas en segundos, en lugar de dedicar horas a buscar manualmente.
• Posibilidad de preparar borradores iniciales de análisis o resúmenes, que luego son revisados y ajustados por el equipo técnico.

7.2 Mejora de la calidad y trazabilidad

• Mayor probabilidad de considerar todas las secciones relevantes de un documento, incluso aquellas que suelen pasar desapercibidas en una lectura rápida.
• Mejor capacidad para cruzar información entre diferentes partes de los informes, identificando inconsistencias o vacíos.
• Facilidad para justificar decisiones técnicas con referencia directa a la documentación que las respalda.

En conjunto, la arquitectura cognitiva AI-readable permitió que la lectura de más de 600 páginas de documentación técnica se transformara en un conjunto de líneas y secciones sensibles, accesibles para el asistente y revisables por el equipo humano sin perder el control del proceso.

8. Diagramas del proceso

Para representar visualmente esta experiencia, se desarrollaron dos diagramas de flujo en sentido vertical:

1. Figura 1 – Desafío / Arquitectura / Oportunidad:
   Muestra el recorrido desde el desafío de los documentos extensos, pasando por la identificación del cuello de botella cognitivo y el diseño de la arquitectura AI-readable, hasta la oportunidad de tomar decisiones más rápidas, trazables y eficientes.
2. Figura 2 – Proceso del PDF → Markdown Converter:
   Detalla los pasos del conversor, desde la entrada del PDF con texto, imágenes y ruido documental, la aplicación de OCR, la detección de estructuras y el filtrado de contenido, hasta la generación del corpus en Markdown listo para ser utilizado por un modelo de lenguaje.

Ambas figuras complementan la narrativa del caso de estudio y sirven como guía para quienes deseen replicar la metodología en otros proyectos.

9. Lecciones para otros proyectos de ingeniería

De esta experiencia se desprenden varias lecciones aplicables a proyectos similares en ingeniería civil, geotecnia y otras disciplinas:

• El punto de partida no es la tecnología, sino el desafío productivo y cognitivo concreto que se desea resolver.
• Una arquitectura bien pensada es más importante que cualquier herramienta aislada; el conversor PDF → Markdown es valioso porque forma parte de un flujo completo orientado al uso efectivo por modelos de lenguaje.
• La calidad del corpus entregado al modelo de lenguaje es tan importante como la configuración del propio modelo.
• El diseño de instrucciones (prompt engineering) es una pieza clave para lograr respuestas útiles, auditables y alineadas con la práctica profesional.

10. Conclusión

El uso de inteligencia artificial en proyectos de ingeniería no se limita a "tener acceso a un modelo de lenguaje"; depende de cómo se diseñan los puentes entre la documentación y la IA. En este caso, el desafío de trabajar con volúmenes masivos de información se transformó en una oportunidad gracias a una arquitectura cognitiva AI-readable que integra conversión de PDFs, filtrado inteligente, estructuración del conocimiento y un asistente configurado con reglas claras.

La experiencia demuestra que es posible reducir tiempos de producción y, al mismo tiempo, elevar la calidad y trazabilidad de las decisiones técnicas. La clave está en dejar que la IA haga el trabajo pesado de procesamiento, sin renunciar al criterio profesional que solo el equipo humano puede aportar.