Dale una sola decisión al LLM: de PDFs inconsistentes a Excel estructurado

OpositaTCAE —una plataforma de preparación de oposiciones sanitarias— tenía una tarea recurrente. En cada convocatoria, las administraciones publican las listas de admisión en PDF, y cada comunidad las formatea distinto: unas son texto real, otras son escaneos, y las columnas cambian de sitio de un documento a otro. Convertir eso en una hoja de cálculo usable era manual, lento, y de esas cosas que nadie quiere hacer dos veces.

La solución obvia —pasarle el PDF a un LLM y pedirle la tabla de vuelta— es también la equivocada. Un LLM que lee el documento en crudo y transcribe los valores y decide la estructura tiene tres sitios donde alucinar, y el que más importa es el de los datos. Un número de DNI mal vale menos que no tener salida ninguna.

Así que lo construí al revés. El LLM toma exactamente una decisión, y nunca toca los datos.

flowchart LR
  PDF[PDF del examen] --> Q{¿Capa de texto?}
  Q -->|sí| PARSE[Parseo determinista]
  Q -->|no| OCR[OCR con Textract]
  PARSE --> ROWS[Filas estructuradas]
  OCR --> ROWS
  ROWS --> LLM["LLM · una decisión:
¿qué es cada columna?"]
  LLM --> XLSX[(Excel)]

Determinismo primero, IA solo donde aporta

El pipeline lee el documento de forma determinista antes de involucrar a ningún modelo. PyMuPDF comprueba si la página tiene de verdad una capa de texto extraíble. Si la tiene, las filas se parsean directamente —sin modelo, sin adivinar—. Si no, la página es un escaneo, y solo entonces pasa a Textract para OCR. En ambos casos, lo que sale son filas ya estructuradas con valores reales.

text = page.get_text().strip()
if text:
    rows = parse_text_layout(page)     # determinista: los valores son exactos
else:
    rows = ocr_scanned_page(page)      # OCR como fallback, solo si hace falta

# el modelo nunca ve el PDF en crudo, solo muestras de columnas:
columns = classify_columns(header_samples)   # la única decisión

Cuando se llama al LLM, los datos ya están fijados. Al modelo se le pasan unos pocos valores de muestra por columna y se le hace una sola pregunta: ¿qué representa esta columna? —nombre del aspirante, DNI, nota, estado—. Mapea estructura a significado. No lee, no transcribe, no inventa ni un solo valor.

Ese es todo el truco. La salida varía en formato entre comunidades, pero el LLM solo razona sobre el formato, nunca sobre el contenido. El resultado es exportación automática a Excel con cero alucinaciones en los datos, porque los datos nunca fueron tarea del modelo.

El segundo agente: dos PDFs, un Excel cruzado

La misma filosofía mueve un segundo pipeline. Este toma dos documentos —un cuadernillo de preguntas y su plantilla de respuestas— y produce un único Excel más rico, listo para importar al banco de preguntas. Lo difícil no es leer ninguno de los dos ficheros; es emparejarlos de forma fiable cuando su numeración interna no siempre cuadra. De nuevo, el emparejado es determinista donde puede serlo, y al modelo solo se le pide resolver estructura, no decidir a ojo qué respuesta va con qué pregunta.

Por qué este stack

Ambos corren en AWS Lambda (arm64 Graviton), con Bedrock para el modelo y Textract para el OCR, desplegados con SAM. El serverless encaja perfecto con el patrón de uso: este trabajo ocurre a ráfagas, alrededor de cada convocatoria, no como tráfico constante —así que pagar por invocación gana a mantener nada caliente—.

La lección

El instinto con un modelo capaz es darle más responsabilidad. Lo contrario escala mejor en producción: reduce la superficie de decisión del modelo a lo mínimo que solo un modelo puede hacer, y deja que el código determinista sea dueño de todo lo que se puede hacer exacto. El AWS Summit de este junio me empujó hacia Bedrock y Graviton; el principio de diseño es más viejo que todo eso. Determinismo primero. IA donde —y solo donde— se gana su sitio.