Qué formatos de documento puede catalogar la IA no es una pregunta de extensiones: es una pregunta de acervo. Una institución digitaliza tarde, a trozos y con lo que tiene a mano. En la misma carpeta conviven el PDF de un informe, el escaneo de un expediente de papel, la fotografía de una ficha o de una obra, y un archivo de texto que alguien exportó de un sistema que ya no se usa. Catalogar eso, si cada tipo obliga a un tratamiento aparte, se vuelve un trabajo previo: abrir, reconocer, y recién entonces describir.
Janium Collect toma esos archivos como están y un modelo de lenguaje los lee. El destino es el mismo: un registro de catálogo en el formato que la institución ya usa. Quien cataloga deja de preparar el material formato por formato y pasa a revisar lo que el sistema propone.
El PDF
El PDF es el contenedor en el que más material digitalizado llega a un archivo, a una biblioteca o a un centro de documentación. Unas veces nació digital: un informe, una tesis, un boletín. Otras es el resultado de pasar papel por un escáner: cada hoja es una imagen dentro del mismo archivo. Para quien cataloga la distinción importa —uno se puede buscar por palabra, el otro no—, pero los dos necesitan un registro, y los dos entran a Collect como PDF.
Lo que el sistema lee es el documento, no el nombre del archivo. De un informe o de un expediente produce dos salidas. El registro de catálogo: título, autor, fecha, materias, productor, las fechas de la unidad. Completa lo que la fuente no traía cuando el modelo puede sostenerlo, y deja marcado lo que infirió.
Y el texto del documento en markdown estructurado: lo que el PDF decía, con encabezados, listas y tablas cuando se conservan, en una forma que se puede indexar y mostrar. Ese markdown no sustituye al registro. Sirve para buscar en texto completo, para consultar el contenido junto a la ficha, y, si la institución lo necesita, para una capa de RAG sobre un texto ya anclado al registro. Cómo se ordenan esas capas está en Puntos de acceso, texto completo y RAG.
Un PDF largo —un informe de decenas de páginas, una memoria, un expediente grueso— se cataloga como una pieza: el registro describe esa pieza. El markdown conserva el cuerpo, para localizar una frase o leer el texto sin volver al original. Un PDF ilegible o casi vacío produce un registro pobre y un markdown pobre: la calidad de las dos salidas sigue a la del material, no la sustituye.
La imagen
Una imagen en un acervo no es un adorno del registro: a menudo es el documento. La fotografía de una ficha de museo, de una portada, de un plano, de una página que no se llegó a pasar a PDF, de una obra. Collect la lee y propone el registro a partir de lo que se ve.
Eso cubre dos situaciones que conviene no mezclar. Cuando la imagen es el objeto —una fotografía histórica, una obra, un plano—, lo que sale es una descripción de lo visible. Cuando la imagen reproduce un documento —una ficha, una página, un rótulo—, lo que se lee es el texto o los datos que están en esa reproducción. En ambos casos el archivo es una imagen; el registro que corresponde no es el mismo.
La imagen no declara lo que no está en ella. Una foto de un cuadro no trae el número de inventario ni las medidas; una foto de una ficha, sí, si la ficha las trae. Combinar lo que se ve con lo que está escrito es el tema de De la imagen y la ficha al registro.
El texto plano
Hay acervos cuyo material ya no es un facsímil sino texto: una exportación de un sistema anterior, notas de inventario, un volcado de un sitio, un archivo que alguien guardó porque era lo único que quedaba de la descripción. Collect lo lee como lee un documento: el contenido es el texto, y de ahí sale el registro.
El límite es el del propio archivo. Un texto con título, fechas y nombres da para un registro útil. Una lista de códigos sin contexto da para poco, y el sistema no fabrica el contexto que el archivo no trae. Lo que la fuente no declara y el modelo no puede sostener queda sin rellenar.
Lo que también entra
Un informe o un acta en un documento de oficina —Word y similares— también puede catalogarse. En muchas instituciones ese material convive con el PDF y con las imágenes: es producción interna que nunca pasó por un escáner. Collect lo toma; el registro sale igual, en el formato del catálogo.
El audio y el video son otro tipo de fuente. De una grabación o de un video también sale un registro, y esos casos tienen su propia explicación: de una grabación sonora a un registro y de un video a registros enlazados.
Una hoja de cálculo usada como inventario —cada línea una obra, un libro, una unidad— no se cataloga como si fuera un documento más. Ahí el material ya viene tabulado; lo que la columna declara se traslada al registro, y Collect completa lo que falta cuando la hoja solo identifica.
El registro que sale
Da igual que el archivo sea un PDF, una fotografía o un texto: Collect propone la ficha en Dublin Core, MARC21, ISAD-G o CDWA, según lo que ya use la institución. El catálogo no cambia de norma porque el acervo llegue mezclado. Del PDF, además, queda el markdown del cuerpo, para buscarlo y consultarlo.
Quien cataloga recibe registros para revisar, no un lote cerrado. Un PDF nítido y una imagen borrosa no producen la misma certeza, y el sistema lo señala cuando el registro no llega. La heterogeneidad de formatos deja de ser un trabajo previo; sigue siendo, cuando el original es malo, un problema de calidad del acervo.
Dónde están los límites
Un formato que Collect no cubre no se cataloga. La cobertura alcanza lo habitual de un acervo digitalizado —PDF, imagen, texto, documentos de oficina—, y no es universal. Un formato propietario poco común o muy antiguo puede quedar fuera; conviene saberlo antes de asumir que entra.
La lectura no repara el original. Un escaneo ilegible, una fotografía subexpuesta o un texto truncado no se vuelven un buen registro porque el modelo «complete». Completar es enriquecer lo que se puede sostener; no es suplir un documento que no se deja leer.
Para continuar la conversación
Si tu institución tiene el acervo repartido entre PDF, imágenes y texto, y el cuello de botella es que hay que tratar cada tipo como un caso aparte antes de catalogar, esto es lo que Collect intenta aliviar. Escríbenos a info@janium.com; nos interesa ver cómo está mezclado tu material y en qué formato lo describes, porque eso cambia lo que se puede esperar.