Extrae y resume con IA

El resumen extractivo copia oraciones directamente de la fuente; el abstractivo genera nuevas oraciones que parafrasean y condensan — los dos enfoques intercambian precisión factual por legibilidad y compresión.

El resumen extractivo — usado por herramientas como Scholarcy — clasifica oraciones por frecuencia de palabras clave, posición y densidad de información, luego reproduce las oraciones con mejor puntuación sin modificarlas. Dado que no se genera texto nuevo, los errores fácticos son estructuralmente imposibles. El resumen abstractivo — usado por GPT-4o, Claude Sonnet 4.6 y Gemini 3.1 Pro — genera nuevo texto que sintetiza y parafrasea, produciendo salidas más legibles a costa de un mayor riesgo de alucinación.

NotebookLM (Google DeepMind) lidera para resumen citado anclado a la fuente de documentos cargados; Claude Sonnet 4.6 (Anthropic) lidera para síntesis, análisis entre documentos y razonamiento complejo; GPT-4o (OpenAI) lidera para resumen de propósito general rápido y flexible.

En el Hughes Hallucination Evaluation Model (HHEM) de Vectara — el benchmark estándar de fidelidad para resumen de documentos, probado en 831 documentos por modelo — los mejores resultados en 2025 fueron:

Estas tasas representan una mejora del 96 % desde 2021, cuando los mejores modelos puntuaban tasas de alucinación del 21,8 % en la misma tarea. Sin embargo, estos números solo aplican al resumen anclado — donde el modelo está conectado a un documento fuente. La recuperación factual de dominio abierto produce tasas de alucinación del 3–33 % en los mismos modelos.

Probado en PromptQuorum — 25 prompts de resumen de documentos despachados a tres modelos: Claude Sonnet 4.6 produjo los resúmenes analíticamente más completos en 20 de 25 casos. GPT-4o produjo los resúmenes más concisos e inmediatamente utilizables en 18 de 25 casos. Gemini 3.1 Pro fue el único modelo capaz de procesar todos los 25 documentos completos sin truncamiento de contexto.

Un prompt de resumen estructurado — que especifica el tipo de documento, el formato de salida, la restricción de longitud y la instrucción explícita de señalar afirmaciones no verificables — produce salidas directamente utilizables; un prompt no estructurado produce un párrafo genérico que omite información crítica.

El fallo más común de prompt engineering en el resumen es tratar "resume esto" como una instrucción completa. Cada suposición que hace el modelo sobre longitud, formato, perspectiva y nivel de detalle es un posible desajuste con lo que realmente necesitas.

Prompt deficiente — no estructurado, produce salida genérica inutilizable:

El prompt estructurado produce un documento directamente utilizable en una presentación. El prompt abierto produce un párrafo narrativo que omite datos por segmento, entierra los cambios de guía y requiere 30 minutos de reestructuración.

Con context windows de 1M de tokens ahora estándar en GPT-4o, Claude Sonnet 4.6 y Gemini 3.1 Pro, la mayoría de los documentos individuales caben dentro del context window sin chunking. El chunking sigue siendo esencial para: (1) síntesis de múltiples documentos que supere las 800 páginas, (2) modelos más pequeños o locales con contexto limitado (Mistral 7B: 32K, LLaMA 3.3 8B: 128K), y (3) mejorar la fidelidad en documentos muy largos donde ocurre la degradación "lost in the middle".

Para documentos que superen el context window del modelo, el chunking — dividir el documento en segmentos de 500–2.000 tokens, resumir cada chunk, luego sintetizar los resúmenes de los chunks — preserva la información que de otro modo quedaría truncada o degradada.

Para documentos con estructuras de secciones claras (contratos legales, informes anuales, artículos académicos), el chunking temático produce la síntesis final más coherente. Para documentos no estructurados (hilos de correo, transcripciones), el chunking basado en párrafos a intervalos de 500 tokens es el predeterminado recomendado.

Los LLMs generan texto prediciendo el siguiente token más probable — no recuperando hechos de una base de datos verificada. Este proceso probabilístico hace que la alucinación sea matemáticamente inevitable bajo las arquitecturas actuales.

Una prueba matemática de 2025 en arXiv confirmó que ningún LLM puede garantizar una ausencia completa de alucinaciones para todos los posibles inputs. La reducción del 96 % en las tasas de alucinación desde 2021 proviene de un mejor ajuste fino, contexto de base más grande y técnicas mejoradas de prompt, no de la eliminación del proceso subyacente.

Las mejores estrategias de mitigación actuales: anclaje explícito a documentos fuente, temperature baja, verificación de fidelidad y verificación multi-modelo.

Tres métricas se usan comúnmente para evaluar la calidad del resumen: ROUGE, BERTScore y HHEM (Hughes Hallucination Evaluation Model).

ROUGE mide la superposición de n-gramas entre resúmenes generados y de referencia — útil para comparar la cobertura del contenido, pero ciego a la semántica y la exactitud factual. BERTScore usa similitud coseno entre embeddings BERT, capturando similitud semántica en lugar de coincidencias exactas de palabras. HHEM (Vectara) es la métrica de fidelidad estándar de la industria que mide si las afirmaciones en el resumen son verdaderas según el documento fuente.

Para workflows de documentos en producción, combina la puntuación de fidelidad HHEM con una verificación de completitud para la señal de calidad más fiable.

Las empresas europeas que procesan documentos con datos personales deben cumplir el RGPD — el envío de documentos con datos personales a APIs externas (OpenAI, Anthropic) requiere acuerdos de procesamiento de datos (DPA) bajo el Artículo 28 del RGPD. Para equipos de la UE con requisitos de residencia de datos, los modelos de Mistral AI (Francia) pueden desplegarse localmente con soporte completo de resumen multilingüe mientras se mantienen todos los datos dentro de la infraestructura de la UE.

Las empresas chinas usan Qwen 3 (Alibaba) para el procesamiento de documentos chinos — tokeniza los caracteres chinos con aproximadamente un 40 % menos de tokens que los modelos entrenados principalmente en inglés, haciendo que el procesamiento de documentos chinos a gran escala sea significativamente más económico. Las empresas japonesas que ejecutan inferencia local vía Ollama se benefician de LLaMA 4 Scout (soporte de 10M de tokens) para el procesamiento de documentos técnicos extensos manteniendo todos los datos completamente on-premise.