Detrás del editor

¿Por qué es tan bueno editando documentos?

Un modelo de lenguaje puede escribir una buena oración, pero volver a integrarla con su formato es un trabajo diferente. Explicamos por qué ha sido difícil lograr que la IA edite un documento y qué hemos construido para solucionarlo.

Lectura de 9 min3 de octubre de 2026

Resumen

Pídele a un chatbot que arregle una cláusula en un archivo de Word y le estás pidiendo que haga dos trabajos a la vez: cambiar las palabras y reescribir el formato de archivo que las contiene. Los modelos de lenguaje son buenos en la primera tarea y poco confiables en la segunda.

le quita el segundo trabajo al modelo. Este artículo explica por qué eso importa, cómo funciona en documentos largos y cómo se compara con los sitios web de chat y los agentes de uso de computadoras.

  1. 01Un modelo de lenguaje lee un documento como marcado, no como una página.
  2. 02Un solo carácter erróneo puede hacer que un archivo sea ilegible, y las salidas largas hacen que los caracteres erróneos sean probables.
  3. 03 separa el contenido del formato: el modelo edita las palabras, nuestro código escribe el archivo.
  4. 04Los documentos largos se procesan por lotes, se dividen y se les da contexto, como hacen los agentes de programación modernos.
  5. 05Los sitios web de chat pueden editar archivos con Python, pero los cambios pueden desaparecer silenciosamente.
  6. 06Los agentes de uso de computadoras editan como un humano, a muchas veces el costo.

01

El LLM solo ve texto, no formato

Abre un contrato en Word y ves una página: un encabezado con el estilo de la empresa, una cantidad en negrita, una fecha límite subrayada. El programa Word crea este formato para que podamos editar visualmente. Debajo de un archivo de Word (.docx) hay un complejo sistema de XML, donde cada palabra que vemos se anota minuciosamente con palabras ocultas conocidas como marcado.12

Lo que ves

Lo que ve el modelo

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Alquiler</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">El arrendatario pagará </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>el primer día de cada mes</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Figura 1La misma cláusula dos veces. Las palabras ocupan 69 caracteres; el XML que las rodea ocupa 458. Extracto de word/document.xml.

A un LLM no le ayudan Microsoft Word, LibreOffice o Pages, y debe confiar en su propia comprensión del marcado. Para editar correctamente, un LLM necesita entender el efecto del marcado original y escribir la nueva frase con el marcado correcto.

02

La salida del LLM es intrínsecamente inestable

Es posible que los modelos hayan mejorado sustancialmente, pero incluso los más recientes siguen cometiendo errores. En un estudio de Microsoft Research de 2026 sobre 19 modelos en 52 ámbitos profesionales, los modelos de vanguardia como Gemini 3.1 Pro, Claude 4.6 Opus y GPT 5.4 corrompieron una media del 25 % del contenido de los documentos al final de los flujos de trabajo de edición largos.4

En un archivo de Word, un pequeño error basta para inutilizarlo. Aquí el modelo ha omitido una sola barra diagonal:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">El arrendatario pagará </w:t></w:r>  <w:r><w:rPr><w:b>1<w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>el primer día de cada mes</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Figura 2Una barra inclinada faltante deja la etiqueta de negrita abierta. El XML deja de estar bien formado y Word no abrirá el archivo con normalidad.3

XML no tolera un marcado incorrecto. Un archivo está bien formado o no lo está. Word a veces puede recuperar un archivo dañado, pero a la copia recuperada podrían faltarle texto o formato.

Salida más larga, más errores

El riesgo aumenta con la longitud. LongProc, un punto de referencia de 2025 para la producción estructurada larga, constató que los modelos de pesos abiertos flaquean a los 2000 tokens de salida y GPT-4o se degrada significativamente a los 8000.5 Otro estudio encontró que el rendimiento cae del 13,9 % al 85 % a medida que crece la entrada, incluso cuando el modelo puede recuperar cada dato relevante.6 Un documento de Word de 10 páginas tiene unas 10.000 tokens; intentar editar las 10 páginas a la vez sin errores es una tarea casi imposible.

<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.1</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Harlow &1 Pike LLP actúa en representación del Arrendador en todos los asuntos derivados de este Contrato de Arrendamiento.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24/>2</w:rPr><w:t>5.2</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> El Arrendatario mantendrá los Locales en buen y sólido estado de conservación y reparación.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.3</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Cualquier notificación debe darse por escrito y entregarse en la dirección indicada en el Anexo 2.</w:t></w:p>3<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.4</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> El Arrendador podrá resolver este Contrato de Arrenda4
  1. 1Un signo de y comercial (&) solo en el texto. XML requiere que se escape como una entidad.
  2. 2Una comilla de cierre faltante. Todo lo que está después se lee como parte del valor.
  3. 3Un fragmento de texto (run) que nunca se cierra antes de que termine el párrafo.
  4. 4La salida se detiene abruptamente. Las generaciones largas pueden alcanzar un límite de longitud o agotar el tiempo de espera a mitad de una etiqueta.
Figura 3Cuatro cláusulas de salida del modelo, cuatro tipos de fallo. Cada una por sí sola hace que el archivo sea ilegible.

03

Cómo lo resuelve

Escribimos programas personalizados que separan el formato del contenido. El modelo recibe las palabras que necesita cambiar, junto con una imagen renderizada de la página, para recibir asistencia de un programa de Word. A continuación, nuestro código vuelve a colocar las palabras editadas en los fragmentos de texto (runs) originales y deja el resto del archivo intacto.

Tu archivo

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">El arrendatario pagará </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>el primer día de cada mes</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

separa el contenido del formato

Contenido extraído

El arrendatario pagará US$2,400 el primer día de cada mes.

Página renderizada

Ambos van al modelo

Modelo de lenguajeEdita palabras. Nunca toca el XML.

El modelo devuelve contenido editado

Salida del modelo

El arrendatario pagará US$2,400US$2,600 el primer día de cada mesel quinto día de cada mes.

vuelve a escribir las palabras en los fragmentos de texto (runs) originales

Tu archivo, editado

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">El arrendatario pagará </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,600</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>el quinto día de cada mes</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ .docx válido. La negrita, el color y el subrayado son exactamente iguales que antes.

Figura 4El canal de procesamiento de ediciones, simplificado. El texto resaltado es la única parte del archivo que ha cambiado.

Esto resuelve ambos problemas a la vez. El modelo ahora ve el formato que antes no podía ver y ya no escribe el marcado que tenía más probabilidades de romper.

No encontrarás esta capa en un chatbot de propósito general. Los programas de extracción, renderizado y reensamblaje son creados y mantenidos por los propios ingenieros de .

04

Cómo resolver el problema del contexto largo

Algunas ediciones son largas: un párrafo que se extiende a lo largo de varias páginas, o un cambio aplicado de forma sistemática a lo largo de cientos de ellas. Para resolver esto, aprendimos de la ingeniería de software. En marzo de 2026, Anthropic publicó accidentalmente el código fuente de Claude Code, su agente de inteligencia artificial para programación, dentro de un paquete npm público.7

Ese editor de código filtrado enseña una lección clara: para editar algo largo, hay que dividirlo. Dividimos un documento en grupos de páginas, una técnica llamada procesamiento por lotes, y los párrafos largos en oraciones, de modo que cada edición sea lo suficientemente pequeña como para hacerla bien.

Dividir un documento crea un nuevo problema: el contexto. ¿Cómo se edita un párrafo en la página 60 usando una definición de la página 2? Aquí es donde rinden frutos dos años de experiencia en editores de código de IA (Cursor, GitHub Copilot, OpenAI Codex). Su respuesta es la ingeniería de contexto, que recopila información relacionada en un conjunto enfocado y se la entrega a subagentes con ventanas de contexto limpias.8 Hacemos lo mismo con los documentos. Agrupamos la información relacionada lógicamente, como lo haría un lector cuidadoso, y luego la enviamos con el objetivo de edición a subeditores que realizan el cambio real.

1Procesar el documento por lotes

págs. 1–40págs. 41–80págs. 81–120págs. 121–160págs. 161–200págs. 201–240págs. 241–280págs. 281–300

2Dividir los párrafos largos

Cláusula 18.3 · p. 60
Frase 1Frase 2Frase 3Frase 4Frase 5

3Recopilar contexto, luego editar en paralelo

Términos definidospágs. 2–12

Partes y funcionespág. 1

Enmiendas anteriorespág. 34

Subeditor 1pp. 1–40 + colección

Subeditor 2pp. 41–80 + colección

Subeditor 3pp. 81–120 + colección

Figura 5Un documento de 300 páginas, desglosado. Cada subeditor recibe una pequeña parte del documento junto con el contexto del que depende dicha parte.

Ejemplo: ocultar datos de una sentencia

Un abogado quiere que se oculte el nombre de cada testigo en una sentencia, y una lista de los casos que cita para que los investigue un abogado junior.

  1. Buscar. encuentra cada nombre personal y cada cita de casos con coincidencia de patrones ordinaria. Aún no se necesita ningún modelo.
  2. Clasificar. Cada nombre, con la oración que lo rodea, va a un modelo que decide: testigo, abogado o juez. Las respuestas construyen una colección de testigos.
  3. Recopilar. El mismo método crea una colección de casos citados.
  4. Actuar. Como sabemos exactamente dónde se encontró el nombre de cada testigo, ocultamos esos lugares, y solo esos, en el archivo original.

EN EL ALTO TRIBUNAL DE JUSTICIA

DIVISIÓN DEL BANCO DEL REY

Harrow v Kestrel Logistics Ltd

Antes: Mrs Justice Holloway

SENTENCIA

Mrs Justice Holloway: Esta demanda surge del colapso de un muelle de carga en el almacén del Demandado el 14 de marzo de 2024. El Demandante estuvo representado por Ms Priya Raman y el Demandado por Mr Thomas Whitby. Escuché la prueba testimonial durante cuatro días.

El testigo principal, Mr Daniel Okafor, era operador de carretilla elevadora en el turno de noche. Mr Okafor declaró ante el tribunal que las luces de advertencia del muelle llevaban varias semanas estropeadas y que lo había comunicado dos veces. Una segunda testigo, Ms Margaret Ellison, una contratista que inspeccionó el muelle en febrero, confirmó que su informe recomendaba la reparación inmediata. Consideré a ambos testigos cuidadosos y creíbles.

El deber de cuidado de un ocupante hacia aquellos que se encuentran legítimamente en sus instalaciones está bien establecido, y tomo como punto de partida el principio del vecino en Donoghue v Stevenson [1932] AC 562. Si es justo, equitativo y razonable imponer un deber en circunstancias novedosas se rige por Caparo Industries plc v Dickman [1990] 2 AC 605, pero estas circunstancias no son novedosas. Mr Whitby argumentó que las pérdidas reclamadas eran demasiado remotas. Dicho argumento debe contrastarse con Hadley v Baxendale (1854) 9 Exch 341.

Habiendo considerado las pruebas de Mr Okafor y Ms Ellison junto con los documentos, estoy convencida de que el Demandado conocía el defecto y no actuó. La demanda prospera en cuanto a la responsabilidad. Los daños y perjuicios se evaluarán en una vista posterior. Agradezco a Ms Raman y Mr Whitby sus claras y precisas conclusiones.

Figura 6Cambia de vista para ver el resultado. La sentencia y los nombres son ficticios; los tres casos citados son reales.

05

¿Pueden chatgpt.com, claude.ai y otros sitios web de chat hacer lo mismo?

A veces, sí. Estos sitios web suelen incluir un intérprete de Python, que permite al modelo abrir un archivo de Word o PowerPoint y editar su XML mediante código.

Pero el código sigue estando escrito por un modelo inestable, y nada verifica el resultado contra el original. En nuestras pruebas internas, a menudo recibíamos documentos con eliminaciones y ediciones inesperadas. En un caso extremo, un documento de 20 páginas regresó convertido en 10 páginas, sin previo aviso.

Sitio web de chat con Python

20 páginas
10 páginas

¡Listo! He actualizado tu documento con los cambios solicitados.

Ninguna mención de las 10 páginas faltantes.

Registro de cambios de

  • p. 4 · Cláusula 2.1

    treinta (30) días sesenta (60) días

    Revertir
  • p. 9 · Cláusula 6.3

    el Proveedor el Contratista

    Revertir
  • p. 17 · Anexo 1

    US$2,400 US$2,600

    Revertir

Generar nuevo documento

Figura 7Izquierda: un truncamiento silencioso de nuestras pruebas internas. Derecha: cada cambio de IA en OneTurn se enumera y se puede revertir.

Una omisión o modificación silenciosa es fatal para cualquier trabajo serio. En , cada cambio que realiza nuestro agente de IA queda registrado. Puedes revisar cada uno, revertir cualquiera de ellos y generar un nuevo documento.

06

¿Pueden los agentes de uso de computadoras como OpenClaw o Manus hacer esto?

Estos agentes controlan un ordenador de la misma forma que lo hace una persona. Abren el documento en Microsoft Word o PowerPoint, y luego se desplazan, hacen clic y escriben.11 Como usan los mismos programas que un humano, pueden editar como un humano, y los resultados suelen ser impresionantes.

El precio es coste y velocidad. El agente lee un documento tomando capturas de pantalla a medida que se desplaza, y cada pequeño paso requiere una llamada al modelo para decidir qué hacer a continuación. Una captura de pantalla en Full HD cuesta por sí sola entre 1500 y 2700 tokens aproximadamente.10 En la evaluación comparativa de OSWorld, incluso los mejores agentes dieron entre 2,7 y 4,3 veces más pasos de los necesarios, y los pasos posteriores tardaron hasta 3 veces más que los iniciales.9

Agente de uso de computadoras

  1. Tomar una captura de pantalla
  2. El modelo decide la siguiente acción
  3. Desplazarse, hacer clic o escribir
  4. Repetir para cada paso

  1. Leer el texto una vez
  2. Editar por lotes
  3. Escribir el archivo
Contrato de 20 páginas, 30 edicionesAgente de uso de computadoras
Llamadas al modelo≈ 180≈ 12
Tokens por llamada≈ 10,000≈ 4,000
Tokens totales≈ 1,800,000≈ 48,000
Diferencia≈ 37× más, o ≈ 100–160× con los pasos adicionales medidos en OSWorld
Figura 8Supuestos: unas 11 000 palabras; 60 capturas de pantalla para leer el documento; 4 acciones por edición; cada llamada incluye una captura de pantalla y el historial reciente. OneTurn lee el texto una vez y envía las ediciones por lotes.

Según nuestras estimaciones, un agente de uso de computadoras puede utilizar hasta 100 veces más tokens de LLM que para las mismas ediciones y tardar mucho más en terminar.

Fuentes

  1. Estructura de un documento WordprocessingMLMicrosoft Learn · Documentación del SDK de Open XML
  2. ECMA-376: Formatos de archivo Office Open XMLEcma International · estándar
  3. Validar un documento de procesamiento de textoMicrosoft Learn · Documentación del SDK de Open XML
  4. Los LLM corrompen tus documentos cuando delegasLaban, Schnabel y Neville · Microsoft Research · 2026
  5. LongProc: Evaluación comparativa de modelos de lenguaje de contexto largo en generación procedural largaYe et al. · COLM 2025
  6. La longitud del contexto por sí sola perjudica el rendimiento de los LLM a pesar de una recuperación perfectaDu et al. · Hallazgos de EMNLP 2025
  7. Anthropic expone por accidente el código fuente de Claude Code mediante un archivo de mapa de código fuente de npmInfoQ · 7 de abril de 2026
  8. Ingeniería de contexto eficaz para agentes de IAIngeniería de Anthropic · 29 de septiembre de 2025
  9. OSWorld-Human: Evaluación comparativa de la eficiencia de los agentes de uso de computadorasAbhyankar, Qi y Zhang · MLSys 2026
  10. Visión: resolución y coste en tokensDocumentación de la plataforma Claude
  11. Manus de Meta lanza una aplicación de escritorio para llevar su agente de IA a dispositivos personales en medio de la locura por OpenClawCNBC · 18 de marzo de 2026

Las figuras son ilustraciones hechas para este artículo. El XML es WordprocessingML real; los nombres de archivos, las personas y la sentencia son ficticios.

Pruébalo en un documento que no te puedas permitir romper.

Prueba gratis →