MarkItDown, de Microsoft, convierte PDF, Word, Excel y otros formatos a Markdown para que un modelo de lenguaje los pueda leer bien. Por qué la preparación de los datos importa más que el modelo.
Todo el mundo habla del modelo.
Casi nadie habla de lo que le das de comer.
Y ahí es donde se gana o se pierde casi todo.
MarkItDown es una herramienta en Python, publicada por Microsoft, que convierte archivos de todo tipo (PDF, Word, Excel, PowerPoint, HTML y otros) a Markdown. El objetivo no es que el resultado quede bonito, sino que un modelo de lenguaje lo pueda leer y entender bien: títulos, listas y tablas con su estructura.
Se usa desde la línea de comandos o desde código, en una línea. Y tiene un servidor MCP para que asistentes de IA puedan usarlo directamente.
Porque ataca el problema que casi nadie quiere mirar.
Cuando una empresa quiere «usar IA con sus documentos», se imagina la parte espectacular: preguntarle a un asistente y que responda con la información de sus contratos, sus presupuestos o sus manuales.
Lo que no se imagina es que esos documentos están en veinte formatos distintos, con tablas rotas, encabezados que no son encabezados y PDF que son fotos escaneadas. Si el modelo recibe basura, responde con seguridad sobre basura.
Un buen modelo con datos mal preparados da respuestas convincentes y equivocadas. Que es peor que no tener respuestas.
Esto no va solo de IA. Pasa en cualquier proyecto.
La parte vistosa, la que sale en las demos, casi siempre depende de una parte aburrida que nadie quiere hacer: ordenar, limpiar, convertir, documentar. Cuando un proyecto falla, muchas veces no es por la parte espectacular. Es porque nadie hizo bien la aburrida.
MarkItDown es exactamente eso: una herramienta para la parte aburrida. Y por eso me parece de las más útiles.
Un aviso honesto: no hace milagros con documentos escaneados o muy mal maquetados. Para eso necesitarás OCR u otras herramientas. Y si procesas archivos que no son tuyos, ten cuidado con lo que abres: el propio proyecto advierte de que trabaja con los permisos de quien lo ejecuta.
Que hay mucho valor en hacer bien una sola cosa pequeña. No es un producto enorme. Es un convertidor. Y precisamente por eso se ha vuelto una pieza que muchos usan.
P. D.: Antes de preguntarte qué modelo usar, pregúntate en qué estado están tus documentos. Casi siempre la respuesta a la primera depende de la segunda.