Qué piden realmente quienes compran trabajo de PDF: medido en 495 encargos pagados

La mayoría de las páginas de herramientas se diseñan de la herramienta hacia fuera: aquí hay una función, aquí está quién podría quererla. La dirección útil es la contraria, así que fuimos a medir las peticiones mismas.

El corpus es un conjunto de encargos freelance recogidos por este proyecto. Al filtrar los que son una necesidad real, muestran disposición a pagar y describen algo productizable, quedan 495 publicaciones sobre PDF, escaneos o tablas. Cada cifra es una tasa de coincidencia de palabras clave sobre esas 495 con una lista de palabras nombrada, así que puede recalcularse y comprobarse en vez de aceptarse por confianza.

Las cifras

• 56 % exigen precisión o transcripción literal — «exactamente como aparece», «100 % de precisión», «debe coincidir con el original».
• 54 % piden que se conserve la estructura o el formato — maquetación, saltos de línea, encabezados, estilos, orden de filas.
• 30 % piden que las partes ilegibles se señalen en lugar de adivinarse.
• 17 % enmarcan explícitamente el trabajo como alternativa a reescribir a mano.

Leyendo esas cuatro líneas juntas, la forma de la demanda queda clara. No es «extrae mi tabla». Es «reproduce este documento exactamente, conserva su estructura y dime dónde no pudiste».

El requisito que aparece en casi todas las publicaciones

La frase más común del corpus es una variante de «la precisión importa más que la velocidad». Ese orden es inusual en software y merece tomarse al pie de la letra: una salida rápida y equivocada es peor que una lenta y correcta, porque el comprador debe encontrar el error antes de poder usar nada.

…introducir manualmente todo el texto de cada página PDF en un documento de Word o Google, con un 100 % de precisión… señalar cualquier palabra ilegible o sección poco clara para que pueda revisarla rápidamente.

Fíjate en lo que esa publicación pide en la misma frase: fidelidad perfecta y la lista de los lugares donde la fidelidad perfecta no se alcanzó. Esas dos peticiones solo son contradictorias si se asume que la herramienta debe callar sobre su propia incertidumbre. Juntas describen exactamente el comportamiento que debería tener un extractor fiable.

Por qué «señala las partes ilegibles» es la decisiva

Tres de cada diez compradores lo escriben explícitamente. Es el requisito que separa una herramienta útil de una peligrosa, porque un valor falso y seguro en una hoja de cálculo es mucho más difícil de manejar que un hueco visible.

…una nota breve que señale las porciones ilegibles o poco claras para que pueda verificarlas rápidamente. Criterios de aceptación: cada elemento de texto está presente y coincide literalmente con el original; sin caracteres extraños, filas vacías ni desviación de formato.

El comprador ya ha entendido que verificará algo. Lo que quiere es que le digan qué filas revisar, en lugar de releer todo el lote. Es una promesa más pequeña, más barata y más honesta que «100 % preciso», y es la que una máquina puede cumplir.

Estructura significa estructura, no belleza

Cuando estas publicaciones dicen «conserva el formato», hablan de la estructura legible por máquina: qué celda pertenece a qué columna, las celdas combinadas siguen combinadas, el orden de filas se mantiene, un registro por fila. La palabra «formato» también cubre fuentes y negritas, pero los criterios de aceptación de esas mismas publicaciones casi siempre tratan de estructura y exhaustividad.

…una hoja de cálculo completamente rellenada en Excel o Google Sheets… una fila completada por informe… formato uniforme de fecha, moneda y número… comprobaré la hoja final con muestras aleatorias.

Una hoja que parece correcta pero cuya celda combinada se aplanó en la columna equivocada falla esa comprobación. Una hoja con una fila que contiene un valor no confirmado la pasa, si ese valor está señalado.

Qué cambió esto en lo que construimos

Dos decisiones de este sitio vienen directamente de leer estas publicaciones, no de una lista de funciones.

Primero, verificación celda a celda contra el texto original, con las celdas no confirmadas reportadas individualmente y la entrega completa marcada como con advertencias. El corpus lo pedía en el 30 % de los casos; el caso que nos convenció fue un modelo que convirtió en silencio 循環貸款 en 循環貸款等.

Segundo, una hoja por tabla detectada con el orden de filas preservado, en lugar de una única salida aplanada. Al 54 % de estas publicaciones le importa que la estructura sobreviva, y el aplanado es justo el fallo que describen cuando se quejan de las herramientas.

Lo que el corpus no dice

Es una muestra de encargos freelance, sesgada hacia compradores que ya decidieron pagar a una persona. No dice nada sobre volumen, sensibilidad al precio ni si estos compradores aceptarían software. El método de palabras clave también sobrecuenta: una publicación que dice «sin herramientas OCR» cuenta como mención de OCR, y una que dice «no hay tablas» cuenta como mención de tablas. Trata los porcentajes como un boceto de lo que se pide, no como un tamaño de mercado.

Lo que sí establece de forma fiable es el orden de los requisitos. Precisión y estructura primero, señalar la incertidumbre tercero, y cualquier función fuera de esas tres categorías está totalmente ausente de la mayoría de las publicaciones.