Del archivo al expediente consultable: cómo RuleX procesa documentos

Un archivo puede tener páginas, tablas, firmas, encabezados, imágenes y texto escaneado. Antes de preguntarle algo a una IA hay que convertir ese material en una representación que el sistema pueda conservar, recuperar y volver a citar.

1. 1Validar y descifrarEl servidor recibe el archivo, valida su tipo y tamaño y conserva los bytes solo durante el flujo que corresponda.
2. 2Convertir a MarkdownLos documentos textuales pasan por la conversión canónica; la estructura se conserva como texto con encabezados y secciones.
3. 3Aplicar OCRLas páginas escaneadas se identifican y se procesan por lotes con un motor visual especializado y fallback de Cloudflare cuando corresponde.
4. 4Crear memoriaEl texto se cuenta, se fragmenta y se guarda con metadata, páginas, calidad y estado en las tablas documentales.
5. 5Seleccionar contextoUna pregunta puntual puede recuperar fragmentos vecinos; una tarea amplia puede usar el documento completo o un map/reduce controlado.
6. 6ReutilizarEl mismo Markdown puede alimentar Chat, Casos, Canvas, investigación y generación de entregables sin reconvertir el archivo.

Cuando el texto canónico queda guardado, la conversación puede volver al documento sin obligar al abogado a pegarlo de nuevo. El caso puede reutilizar la misma fuente y Canvas puede trabajar sobre el contexto documental disponible.

Los lotes de OCR y los chunks de documentos largos pueden procesarse en paralelo. Cada resultado mantiene su estado y un fallo individual no tiene que tumbar todo el expediente. Esa decisión mejora la experiencia, pero también hace visible qué parte necesita reintento o revisión.

La carga automática actual de Chat y Casos admite hasta 50 MB por archivo. Eso permite describir el pipeline real sin convertir un objetivo futuro en una promesa presente.

Para expedientes de 1 GB harán falta carga multipart reanudable, procesamiento incremental, checksum, deduplicación y una cola de trabajo. Es un camino de producto, no una capacidad que debamos atribuirle hoy a RuleX.