MarkItDown: convertir PDF, Word y Excel a texto para usarlos con IA

MarkItDown es una utilidad de código abierto (licencia MIT) publicada por Microsoft en github.com/microsoft/markitdown. Convierte archivos a Markdown, un formato de texto sencillo que conserva lo importante: títulos, listas, tablas y enlaces. Su propio README explica que está pensada para que el resultado lo consuman herramientas de IA y análisis de texto, no para conseguir una copia perfecta para imprimir. Dicho de forma simple: es un «traductor» de documentos de oficina a un texto ordenado que la IA lee mejor.

Según el repositorio oficial, MarkItDown convierte desde PDF, PowerPoint, Word, Excel, imágenes (metadatos y reconocimiento de texto), audio (metadatos y transcripción), HTML, formatos de texto como CSV, JSON o XML, archivos ZIP, enlaces de YouTube y libros EPub, entre otros. Eso sirve para preparar documentos antes de subirlos a un asistente como NotebookLM (Gemini Notebook), para alimentar una IA local como Ollama o, simplemente, para extraer el texto de un PDF y poder buscar en él.

¿Por qué importa el formato? Las herramientas de IA trabajan con texto. Cuando reciben un PDF, primero tienen que extraerlo, y en ese proceso se pierden a menudo las columnas de una tabla o el orden de los apartados. Si les das el texto ya ordenado, con los títulos marcados y las tablas como tablas, suelen responder con más precisión y gastan menos espacio de contexto. Es la misma lógica que entregar a un compañero un informe limpio en lugar de un montón de fotocopias.

MarkItDown no tiene ventana gráfica: se usa con un par de comandos. Si nunca has usado una terminal, pide ayuda a tu informático la primera vez; después es repetir lo mismo.

1. Instálalo (requiere Python 3.10 o superior): pip install 'markitdown[all]'.
2. Convierte un archivo: markitdown contrato.pdf -o contrato.md. El resultado es un archivo de texto con la misma información ordenada.
3. Úsalo: abre el .md con cualquier editor, revísalo y súbelo a tu herramienta de IA o archívalo como versión de texto buscable.

• Administración: pasar a texto facturas o presupuestos en PDF para que una IA extraiga importes y fechas (siempre revisando el resultado).
• Calidad y procedimientos: convertir manuales en Word a un formato único, fácil de buscar y de actualizar.
• Comercial: transformar catálogos en PowerPoint en texto para preparar respuestas a clientes.
• Formación: preparar el material del curso para crear cuestionarios con IA.
• Atención al cliente: convertir las preguntas frecuentes y las condiciones de venta en un único documento de referencia para el equipo.
• Archivo: tener una copia en texto de documentos importantes, útil para buscar y para las copias de seguridad.

El propio repositorio incluye un aviso importante: MarkItDown accede a los archivos y recursos con los permisos del usuario que lo ejecuta, así que recomienda tratar con cuidado las entradas que no sean de confianza. Traducido: no conviertas archivos de origen dudoso en el ordenador donde guardas lo más delicado, y no lo ejecutes con permisos de administrador. Además, la conversión no es perfecta: tablas complejas o PDF escaneados pueden salir con errores, así que revisa siempre las cifras antes de usarlas. Más pautas generales en cómo proteger tu negocio de ciberataques.

Una ventaja clara: MarkItDown se ejecuta en tu propio equipo, así que convertir un documento no implica enviarlo a ningún servicio externo. El riesgo aparece después, cuando subes el texto resultante a una IA en la nube. Antes de hacerlo, elimina datos personales innecesarios (DNI, cuentas bancarias, datos de salud), usa cuentas de empresa y deja constancia del tratamiento. Si el documento contiene datos sensibles, valora usar una IA local en lugar de un servicio externo.

¿Qué es MarkItDown?

Es una utilidad gratuita y de código abierto de Microsoft que convierte PDF, Word, Excel, PowerPoint y otros formatos a texto Markdown para usarlo con herramientas de IA.

¿MarkItDown es gratis?

Sí. Está publicado en GitHub con licencia MIT y se instala sin coste.

¿Puedo convertir un PDF a texto con MarkItDown?

Sí. Con el comando markitdown archivo.pdf -o archivo.md obtienes el contenido en texto con títulos, listas y tablas.

¿MarkItDown sube mis documentos a internet?

No para convertirlos: se ejecuta en tu equipo. Solo saldrán de tu empresa si después subes el texto a un servicio en la nube.

¿Necesito saber programar para usar MarkItDown?

No hace falta programar, pero sí usar dos comandos en la terminal. Si no te sientes cómodo, un técnico puede dejarlo preparado en unos minutos.

MarkItDown resuelve un problema poco vistoso pero muy real: documentos que la IA no entiende bien. Es gratuito, funciona en tu ordenador y encaja muy bien con asistentes como NotebookLM u Ollama. Empieza convirtiendo un par de documentos de prueba, revisa el resultado y, si te ahorra tiempo, incorpóralo a tu forma de trabajar con la IA.