Son las nueve de la mañana en un despacho de abogados. Una colaboradora abre una conversación con su asistente de IA y suelta dentro un pliego de licitación de cuatrocientas cuarenta y tres páginas, en formato OFD. Quiere extraer las cláusulas clave antes de la reunión de las diez. Escribe su petición. El asistente duda y devuelve un mensaje de error: el documento supera la ventana de contexto. El archivo es demasiado grande para «leerse» de una vez, y la mañana se tuerce hacia la revisión manual.
Esta escena la viven decenas de equipos cada semana. El problema no es que el modelo carezca de inteligencia. Es que no «coge» las cosas demasiado voluminosas. Un contrato de cientos de páginas, un lote de documentos escaneados, un proyecto entero de diseño: enviados tal cual a un modelo grande, o bien se truncan de golpe, o bien salen tan caros en tokens que nadie se atreve a pulsar «enviar».
El coste oculto es real. IDC lo calculó: los problemas relacionados con los documentos representan el 21,3 % de la pérdida de productividad en la empresa, unos 19 732 dólares perdidos al año por cada trabajador de la información. Archivos demasiado pesados, dispersos y desordenados se convierten en un muro invisible entre la IA y el trabajo real. No es un fallo del modelo, es un fallo de escala: la herramienta piensa bien, simplemente se ahoga con el volumen.
Una señal venida de otro lado
El pasado mes de mayo, nueve administraciones chinas, entre ellas el Ministerio de Hacienda, publicaron una nota (财会〔2025〕9) que obliga a los software contables a actualizarse antes del 31 de diciembre de 2027, para adoptar el estándar de datos de comprobantes contables electrónicos. A primera vista, nada que ver con «la IA que te ayuda a trabajar». Y sin embargo, el movimiento apunta en la misma dirección: el tratamiento documental de las empresas se reformatea, y la mayoría de las herramientas de IA aún no han seguido el ritmo. El denominador común entre la nota contable y el asistente bloqueado es el formato. Cuando el documento cambia de naturaleza, todo el ecosistema aguas abajo debe ajustarse, incluida la IA.
Ese es precisamente el terreno de UglyPear Datos. Nuestro eje principal es la compresión de documentos de alto rendimiento sumada a una base de ingeniería de datos RAG, todo en despliegue totalmente privado, donde los datos nunca salen de la intranet. En esa línea construimos compress-mcp —en resumen, es un servicio de compresión que «se reduce en una frase».
No es un software independiente más. Es un servicio MCP, pensado para enchufarse directamente en herramientas de IA como WorkBuddy, Qwen o Bailian, para que un agente comprima un archivo con una sola instrucción en lenguaje natural.
MCP, en lenguaje claro
MCP significa Model Context Protocol. Es un protocolo abierto que permite a las herramientas de IA conectarse con capacidades externas. Antes, cada agente que quería disparar una función externa tenía que montar su propio enganche y reescribir su adaptador. Con MCP, quien aporta la capacidad la empaqueta en un «servicio», y el agente puede invocarla como si fuera una función nativa. La compresión encaja perfectamente: es una acción estable, reutilizable, que no debería exigir un gesto manual cada vez.
¿Por qué convertirla en un servicio MCP en lugar de añadir un botón más a una interfaz? Porque el cuello de botella nunca fue «¿tenemos una herramienta de compresión?», sino «¿puede la IA dispararla?». Antes, para que la IA procesara un archivo grande había que salir de la conversación, lanzar una compresión a mano y volver a pegar el resultado. En cuanto se rompe el flujo, el usuario pierde las ganas de usarlo.
compress-mcp usa un doble canal stdio y HTTP. El canal stdio sirve para el puesto local, arrancado con el agente; el canal HTTP expone el servicio a un equipo o a un servidor interno, sin reabrir el puesto en cada llamada. Incluye 6+1 herramientas integradas —seis funciones de compresión que cubren las familias de formatos, más una función auxiliar de medición— y trae consigo una métrica de uso y un mecanismo de licencia. Para un desarrollador, eso significa que ya no tiene que escribir una adaptación por plataforma de IA: el agente solo tiene que decir «comprime este contrato para poder enviarlo por correo», y la compresión ocurre en silencio, en local. Para una empresa, la métrica integrada permite ver cuántas compresiones han corrido y qué volumen se ha quitado; la licencia, por su parte, sitúa la autenticación afuera, sin montar tu propia capa.
La datos que crece
Otro telón de fondo: la datos misma crece. En sus previsiones para China, IDC señala que el mercado nacional está entre los más rápidos en crecimiento de datos no estructurados: de 51 ZB a 129 ZB en cinco años, con una tasa de crecimiento anual compuesta del 30 al 40 %. Los archivos no harán sino engordar. La compresión pasa así de «opción simbólica» a cimiento de los flujos de trabajo con IA, y conviene que ocurra en local, no tras una subida que expone la materia.
Cuatro maneras de dejar que la IA toque archivos grandes
| Enfoque | Integración | ¿Los datos salen de la intranet? | ¿Código requerido? | Escenario ideal |
|---|---|---|---|---|
| compress-mcp | Llamada en lenguaje natural por el agente, en local | No, proceso en la máquina | Ninguno | Reducir un archivo grande en plena conversación, archivo por lotes |
| Enviar el texto bruto al LLM | Sin compresión, directo al contexto | Según el despliegue del modelo | Ninguno | Texto corto, resumen sencillo |
| Script de compresión propio | Desarrollo y mantenimiento propios | No, en la máquina | Sí | Proceso muy personalizado |
| API cloud SaaS | Llamada a terceros vía red | Sí, archivo subido | Sí | Tareas ligeras sin exigencia de privacidad |
Esta tabla no pone a nadie por encima. Ayuda a juzgar: si tus archivos rozan los cientos de megas y guardan contratos o historiales médicos, una solución local, activable con una frase, será más fluida. Si solo comprimés una imagen de vez en cuando, un SaaS cloud basta. Cada cual según su necesidad, y la frontera se traza sobre dos ejes: la sensibilidad de los datos y la frecuencia real de uso.
Un ejemplo concreto
Retomemos el pliego OFD de 443 páginas. Demasiado pesado para ingerirlo tal cual, el agente recibe la instrucción «comprime primero, luego lee». compress-mcp lo procesa en local; nuestras mediciones dan 124 segundos de punta a punta. Una ganancia tangible afecta a las imágenes: sobre la base GPT-4o, comprimir antes de enviar al modelo reduce el coste en tokens de imágenes un 85,9 %. Para un equipo que maneja documentos a diario, ese gasto se acumula y se lee directo en la factura de API.
Imaginemos ahora un equipo de conocimiento. La sala de archivos rebosa de escaneos acumulados durante diez años. Quieren alimentar un sistema RAG para preguntas, pero los originales son pesados y borrosos: meterlos tal cual infla el almacenamiento y frena la búsqueda. El agente, antes de entrar en la base, recibe «comprime este lote de una vez». compress-mcp repasa la tanda en la máquina y luego encaja con la base de ingeniería de datos RAG y sus seis procesos. Compresión aguas arriba, búsqueda aguas abajo: ambas operaciones quedan en la intranet, la materia sensible no abandonó el dispositivo. El almacenamiento ahorrado se traduce en respuestas más rápidas para quien consulta.
No para todos los casos
compress-mcp no es la respuesta a todo. Si solo comprimís dos imágenes de vez en cuando para mandarlas por mensajería, un utilitario de teléfono basta; no hace falta enchufar un servicio para un gesto puntual. Donde compress-mcp sale a cuenta es en los eslabones «archivo voluminoso, frecuencia alta, exigencia de privacidad»: escaneos que entran cada día en una base de conocimiento, pretratamiento de una cadena de revisión de contratos, adelgazamiento de una base de conocimiento de soporte antes de entrar. Hacer de la compresión una capacidad que el agente dispara a voluntad ahorra dos cosas: la paciencia perdida al saltar entre herramientas, y el riesgo de que el archivo salga de la intranet.
Para un desarrollador hay un segundo dividendo: menos código de pegamento. Ya no hay que escribir, para cada plataforma, la subida, la consulta y la devolución; MCP estandariza esa interacción. El esfuerzo de integración baja, y el agente gana una capacidad reutilizable sin reescritura.
Un punto a menudo olvidado: la privacidad
Los productos de UglyPear Datos corren por principio en la máquina, el archivo no sale del dispositivo, y hasta las 13 categorías de detección de información sensible para IA se hacen en local. Esas trece cubren lo que menos quieres que salga: documentos de identidad, números de cuenta, historiales médicos, cláusulas contractuales y otros marcadores que el agente puede detectar antes de cualquier envío. compress-mcp obedece la misma regla: convierte «comprimir» en una capacidad que el agente invoca, sin que el archivo haya cruzado nunca la intranet. Para un despacho, una clínica o un servicio financiero, donde la confidencialidad es umbral, eso cuenta más que «comprimir rápido».
Comprimir, ordenar, recuperar: tres salidas de una misma lógica
SmartSlim es la gama que «reduce» el archivo. Maggie File «ordena» el archivo. compress-mcp extrae la capacidad de compresión para convertirla en una pieza que las herramientas de IA llaman directamente. Las tres corren en local. Por encima, la base de ingeniería de datos RAG transforma, con seis procesos y ocho capacidades, archivos dispersos en conocimiento consultable, también privada y sin salida de datos. Puedes leer compress-mcp y esa base como engranajes: uno pasa lo «grande» a lo «pequeño», la otra hace servir lo «pequeño». El blog de UglyPear Datos detalla estos encadenamientos conforme se actualizan.
Elegir sin complicarse
Para un uso largo, frecuente y que evolucione, mira la fórmula de suscripción (SmartSlim desde 20,4 ¥ al mes). Para una compra en un pago, varios dispositivos propios y datos que te pertenecen sin renovación mensual, mira la fórmula de adquisición (Maggie File, tres dispositivos vinculados, clave entregada al instante). Para el desarrollador que quiere enterrar la compresión en su propio sistema de IA, un servicio MCP del estilo «se reduce en una frase» como compress-mcp nació para ese caso. Ninguno reemplaza al otro: la elección depende del piso sobre el que te apoyas. Si solo quieres que tu asistente de IA maneje mejor los archivos grandes, compress-mcp es un buen primer paso para probar; cuando los documentos se multipliquen de verdad, ya podrás enchufar Maggie File y la base RAG más adelante.
En el fondo, compress-mcp resuelve un problema menudo pero molesto: el archivo es demasiado grande, la IA no lo maneja. No pretende reemplazar a nadie. Solo hace de «reducir» un gesto que el agente cumple en cuanto abres la boca, y eso en tu propia máquina.
Pruébalo ya
¿Tus documentos se vuelven demasiado pesados para la IA? No hace falta aprender una retahíla de parámetros. compress-mcp se enchufa en herramientas de IA como WorkBuddy, Qwen o Bailian, corre en tu máquina y guarda tus datos en la intranet. Tres puertas de entrada:
Preguntas frecuentes
P : ¿compress-mcp necesita conexión para funcionar?
R : No. Corre en tu máquina, el archivo no sale del dispositivo y la compresión termina enteramente en local. Ideal para documentos con alta exigencia de privacidad.
P : ¿Qué relación tiene con SmartSlim?
R : SmartSlim es la gama de compresión. compress-mcp empaqueta esa misma capacidad de compresión como servicio MCP, para que las herramientas de IA la llamen directamente. El motor subyacente es idéntico; solo cambia la forma de exponerlo.
P : ¿La integración es complicada, hay que programar mucho?
R : No. Usa el doble canal stdio y HTTP, incluye 6+1 herramientas integradas, y el agente de IA llama en lenguaje natural, sin que el desarrollador adapte plataforma por plataforma.
P : ¿Los datos salen de la intranet?
R : Nunca. compress-mcp procesa en la máquina, el archivo no sale del dispositivo, y las 13 categorías de detección de información sensible para IA se hacen en local.
P : ¿Qué formatos admite?
R : Ocho categorías, entre ellas PDF, imagen, vídeo, audio, Office, OFD y documentos escaneados; la compresión queda enteramente local.