Coraz więcej dokumentów trafia do modeli językowych nie przez API, lecz przez zwykłe przeciągnięcie pliku do okna czatu. Problem w tym, że PDF wygenerowany z systemu obiegu dokumentów rzadko jest „czystym” tekstem — często niesie ze sobą warstwę podpisu cyfrowego, znaczniki czasu, dane certyfikatów i strukturę, która dla człowieka jest niewidoczna, a dla parsera stanowi dodatkowy szum. Autor poradnika opublikowanego na Medium proponuje prostą zasadę: zanim podpisany dokument zasili model, pozbądź się z niego podpisu — najlepiej wierszem poleceń na Linuksie.
Sens tego zabiegu nie polega na „oszukiwaniu” zabezpieczeń, lecz na porządkowaniu danych wejściowych. Podpis cyfrowy w PDF to zwykle obiekt kryptograficzny osadzony w strukturze pliku, wraz z łańcuchem certyfikatów i informacjami o wystawcy. Narzędzia do ekstrakcji tekstu radzą sobie z tym różnie: jedne pomijają podpis bez słowa, inne wciągają do wyniku fragmenty metadanych, a jeszcze inne gubią się na strukturze przyrostowej aktualizacji. Efektem bywa kontekst zaśmiecony ciągami base64 albo — w gorszym scenariuszu — fragmentami danych osobowych z certyfikatu, które wcale nie musiały znaleźć się w zapytaniu do modelu.
Drugi argument jest praktyczny i organizacyjny. Dokument podpisany elektronicznie ma określony status prawny i jest zwykle przechowywany w repozytorium jako dowód. Wysyłanie oryginału do zewnętrznego dostawcy modelu to niepotrzebne rozproszenie materiału, który powinien pozostać w kontrolowanym obiegu. Kopia robocza pozbawiona podpisu jest po prostu innym artefaktem: służy do analizy treści, a nie do potwierdzania autentyczności. Rozdzielenie tych dwóch ról to elementarze higieny danych, o którym łatwo zapomnieć w codziennym pośpiechu.
W warstwie technicznej podejście sprowadza się do pracy na kopiach i narzędziach dostępnych w każdym linuksowym systemie. Można sięgnąć po biblioteki do manipulacji strukturą PDF, po konwersję do czystego tekstu lub po pipeline, który najpierw wyciąga warstwę tekstową, a dopiero potem przekazuje ją dalej. Kluczowa jest kolejność: nigdy nie modyfikujemy pliku źródłowego, zawsze tworzymy wersję pochodną, a oryginał zostaje w archiwum z nienaruszonym podpisem. Warto też sprawdzić, czy po usunięciu podpisu dokument nadal daje się odczytać — uszkodzona struktura potrafi wygenerować pusty albo zniekształcony tekst, co model przyjmie bez mrugnięcia okiem.
Sama publikacja nie jest przełomowym odkryciem — to raczej notatka z warsztatu, którą społeczność Hacker News podchwyciła jako punkt wyjścia do szerszej dyskusji. Bo pytanie o to, co dokładnie wysyłamy do modelu, dotyczy nie tylko PDF-ów: ukryte metadane siedzą w plikach biurowych, zdjęciach i archiwach, a warstwy, których nie widzimy w podglądzie, potrafią podróżować dalej. Zasada „najpierw odchudź dokument, potem pytaj model” brzmi banalnie, ale w praktyce ratuje zarówno prywatność, jak i jakość odpowiedzi.
Podsumowanie
Usuwanie podpisu cyfrowego z PDF-a przed analizą przez AI to niewielki rytuał o wymiernych korzyściach: czystszy kontekst dla modelu, mniej przypadkowych metadanych w zapytaniu i oryginał z podpisem bezpiecznie odłożony w archiwum. Wystarczy pamiętać o pracy na kopiach i sprawdzeniu, czy po zabiegu dokument nadal się poprawnie odczytuje.