El crecimiento exponencial de datos no estructurados en entornos digitales contemporáneos ha enfatizado la necesidad de soluciones eficientes de procesamiento que puedan operar sin problemas a gran escala. Uno de los objetivos perennes en el ámbito de la gestión de datos es desarrollar sistemas automatizados que puedan procesar documentos no estructurados y semi-estructurados para generar automáticamente tablas consultables de manera eficiente sin adaptaciones constantes. El presente estudio se dedica a la conceptualización y desarrollo de un prototipo diseñado para la fase de ingestión de datos en una infraestructura de big data. Esta implementación aprovecha la integración del ecosistema de código abierto GPT4All, con el Modelo de Lenguaje Grande (LLM) Nous-Hermes-13b desempeñando un papel fundamental en el procesamiento, mientras que la biblioteca de vectores Chroma se utiliza en conjunto con el LLM para abordar la eliminación de duplicados en la información almacenada en la base de datos PostgreSQL. Las pruebas de implementación se llevaron a cabo desde tres perspectivas fundamentales: precisión de los resultados, tiempo de procesamiento y escalabilidad en relación con los recursos disponibles. El resultado demostró que la carga del modelo durante la inferencia es sustancial y los tiempos de procesamiento para cada iteración son moderados. Esto sugiere que el rendimiento del prototipo es bastante competitivo, dadas los recursos de infraestructura utilizados en la investigación. Sin embargo, se observa que la escalabilidad del diseño podría mejorarse mediante la optimización de estos recursos y la mejora del modelo.