Un modelo de lenguaje (un LLM, por sus siglas en inglés) ya no solo lee un documento: lo identifica y rellena el registro con lo que sabe. De una portada saca el autor, las materias y la fecha; de un título, el ISBN y decenas de campos que la fuente no traía. Esa capacidad de enriquecer es hoy común, y es justamente el valor de usar IA para catalogar. Para una institución con acervo la pregunta no es si la IA puede rellenar un registro, porque puede y de sobra, sino si ese registro puede entrar a un catálogo permanente y quedarse ahí. Ese es un listón distinto, y es donde el enriquecimiento genérico se queda corto.
La diferencia está entre plausible y confiable. Un modelo genérico produce un registro completo y verosímil: los campos están llenos y suenan bien. Un catálogo necesita además saber de dónde viene cada dato. Un ISBN plausible pero equivocado, una materia que no aplica o una fecha inferida de una identificación errónea se quedan en el registro con aspecto de correctos. Un campo vacío se completa después; uno lleno con un dato falso contamina sin dejar rastro, y sale caro encontrarlo.
La catalogación disciplinada no consiste en enriquecer menos, sino en enriquecer sabiendo qué respalda cada valor. En varios puntos se separa del genérico.
Saber de dónde viene cada dato. Lo que se puede verificar, se verifica y se atribuye. Las materias y los nombres se contrastan contra autoridades y vocabularios controlados, y el registro deja anotado con qué fuente se validó cada uno. Lo que viene del conocimiento del modelo sin una fuente externa que lo respalde queda sin esa anotación, y esa ausencia es en sí una señal de cuánta certeza darle. El genérico entrega todo al mismo nivel, sin distinguir lo que comprobó de lo que supuso.
Calcular lo que tiene regla, en vez de pedírselo al modelo. Algunos campos tienen una respuesta correcta, no una estimación: el número de clasificación (Cutter, Dewey, LC), ciertos subcampos MARC, el nivel de descripción archivística, el rango de fechas de una serie. Donde existe esa regla, el valor se calcula de forma determinista en lugar de pedírselo al modelo. El genérico lo aproxima, y aproximar no alcanza cuando hay una regla pública.
Evaluar y marcar cada registro. Cada registro pasa por una evaluación que lo califica según su completitud, su corrección y cuánto se pudo respaldar. Cuando queda por debajo del umbral, se marca de forma visible para revisión. Esa calificación es la que permite revisar por excepción, atendiendo lo que el sistema señala en lugar de cada registro. El genérico entrega un lote sin decir cuáles conviene mirar.
Tratar la norma como lógica. MARC21, UNIMARC, ISAD-G, CDWA y Dublin Core no son solo un formato de salida: cargan reglas y semántica sobre procedencia, jerarquía, repetición de campos y vocabulario controlado. Pedirle “ponlo en MARC” a un genérico suele producir registros que son MARC en la forma y a la vez incorrectos en la norma.
Leer en muchos idiomas y describir en el vocabulario correcto. El material y su descripción rara vez están en un solo idioma. El sistema lee en varios y describe en el vocabulario del estándar destino. Traduce lo que debe traducirse y deja intacto lo que no, como los nombres, los títulos y las fechas. No se limita a un par de idiomas.
Debajo de todo esto hay una razón por la que una misma solución genérica, igual para todas las instituciones, no puede ser correcta: la corrección se define localmente. El mismo documento, bajo el mismo estándar, se cataloga distinto en cada institución, según su cuadro de clasificación, sus autoridades y el idioma en que describe. Por eso el resultado depende de la configuración por institución y por acervo, y esa configuración es la condición para que el registro sea el que esa institución considera correcto.
El enriquecimiento desde el conocimiento del modelo puede equivocarse. Una identificación errónea arrastra todos los datos que cuelgan de ella, y un dato sin fuente externa, como un ISBN o a veces la fecha, se apoya en esa identificación, en la calificación y en la revisión, no en una comprobación contra un registro real. Por eso la procedencia, la calificación y la revisión no son adornos: son lo que separa enriquecer de contaminar. Para descripciones desechables o de bajo riesgo, un enriquecimiento genérico puede alcanzar. Lo que aquí describimos aplica al catálogo permanente, donde un dato falso es invisible y duradero, y donde alguien responde por él.
Si estás evaluando IA para catalogación y te interesa dónde queda la línea entre “rellena campos” y “es confiable en el catálogo de registro”, escríbenos a info@janium.com; nos interesa cómo la trazarías para tu acervo.