Casi cualquier herramienta de catalogación con IA se ve bien en una demostración. Toma un documento y en segundos devuelve un registro completo, con los campos llenos y bien formados. Pero esa primera impresión no responde la pregunta decisiva para una institución con acervo: ¿ese registro es confiable dentro de tu catálogo, donde un dato equivocado queda invisible y permanente? Las preguntas que siguen son las que lo determinan, y sirven para evaluar cualquier herramienta, la nuestra incluida.
¿De dónde viene cada dato? Un modelo de IA hace algo más que leer el documento: completa campos que el documento no traía, a partir de lo que ya sabe. Eso es útil y a la vez riesgoso, porque un dato que parece correcto puede ser falso. Pregunta si la herramienta distingue lo que verificó de lo que dedujo, y si lo deja marcado. En una buena respuesta, los nombres y las materias que se validaron contra una fuente salen con esa fuente anotada en el registro, y lo que viene solo del modelo queda sin esa marca, para que sepas qué conviene revisar.
¿Contra qué autoridades verifica, y funcionan con tus sistemas? El control de autoridades es lo que evita que un mismo autor entre al catálogo con tres grafías distintas y termine como tres personas. Pregunta contra qué fuentes contrasta los nombres y las materias, desde vocabularios universales hasta tu propio catálogo de autoridad. Y si tu material no puede salir de la institución, pregunta si esa verificación también funciona sin conexión al exterior, contra tus sistemas.
¿Calcula lo que tiene regla, o lo adivina? Algunos campos tienen una respuesta correcta, no una estimación: el número de clasificación, ciertos subcampos, el nivel de descripción archivística. Pregunta si la herramienta los calcula siguiendo la regla o si se los pide al modelo. Cuando existe una regla pública, aproximar no alcanza.
¿El registro es correcto en la norma, no solo en la forma? Un estándar como MARC21, ISAD-G o CDWA no es solo una estructura de campos: trae reglas sobre procedencia, jerarquía, repetición de campos y vocabulario. Pide un registro real en tu norma y revísalo contra la norma, no contra su apariencia. Un registro puede tener la forma correcta de MARC y aun así estar mal.
¿Evalúa y marca cada registro? A escala nadie revisa registro por registro. Pregunta si la herramienta califica cada uno y marca los que no llegan a un mínimo, para que la revisión se concentre en lo señalado. Sin eso, recibes un lote completo sin saber cuáles mirar.
¿Se ajusta a tu acervo, o es una talla única? 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. Pide verlo configurado para tu esquema, no una demostración genérica. Si no se puede ajustar a tu acervo, difícilmente será correcto para ti.
Si tu material no puede salir, ¿procesa en tu infraestructura? Algunos acervos no pueden salir de la institución: expedientes sensibles o regulados, y también, en una biblioteca, las tesis con propiedad intelectual restringida. Para esos casos, pregunta si la herramienta corre en tus propios servidores, incluso en una red aislada de internet, y qué información sale en cada modo de operación: si todo se procesa localmente, o si algo se envía afuera ya anonimizado.
¿Te dice dónde falla? Un proveedor que promete no equivocarse nunca está escondiendo el riesgo, no eliminándolo. La respuesta seria explica cómo detecta y marca sus errores: de qué depende la calidad del resultado, sobre todo de la calidad del material de partida, en qué casos rinde menos y cómo te avisa. Que una herramienta reconozca sus límites dice más de su fiabilidad que cualquier cifra.
Si estás evaluando herramientas de catalogación con IA y quieres contrastar estas preguntas con tu acervo y tu norma, escríbenos a info@janium.com y te decimos dónde encaja Collect y dónde no.