La soberanía de los datos es el principio de que cierta información no puede salir de la institución que la custodia: ni a un servidor externo, ni a un servicio en la nube. No es un tecnicismo. Un archivo con expedientes personales o documentación de gobierno reservada, o contratos con cláusulas de confidencialidad, son material que, por ley de residencia de datos, por política interna o por su propio contenido, tiene que quedarse dentro.
Catalogar con IA choca de frente con eso. La forma habitual de usar un modelo de lenguaje —el tipo de inteligencia artificial detrás de herramientas como ChatGPT— es enviarle el documento a un servicio en la nube, que lo procesa en servidores de un tercero. Para el material restringido, eso no es una opción. La pregunta deja de ser si la IA puede catalogar y pasa a ser si puede hacerlo sin que los documentos salgan de la institución.
No todo acervo tiene esta restricción por igual. El catálogo de una biblioteca es, al final, información pública, así que para la colección general la soberanía rara vez es el problema. Pero hay una excepción que sí la trae a la biblioteca: las tesis y trabajos de grado bajo embargo. Muchos, antes de publicarse, contienen investigación inédita, secretos industriales o propiedad intelectual todavía sin proteger, y por eso quedan restringidos por un tiempo. Catalogar una tesis con IA obliga a que el modelo lea el documento completo, no solo la portada, y ese documento no puede salir a un servicio de terceros, aunque el registro que resulte sí vaya a ser público. Es el caso que justifica el procesamiento local incluso donde el catálogo es abierto.
Collect se diseñó para ese caso. El procesamiento corre en la infraestructura de la institución, en un servidor o una estación con GPU, con un modelo de lenguaje que se ejecuta localmente. Los documentos se leen y se convierten en registros ahí mismo; no salen. Puede correr sin conexión a internet, en una red aislada (lo que se llama air-gapped).
Donde una institución quiere la calidad de un modelo de frontera —los modelos más capaces y recientes, que corren en la nube— para los casos difíciles, hay un modo híbrido. El modelo local hace la primera pasada, y lo que se escala a la nube pasa antes por una anonimización que sustituye los datos personales que detecta por marcadores neutros (tokens); al volver, se re-identifican. La anonimización reduce la exposición de datos personales, pero no garantiza que no quede ninguno, y para esos casos el resto del contenido del documento sí sale de la institución. Por eso la elección del modo es de la institución, según su política y su riesgo: todo local, o local con escalada anonimizada.
El control de autoridades sigue el mismo principio: puede leer fuentes de autoridad y lenguaje controlado en la nube, como id.loc.gov o VIAF, o en los propios sistemas de la institución. Sin conexión al exterior, verifica los nombres y las materias contra las autoridades y los vocabularios que la institución tenga disponibles.
Lo que rara vez se encuentra junto no es la IA soberana ni la catalogación por separado, sino las dos a la vez. Procesar en tu infraestructura lo ofrecen varios proveedores genéricos; producir con eso un registro de catálogo es otra cosa: MARC21, ISAD-G o CDWA, con control de autoridades, correctores deterministas y la evaluación de calidad por registro. Collect hace ambas: el material no sale, y lo que produce es catalogable, no solo texto extraído.
Dos factores pesan al elegir el modo. Un modelo local rinde por debajo de uno de frontera en los casos más difíciles; el modo híbrido existe para eso, y su costo es que una parte anonimizada del contenido sale de la institución. Además, la ejecución local pide una máquina con GPU, no corre en cualquier equipo. Con eso resuelto, el material se queda dentro y el registro sale catalogable.
Si tu institución tiene material que no puede salir y necesita describirlo, escríbenos a info@janium.com; nos interesa entender tu restricción, sea residencia de datos, air-gap o confidencialidad, y qué margen te deja para la calidad.