IA para la preservación digital
La preservación es un compromiso a largo plazo, así que es un sitio poco común para añadir IA. Las promesas centrales —integridad, autenticidad y longevidad— tienen que seguir siendo verificables, lo que significa que la IA pertenece a los bordes y no a las garantías. Usada con esa disciplina, ayuda muchísimo.
Los archivos, las universidades y los museos mantienen el contenido intacto y usable durante décadas, a veces de forma permanente, y todo el sentido de una plataforma de preservación es que sus garantías se sostengan con el tiempo. Esto es una mirada práctica a dónde encaja de verdad la IA en la preservación, qué no debe tocar, y qué hace falta para incorporarla a una plataforma sin perder la confianza de la que depende el sector. Si prefieres los fundamentos primero, nuestra explicación cubre qué es una plataforma de preservación digital.
Dónde ayuda la IA, y dónde no debe
Las partes de la preservación que escalan mal a mano son la descripción y el descubrimiento, no las garantías. La IA encaja bien con lo primero: generar y enriquecer metadatos descriptivos, ayudar con la caracterización, hacer los archivos consultables en lenguaje natural, y señalar anomalías para revisión, para que las personas pongan atención donde hace falta.
No debe hacer las veces de lo que hace fiable a la preservación. La comprobación de fixity e integridad, el cumplimiento de estándares y la procedencia tienen que seguir siendo deterministas y auditables. Un checksum no es una cuestión de criterio, y nunca debería convertirse en una. Cuando la IA propone metadatos, una persona o un proceso definido sigue confirmándolos.
El problema más difícil: incorporar la IA sin perder la confianza
Añadir IA a una plataforma de preservación es menos un problema de modelado que uno de producto. El software de preservación a menudo lo construyen equipos de ingeniería fuertes con profunda experiencia de dominio, crecido de forma orgánica a lo largo de años. Eso produce tecnología excelente y, con frecuencia, ninguna función de producto formal entre los clientes y el código. La IA sube lo que hay en juego en ese hueco, porque la pregunta no es «podemos añadir un modelo», sino dónde la IA merece de verdad la pena, y dónde socavaría en silencio las garantías de las que dependen los clientes.
Responder bien a eso necesita criterio de producto: un responsable claro de esas decisiones, una visión compartida de dónde la IA aporta valor, y una forma disciplinada de introducirla que mantenga la plataforma auditable. Ser nativo de IA desde el principio es la ambición correcta; hacerlo sin una función de producto que lo dirija es donde el software de preservación se mete en problemas.
La primera inversión que merece la pena hacer a menudo no es un modelo, sino el criterio para decidir dónde encaja la IA.
Qué hicimos con Libnova
Libnova construye software de preservación digital en el que confían archivos nacionales, universidades y museos para mantener el contenido intacto durante décadas. Tras una adquisición mediante search fund, asumimos el papel de Chief Product Officer fraccional: construir una organización de producto de verdad, nativa de IA desde el principio, y orientarla hacia una plataforma escalable. El trabajo fue tanto sobre cómo se toman las decisiones de producto como sobre cualquier función concreta, porque es lo que permite a una empresa de dominio profundo añadir IA sin debilitar lo que la hacía fiable.
Cómo empezar sin comprometerte de más
Empieza donde la IA ayuda en los bordes —descripción, descubrimiento y clasificación— y deja las garantías deterministas. Sé explícito sobre la línea entre lo que un modelo sugiere y lo que el sistema certifica, y mantén a una persona o a un proceso definido en el lado de la certificación. Si tu organización está añadiendo IA a un producto de preservación maduro, la primera inversión que merece la pena hacer suele ser el criterio de producto para decidir dónde encaja la IA.