IA para la preservación digital
La preservación es un compromiso a largo plazo, así que no es el sitio más habitual para añadir IA. Las promesas centrales (integridad, autenticidad y longevidad) tienen que seguir siendo verificables, así que el sitio de la IA está en la periferia, no en 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 la razón de ser de una plataforma de preservación es que sus garantías se mantengan con el tiempo. Aquí repasamos, de forma práctica, 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 centren su atención donde hace falta.
No debe sustituir lo que hace fiable 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 serlo. 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 más un problema de producto que de modelado. Detrás del software de preservación suele haber equipos de ingeniería sólidos, con un profundo conocimiento del sector, que lo han hecho crecer de forma orgánica durante años. Eso produce tecnología excelente y, con frecuencia, ninguna función de producto formal entre los clientes y el código. Con la IA, ese hueco pesa mucho más, 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.
Para responder bien hace falta 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 tuvo tanto que ver con cómo se toman las decisiones de producto como con 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 arriesgar demasiado
Empieza donde la IA ayuda en la periferia (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.