Bibliotecarios y archiveros

Bibliotecarios y archiveros: Cómo la IA está transformando la gestión de la información y la preservación cultural

Resumen del rol

Los bibliotecarios y archiveros gestionan, preservan y facilitan el acceso a colecciones de información, registros históricos y materiales culturales en instituciones académicas, bibliotecas públicas, organismos gubernamentales, museos, archivos corporativos y colecciones especiales. Su labor abarca la catalogación y creación de metadatos, servicios de referencia, desarrollo de colecciones, preservación digital, gestión documental y formación de usuarios. En el ámbito académico, apoyan la investigación mediante conocimientos especializados en la materia y formación en competencias informacionales. En los archivos, evalúan el valor histórico, organizan las colecciones según los principios de procedencia y crean instrumentos de descripción que facilitan la localización de los materiales. Los archiveros corporativos gestionan los registros de la organización para el cumplimiento normativo y la memoria institucional. El puesto requiere un conocimiento profundo de sistemas de clasificación (MARC, Dublin Core, EAD), normas de preservación, legislación sobre derechos de autor y, cada vez más, sistemas de gestión de activos digitales. Frente a los estereotipos de simples selladores de libros, los bibliotecarios y archiveros modernos son arquitectos de la información que tienden puentes entre el mundo analógico y el digital, a menudo gestionando repositorios digitales de terabytes mientras custodian materiales físicos frágiles.

Cómo la IA está transformando este rol

La IA está cambiando radicalmente la forma en que los bibliotecarios y archiveros procesan, describen y ponen a disposición colecciones a gran escala. Los modelos de reconocimiento óptico de caracteres y de texto manuscrito transcriben ahora fondos de manuscritos que habrían tardado décadas en procesarse manualmente, haciendo que materiales antes inaccesibles puedan ser consultados. Los sistemas de visión artificial etiquetan automáticamente fotografías identificando objetos, lugares e incluso personas mediante reconocimiento facial, aunque esto plantea cuestiones éticas en contextos archivísticos. El procesamiento de lenguaje natural genera borradores de metadatos y encabezamientos de materia a partir del contenido de los documentos, que los archiveros revisan y perfeccionan en lugar de crearlos desde cero. Los grandes modelos de lenguaje asisten en tareas de referencia sintetizando respuestas a partir de bases de conocimiento institucionales, si bien los bibliotecarios deben verificar la exactitud y proporcionar la atribución de fuentes. Las capas de descubrimiento basadas en IA emplean búsqueda semántica para mostrar materiales relevantes incluso cuando los usuarios no conocen la terminología precisa, superando así la simple coincidencia exacta de palabras clave. El análisis automatizado de colecciones identifica duplicados, mide el riesgo de conservación al detectar la obsolescencia de formatos y señala los materiales que requieren atención prioritaria. El cambio va de la descripción manual elemento por elemento hacia un procesamiento por lotes asistido por IA, con supervisión humana centrada en el control de calidad, la interpretación contextual y la toma de decisiones éticas sobre qué se prioriza para su digitalización y descripción.

Tareas que la IA puede automatizar

• Generación de metadatos: Extracción de metadatos descriptivos básicos (fechas, formatos, tipos de archivo) de objetos digitales y sugerencia de encabezamientos de materia basados en el análisis de contenido.
• Reconocimiento óptico de caracteres (OCR) y transcripción: Conversión de texto impreso y, cada vez más, documentos manuscritos en texto con capacidad de búsqueda, con una precisión superior al 95 % en materiales limpios.
• Etiquetado de imágenes: Identificación de objetos, escenas, características arquitectónicas y estilos de indumentaria en colecciones fotográficas mediante visión artificial.
• Detección de duplicados: Búsqueda de elementos idénticos o casi idénticos en grandes repositorios digitales para eliminar la redundancia.
• Identificación de formatos: Detección automática de formatos de archivo, versiones y metadatos técnicos para flujos de trabajo de preservación digital.
• Extracción de citas: Obtención de información bibliográfica de documentos para crear listas de referencias e identificar materiales relacionados.
• Consultas de referencia rutinarias: Respuesta a preguntas frecuentes sobre horarios, políticas e información básica de la colección mediante chatbots.
• Lectura de estanterías: Uso de RFID y visión artificial para identificar libros mal colocados y discrepancias en el inventario.
• Monitoreo de preservación: Escaneo de sensores ambientales y señalización de problemas de temperatura, humedad o exposición a la luz en áreas de almacenamiento.
• Evaluación del estado de los derechos de autor: Análisis de fechas de publicación y de fallecimiento del autor para estimar la vigencia de los derechos de autor, aunque sigue siendo necesaria una revisión legal.

Habilidades cada vez más valiosas

• Evaluación de resultados de IA: Analizar críticamente metadatos, transcripciones y clasificaciones temáticas generadas por máquinas en busca de precisión, sesgos e idoneidad antes de su publicación
• Ingeniería de prompts para el patrimonio cultural: Elaborar consultas efectivas para extraer información significativa de sistemas de IA entrenados con corpus generales, adaptándolas al vocabulario especializado de los archivos
• Gobernanza ética de la IA: Desarrollar políticas sobre reconocimiento facial en archivos fotográficos, sesgo algorítmico en sistemas de descubrimiento y consentimiento para el procesamiento de materiales sensibles mediante IA
• Modelado de datos y diseño de ontologías: Crear marcos estructurados que los sistemas de IA puedan aprovechar, preservando al mismo tiempo principios archivísticos como el orden original y la procedencia
• Estrategia de preservación digital: Comprender los desafíos de la migración de formatos, la emulación y el acceso a largo plazo a medida que el contenido generado por IA ingresa en las colecciones
• Interpretación contextual: Proporcionar el contexto histórico, cultural y social que la IA no puede inferir: explicar por qué una colección importa, qué falta y qué voces están ausentes
• Diseño de experiencia de usuario: Diseñar interfaces de descubrimiento que combinen búsquedas potenciadas por IA con instrumentos de descripción tradicionales de manera que los usuarios puedan comprender y en las que confíen
• Especialización temática: Conocimiento profundo en áreas como historia local, libros raros o registros corporativos que permite a los bibliotecarios evaluar las sugerencias de la IA contrastándolas con el juicio experto
• Compromiso con la comunidad: Construir relaciones con donantes, investigadores y comunidades subrepresentadas cuyos materiales pueden ser infravalorados por la priorización algorítmica
• Enseñanza de la alfabetización informacional: Ayudar a los usuarios a evaluar críticamente el contenido generado por IA, comprender los resultados de búsqueda algorítmica y reconocer deepfakes o materiales históricos manipulados

Habilidades que pierden importancia

• Velocidad de catalogación manual: La capacidad de crear rápidamente registros MARC o instrumentos de descripción desde cero pierde relevancia cuando la IA genera borradores que requieren revisión en lugar de creación.
• Memorización exacta de clasificaciones: La recordación profunda de los números de la Clasificación Decimal Dewey o de la Clasificación de la Biblioteca del Congreso se vuelve menos crítica cuando los sistemas sugieren clasificaciones automáticamente.
• Transcripción de escritura manuscrita: Las habilidades paleográficas para leer escrituras históricas siguen siendo valiosas para el control de calidad, pero el propio trabajo de transcripción, intensivo en mano de obra, se automatiza cada vez más.
• Técnicas rutinarias de entrevista de referencia: Los enfoques guionados para responder preguntas de orientación o consultas de investigación básicas son manejados por asistentes virtuales impulsados por IA.
• Velocidad de procesamiento físico: El ritmo manual de etiquetado de carpetas, listado de cajas y disposición lineal pierde importancia cuando los sustitutos digitales son procesados en paralelo por IA.
• Ingreso repetitivo de metadatos: La digitación manual de campos descriptivos repetitivos en bases de datos se reemplaza por la importación por lotes de metadatos generados por IA, con verificación puntual humana.
• Mantenimiento de catálogos de fichas: Las habilidades heredadas en torno a los sistemas de catálogos físicos han quedado obsoletas, e incluso la gestión tradicional del OPAC está dando paso a plataformas de descubrimiento mejoradas con IA.

Adopción actual de la IA en este sector

La adopción varía enormemente según el tamaño y la financiación de la institución. Las grandes bibliotecas académicas y los archivos nacionales están implementando la IA a escala: los Archivos Nacionales de EE. UU. utilizan aprendizaje automático para la clasificación de correos electrónicos en registros presidenciales, la Biblioteca Británica ejecuta canalizaciones de OCR que procesan millones de páginas al año y las bibliotecas universitarias implementan capas de descubrimiento potenciadas por IA como Ex Libris Primo u OCLC WorldCat Discovery. Las instituciones de tamaño medio adoptan funciones de IA proporcionadas por proveedores e integradas en sistemas de gestión bibliotecaria como Alma o ArchivesSpace, sin crear modelos personalizados. Las bibliotecas públicas pequeñas y los archivos con pocos recursos se quedan significativamente atrás, limitados por el presupuesto, la experiencia técnica y las preocupaciones sobre la dependencia de un proveedor. Entre las herramientas específicas que están ganando terreno se incluyen Transkribus para el reconocimiento de texto manuscrito, la API de Google Cloud Vision para el análisis de imágenes, los modelos de OpenAI para el enriquecimiento de metadatos, y Preservica o Archivematica para la preservación digital asistida por IA. Proyectos consorciados como la Biblioteca Pública Digital de América agregan metadatos de varias instituciones, utilizando IA para normalizar la catalogación inconsistente. La resistencia se centra en la precisión (la IA etiqueta erróneamente materiales sensibles), las cuestiones éticas (reconocimiento facial en archivos de comunidades marginadas) y los interrogantes sobre la identidad profesional, acerca de si el trabajo asistido por IA mantiene los estándares archivísticos. El sector se encuentra en una fase de numerosos proyectos piloto: muchas instituciones realizan experimentos a pequeña escala, pero aún no han integrado la IA en los flujos de trabajo principales a nivel institucional.

Evolución futura del flujo de trabajo

El flujo de trabajo de los bibliotecarios y archiveros está pasando del procesamiento lineal a ciclos de triaje y refinamiento. En lugar de describir las colecciones elemento por elemento en el orden de adquisición, los archiveros utilizarán la IA para generar rápidamente metadatos básicos para colecciones enteras, y luego priorizarán la atención humana en materiales de alto valor, complejos o éticamente sensibles. El trabajo de referencia se dividirá en preguntas de primer nivel gestionadas por IA y consultas a cargo de bibliotecarios que requieran criterio, evaluación de fuentes o temas delicados. El desarrollo de colecciones incorporará análisis de uso basados en IA y modelos predictivos para identificar vacíos en las adquisiciones, aunque las decisiones finales seguirán siendo tomadas por personas con base en la misión institucional y las necesidades de la comunidad. La preservación digital se volverá más proactiva, con la IA monitoreando continuamente la integridad de los archivos, el riesgo de obsolescencia de formatos y los patrones de acceso para señalar los materiales que requieran intervención antes de que se vuelvan inaccesibles. Los departamentos de catalogación se reducirán mientras que los equipos de calidad de metadatos crecerán, centrados en entrenar modelos de IA, auditar resultados y enriquecer los registros con información contextual que la IA no puede proporcionar. Los archiveros dedicarán más tiempo a la divulgación, la historia oral y proyectos de descripción impulsados por la comunidad que pongan en el centro las voces ausentes de los datos de entrenamiento de la IA. El rol se volverá más consultivo: asesorará a los investigadores sobre las limitaciones de las herramientas de IA, les ayudará a comprender los resultados de búsqueda algorítmicos y les enseñará a evaluar críticamente el contenido histórico generado por IA. La gestión del espacio físico seguirá siendo realizada por personas, pero la IA optimizará las rutas de recuperación, predecirá las necesidades de conservación y gestionará los controles ambientales.

Casos de uso habituales de la IA

Transcripción de manuscritos a gran escala: Los archivos utilizan Transkribus o Google Cloud Vision para transcribir cartas manuscritas, diarios y registros institucionales, volviéndolos aptos para búsquedas de texto completo. Los archiveros revisan la exactitud de las transcripciones, especialmente en casos de caligrafía histórica o documentos deteriorados.

Etiquetado de colecciones fotográficas: Museos y sociedades históricas aplican visión artificial para etiquetar automáticamente miles de fotografías por década, ubicación, estilo de vestimenta y objetos visibles. Los archiveros corrigen las identificaciones erróneas y añaden información contextual sobre personas y acontecimientos.

Sugerencia automatizada de encabezamientos de materia: Los catalogadores utilizan IA para analizar el contenido de libros o artículos y sugerir encabezamientos de materia de la Biblioteca del Congreso, revisando luego su pertinencia y especificidad antes de asignarlos.

Servicios de referencia mediante chatbots: Las bibliotecas públicas despliegan chatbots de IA para responder preguntas sobre horarios, ubicaciones y cuentas las 24 horas del día, derivando consultas de investigación complejas a los bibliotecarios durante el horario de atención.

Evaluación de riesgos en la preservación digital: Los archiveros emplean herramientas como DROID o FITS, mejoradas con aprendizaje automático, para identificar formatos de archivo obsoletos en repositorios digitales y priorizar proyectos de migración.

Detección de duplicados en proyectos de digitalización: Antes de escanear, la IA compara copias digitales en distintos repositorios para evitar volver a digitalizar materiales ya disponibles, ahorrando tiempo y costos de almacenamiento.

Evaluación automatizada de derechos: Los archivos utilizan IA para analizar fechas de publicación, información de autoría y registros de derechos de autor, estimando el estado de los derechos para proyectos de digitalización y señalando los casos límite para revisión legal.

Búsqueda semántica en colecciones especiales: Los investigadores usan sistemas de descubrimiento potenciados por IA que comprenden relaciones conceptuales, encontrando materiales relevantes incluso cuando emplean una terminología distinta a la de los registros del catálogo.

Transcripción de audio y video: Los archivos de historia oral utilizan IA de voz a texto para crear transcripciones buscables de entrevistas, con revisión de los archiveros para la identificación de hablantes y la terminología técnica.

Predicción del uso de las colecciones: Las bibliotecas analizan patrones de circulación y acceso con aprendizaje automático para orientar decisiones de descarte, optimización del almacenamiento y prioridades de adquisición.

Stack de IA recomendado

Para transcripción y OCR: Transkribus (reconocimiento de texto manuscrito entrenado con documentos históricos), Google Cloud Vision API (texto impreso y escritura básica), Amazon Textract (formularios y documentos estructurados)

Para generación de metadatos: OpenAI GPT-4 o Claude (sugerencia de encabezamientos de materia, generación de resúmenes), transformers de Hugging Face (reconocimiento de entidades nombradas para personas, lugares, organizaciones), OCLC Classify API (sugerencias de clasificación automatizada)

Para análisis de imágenes: Google Cloud Vision API (detección de objetos, reconocimiento de puntos de referencia), Amazon Rekognition (detección facial, aunque se debe usar con precaución en archivos), Clarifai (entrenamiento de modelos personalizados para colecciones especializadas)

Para preservación digital: Archivematica (preservación de código abierto con identificación de formatos asistida por IA), Preservica (plataforma comercial con aprendizaje automático para la evaluación de riesgos), DROID y FITS (herramientas de identificación de formatos)

Para descubrimiento y búsqueda: Ex Libris Primo (descubrimiento bibliotecario mejorado con IA), Blacklight o VuFind (descubrimiento de código abierto con integración de IA personalizable), Elasticsearch con complementos de búsqueda semántica

Para procesamiento de audio y vídeo: Otter.ai o Rev.ai (servicios de transcripción), Whisper de OpenAI (reconocimiento de voz de código abierto), Aviary (gestión de audio y vídeo para archivos)

Para automatización de flujos de trabajo: ArchivesSpace con complementos de IA (gestión de archivos), Alma (plataforma de servicios bibliotecarios con funciones de IA), scripts personalizados en Python que utilizan spaCy o NLTK para procesamiento de texto

Para derechos y copyright: Copyright Evidence Registry (aunque asistido por IA, requiere verificación humana), modelos personalizados entrenados con políticas de derechos institucionales

La mayoría de las instituciones adoptan un enfoque híbrido: IA proporcionada por proveedores en los sistemas centrales (ILS, capas de descubrimiento) complementada con herramientas de código abierto para tareas especializadas y scripts personalizados para las necesidades únicas de las colecciones.

Riesgos y desafíos

Precisión y alucinaciones: los metadatos generados por IA pueden ser erróneos con total seguridad, asignando fechas incorrectas, identificando erróneamente a personas en fotografías o inventando encabezamientos de materia que suenan plausibles pero que no existen en vocabularios controlados. Los archiveros deben verificar los resultados, pero la fatiga de verificación hace que se cuelen errores.

Amplificación de sesgos: los modelos de IA entrenados con catálogos históricos perpetúan terminología obsoleta, ofensiva o culturalmente insensible. Los encabezamientos de materia y las descripciones pueden reflejar perspectivas coloniales, sesgos de género o la eliminación de comunidades marginadas. La corrección requiere una intervención humana intencionada.

Pérdida del contexto archivístico: la IA procesa los materiales como elementos individuales, lo que puede romper principios archivísticos como el orden original y la procedencia, que transmiten significado a través de las relaciones entre documentos. Los archiveros deben garantizar que los flujos de trabajo con IA preserven la integridad contextual.

Preocupaciones éticas con el reconocimiento facial: el uso de IA para identificar a personas en colecciones fotográficas plantea problemas de consentimiento, privacidad y vigilancia, especialmente para comunidades marginadas cuyas imágenes aparecen en archivos institucionales sin permiso.

Dependencia de proveedores: depender de plataformas comerciales de IA crea riesgos de dependencia, costos continuos y vulnerabilidad ante la interrupción del servicio. Los modelos propietarios no ofrecen transparencia sobre cómo se toman las decisiones.

Brecha digital: la adopción de la IA amplía las diferencias entre las instituciones bien financiadas y las bibliotecas y archivos con pocos recursos, creando un acceso desigual a las colecciones y reforzando las desigualdades existentes sobre qué historias se conservan y se hacen descubribles.

Preocupaciones por la descualificación: la dependencia excesiva de la IA puede erosionar con el tiempo la experiencia profunda en catalogación y archivística, dejando a las instituciones incapaces de manejar materiales complejos o de evaluar críticamente los resultados de la IA cuando los expertos se jubilan.

Derechos de autor y datos de entrenamiento: el uso de materiales protegidos por derechos de autor para entrenar modelos de IA plantea cuestiones legales, y los metadatos generados por IA pueden no ser elegibles para protección de derechos de autor, lo que complica las licencias y la reutilización.

Preservación de contenido generado por IA: a medida que la IA crea más contenido (imágenes sintéticas, texto generado), los archivos deben desarrollar políticas para valorar, preservar y contextualizar materiales que difuminan las líneas entre la creación humana y la de las máquinas.

Confianza del usuario: los investigadores pueden desconfiar de las ayudas de búsqueda o los metadatos generados por IA, cuestionando su precisión y prefiriendo descripciones creadas por humanos, especialmente en el caso de materiales históricos delicados o controvertidos.

Perspectivas futuras (3–5 años)

La inteligencia artificial se convertirá en infraestructura estándar en las bibliotecas y archivos con mejores recursos, integrada en los sistemas centrales en lugar de ser un complemento experimental. Se espera la adopción generalizada de la transcripción asistida por IA, la generación automática de metadatos con revisión humana y la búsqueda semántica como funcionalidades básicas. La profesión se dividirá: las grandes instituciones emplearán especialistas en IA y científicos de datos junto a los archiveros tradicionales, mientras que las instituciones pequeñas tendrán dificultades para adoptar estas tecnologías debido a barreras de coste y conocimientos especializados. Aumentarán los proyectos consorciados de IA, que permitirán a las entidades más pequeñas compartir modelos y capacidad de procesamiento. Surgirán estándares profesionales en torno al uso de la IA, y organizaciones como la Sociedad de Archiveros Estadounidenses y la Asociación de Bibliotecas de Estados Unidos publicarán directrices éticas para la descripción algorítmica, el reconocimiento facial y la mitigación de sesgos. La formación en archivística integrará la alfabetización en IA, enseñando al alumnado a evaluar los resultados de los modelos, comprender las limitaciones de los datos de entrenamiento y diseñar flujos de trabajo entre personas e IA. El rol se volverá más interpretativo y menos administrativo: los archiveros dedicarán menos tiempo a la descripción manual y más al enriquecimiento contextual, la vinculación con la comunidad y la supervisión ética de los sistemas de IA. Crecerá la demanda de profesionales capaces de tender puentes entre el conocimiento técnico y el humanístico, que comprendan tanto las posibilidades del aprendizaje automático como la teoría archivística. Las ofertas de empleo exigirán cada vez más familiaridad con Python, los estándares de metadatos y la ética de la IA. Persistirán resistencias relacionadas con la preocupación por la desprofesionalización y con si el trabajo asistido por IA cumple los estándares archivísticos, pero la presión económica para procesar los fondos acumulados y hacer accesibles las colecciones impulsará la adopción. El cambio más significativo será pasar de «la IA como herramienta» a «la IA como colaboradora»: sistemas que sugieren, archiveros que deciden, en bucles de retroalimentación continuos que mejoran tanto el juicio humano como el rendimiento del modelo.

Reflexión final

La IA no está reemplazando a los bibliotecarios y archiveros, sino que está obligando a la profesión a regresar a su valor fundamental: el juicio humano sobre qué es importante, por qué lo es y para quién. El trabajo técnico de transcripción, etiquetado y entrada de metadatos es automatizable, pero el trabajo interpretativo de comprender el contexto, reconocer sesgos, preservar la memoria y servir a las comunidades es irreductiblemente humano. Los archiveros y bibliotecarios que prosperen serán aquellos que vean la IA como una palanca para realizar un trabajo más significativo, no como una amenaza a su experiencia. Utilizarán las máquinas para procesar retrasos a gran escala, y luego aplicarán la perspicacia humana a los materiales que más importan. El riesgo no es la obsolescencia, sino que las instituciones utilicen la IA para reducir personal en lugar de ampliar el acceso, o que la eficiencia algorítmica anule los principios archivísticos y las necesidades comunitarias. El desafío de la profesión es orientar la adopción de la IA en torno a sus valores: equidad, acceso, preservación y verdad. Quienes puedan articular lo que los humanos hacen mejor —contextualizar, interpretar, defender y cuidar— definirán el futuro del campo.