Una IA analiza 400 años de archivos y encuentra un meteorito olvidado y rinocerontes perdidos

El post de Jesse Waites «I pointed AI at 400 years of archives» acumula en Hacker News 95 puntos y 47 comentarios. El autor cuenta que pasó por una IA material de cuatro siglos y encontró un meteorito olvidado, unos rinocerontes perdidos y otras historias. El anuncio no deja ver qué archivos utilizó, qué modelo empleó ni cuánto costó. A continuación se analiza qué se afirma, cómo suelen estructurarse estos proyectos y dónde están sus puntos débiles.

Qué se sabe de lo declarado

La promesa, en sí, es clara: un gran corpus de documentos antiguos que nadie ha leído entero y un modelo capaz de leerlo en un tiempo razonable. Cuatro siglos de material son manuscritos, publicaciones impresas, correspondencia, catálogos y, posiblemente, periódicos. Estas colecciones suelen estar poco indexadas. Una persona encuentra en ellas lo que busca por palabra clave, y todo lo demás permanece intacto.

Los hallazgos del titular parecen justo el resultado de ese tipo de lectura sin una consulta previa. Un meteorito que alguien describió una vez y se olvidó. Unos rinocerontes cuyo rastro se perdió en los registros. Si el autor no exagera, el modelo funcionó como un lector que no necesita conocer la pregunta de antemano.

Cómo suele funcionar

Proyectos de este tipo se construyen casi siempre en varios pasos. Es un esquema general, no la descripción de un post concreto.

• Reconocimiento: los escaneos se convierten en texto mediante OCR o reconocimiento de manuscritos, y es aquí donde más calidad se pierde con tipografías y caligrafías antiguas.
• Etiquetado: un LLM extrae de cada documento personas, lugares, objetos, fechas y eventos.
• Cruce de datos: se vinculan registros de distintas décadas y afloran historias que ningún documento muestra por sí solo.
• Verificación: una persona contrasta lo hallado con la fuente primaria.

El último paso determina si lo encontrado es un hallazgo o una invención vistosa. Los modelos tienden a completar el contexto, sobre todo cuando el texto está mal reconocido. Un «meteorito olvidado» solo tiene valor si, siguiendo el enlace a la página del archivo, se puede ver un registro real.

Dónde están las trampas

La primera son los errores de reconocimiento. Si el «rinoceronte» del original resulta ser otra palabra y el OCR o el modelo la ajustaron a una historia llamativa, el hallazgo se desvanece. La segunda es la selección. El post habla de lo que apareció. Sobre cuántos falsos positivos hubo que descartar, el titular no dice nada. La tercera: «olvidado» no significa «desconocido». Los historiadores de colecciones locales podrían haber sabido todo este tiempo del meteorito; simplemente no llegó al gran público.

A juzgar por su número, los comentarios de Hacker News probablemente giran en torno a las mismas preguntas: cómo se verificó, cuánto costó y qué de lo encontrado es realmente nuevo. Los comentarios en sí no figuran en la fuente, así que esto es una suposición, no un resumen.

Parámetros clave

• Horizonte del material: unos 400 años.
• Hallazgos declarados: un meteorito olvidado, rinocerontes perdidos, «y otros».
• Reacción de la comunidad: 95 puntos, 47 comentarios en Hacker News.
• Desconocido a partir del anuncio: el modelo, el volumen del corpus, el coste, la proporción de falsos positivos.

Qué hacer con esto

Si tiene un archivo, ya sea correspondencia corporativa, diez años de documentación técnica o una biblioteca digitalizada, el esquema de este post sirve como receta: primero, que el modelo lea todo sin una pregunta previa; después, seleccionar las anomalías y comprobarlas a mano. Cada hallazgo debe tener un enlace a una página o un archivo concretos. Sin esa referencia, el resultado no se puede usar ni defender.

Calcule por separado el coste del reconocimiento y el del etiquetado: con escaneos malos, el primero suele ser más caro que el segundo. Antes de citar el post como prueba de las capacidades de la IA, lea el original y busque en él la metodología y los ejemplos de verificación. El anuncio de Hacker News no contiene estos detalles.