GPT-4 ayuda a los archivistas a transcribir documentos manuscritos 50 veces más rápido

En 2023, Mark Humphries, historiador y coordinador del programa de aplicación de IA generativa en la Wilfrid Laurier University (Waterloo, Ontario), se topó con un problema de enorme escala. Había digitalizado 10 millones de páginas de registros de pensiones canadienses de la Primera Guerra Mundial, pero sin índice ni estandarización el archivo era prácticamente inutilizable: encontrar a un pensionista concreto significaba hojear expedientes a ciegas. Los registros los redactaron cientos de escribientes, oficiales y administradores distintos, lo que descartaba la solución habitual: entrenar un modelo especializado con una sola caligrafía.

Humphries decidió probar GPT-4. Los resultados fueron toscos, pero mejores que los de cualquier otra herramienta. Junto con sus colegas dedicó dos años a pruebas sistemáticas, analizando cartas, documentos legales y diarios de los siglos XVIII y XIX de varios países.

El estudio, publicado en mayo de 2025 en la revista Historical Methods, arrojó un resultado llamativo: los LLM superaron a Transkribus, el software especializado que usan más de 150 grandes archivos y universidades. Las cifras impresionan. En el mismo conjunto de documentos, que los modelos no habían visto antes, Transkribus cometía errores de lectura en un 8 %. Los LLM de Humphries se quedaron en un 2 %. La velocidad aumentó 50 veces y el coste se redujo 50 veces. La empresa detrás de Transkribus ya ha anunciado que integrará LLM en su propio producto.

«Era nuestro sueño», dijo Humphries en una entrevista.

Los archivos pasan de libro cerrado a libro abierto

Las consecuencias prácticas ya se ven en universidades de toda Norteamérica. Lianne Leddy, historiadora de historias indígenas y coautora del estudio, usa IA para buscar menciones de mujeres indígenas de Norteamérica en antiguos libros de comercio y registros de bautismos y matrimonios dispersos por archivos de costa a costa. El problema es que esos registros los escribían hombres (comerciantes, sacerdotes, funcionarios) y los nombres de mujer se anotaban a menudo solo de forma fonética y de maneras distintas: franceses, ingleses y escoceses podían escribir un mismo nombre de cinco formas. O la mujer aparecía simplemente como «la esposa de alguien». Reunir la historia completa al ritmo de antes exigía décadas de trabajo. Ahora lleva meses.

La Universidad de Carolina del Norte (Chapel Hill) experimenta con la transcripción por IA de sus colecciones especiales, muy consultadas por personas que buscan información sobre sus antepasados. La archivista Jackie Dean contó que los modelos funcionan bien con cartas y diarios, pero que el avance llegó con las tablas, que siempre fueron un quebradero de cabeza para el software especializado.

El Banco de la Reserva Federal de Filadelfia fue mucho más allá del ámbito universitario. Usa LLM para extraer datos de registros históricos de propiedad y matriculaciones de automóviles que antes resultaba demasiado caro procesar a gran escala. Esto ha abierto nuevas posibilidades para la investigación económica histórica.

De los dígitos de LeCun a los modelos generales

La historia de este problema se remonta a los inicios de la IA. En la década de 1980, Yann LeCun (más tarde galardonado con el Turing Award por sus aportaciones al deep learning) trabajó en el reconocimiento de dígitos manuscritos. Le interesaba menos la escritura en sí que la visión por computador, pero, con una capacidad de cálculo limitada y pocos datos, se centró en los dígitos, para los que el servicio postal y los censos aportaban información.

Resulta que, con el amplio conjunto de datos que han visto los LLM actuales (internet, libros, digitalizaciones históricas), los modelos absorbieron en algún punto la relación entre el texto manuscrito y su transcripción. Nadie se lo enseñó de forma específica. LeCun, que considera el problema en gran parte resuelto y hace tiempo que pasó a cuestiones más difíciles de la inteligencia de las máquinas, está de acuerdo con esta lógica.

Humphries está creando ahora Archive Pearl, una herramienta sin ánimo de lucro que se encuentra en versión beta. La idea es simple: arrastras un centenar de páginas y obtienes una transcripción limpia en minutos en lugar de semanas. El objetivo de Humphries es la democratización. Debe ser una herramienta para las personas, no contra ellas.

Qué significa

Los archivos manuscritos se vuelven más accesibles no solo para paleógrafos formados, sino también para estudiantes, doctorandos, aficionados a la historia y personas que buscan sus raíces. Las colecciones que se conservaban, pero quedaban funcionalmente ocultas tras el esfuerzo de la transcripción, pasan a ser consultables. Las preguntas que antes eran demasiado costosas o laboriosas ahora pueden plantearse. No es solo una aceleración: es el paso de lo imposible a lo rutinario.