Venecia, 1531. En un taller de imprenta, un aprendiz ajusta con paciencia los tipos móviles y prepara una ilustración para un tratado de astronomía. Cada página, cada símbolo, cada línea grabada a mano exige tiempo, concentración y oficio.
Lo que imprime hoy será conocimiento para generaciones.
Cinco siglos después, esas mismas páginas —y miles más— son escaneadas, clasificadas y analizadas por redes neuronales. La historia ya no se estudia una fuente a la vez, sino por patrones, correlaciones y clusters. Estamos presenciando el nacimiento del historiador asistido por máquina.
La digitalización masiva ha generado un nuevo tipo de abundancia: una acumulación excesiva y desorganizada de información, una suerte de “Diógenes del dato”.
Desde los registros judiciales de Finlandia hasta millones de páginas de periódicos en EE. UU., los archivos históricos han superado nuestra capacidad humana de lectura y análisis. Y aquí es donde entra el machine learning para ayudarnos.
Uno de los casos más potentes lo protagoniza Johannes Preiser-Kapeller, que utilizó análisis de redes para desentrañar las dinámicas de poder en la iglesia bizantina del siglo XIV.
¿El hallazgo?
Las mujeres, invisibles en los documentos oficiales, eran piezas clave en las redes de influencia. La historia, como los sistemas complejos, también tiene nodos ocultos.
Pero esto no es magia generada por un algoritmo.
Es trabajo, división de tareas y diseño de modelos.
El proyecto Sphaera, por ejemplo, clasificó 359 tratados de astronomía (1472–1650) en textos, ilustraciones y tablas. Entrenaron redes neuronales para encontrar patrones visuales y estructurales que mostraran cómo se unificaba el conocimiento científico en una Europa dividida por la Reforma Protestante.
Y no todo fluye sin fricción.
Las tipografías del Renacimiento, los dialectos latinos regionales o la calidad degradada de los manuscritos antiguos desafían a los modelos modernos.
La IA, entrenada con imágenes recientes o textos en inglés contemporáneo, tropieza cuando tiene que leer una tabla astronómica de 1604.
Por eso, se han desarrollado herramientas especializadas:
CorDeep (Max Planck) identifica y clasifica contenido visual en documentos antiguos: marcas, tablas, iniciales.
Ithaca (DeepMind) reconstruye inscripciones griegas antiguas y les asigna fechas y ubicaciones. Ya ha cuestionado dataciones históricas aceptadas durante décadas.
Venice Time Machine digitaliza mil años de archivos venecianos para mapear redes sociales a nivel de calle y reconstruir barrios enteros del pasado.
Pero no todo son buenas noticias. Así es como la IA “inventa” la historia, la misma tecnología que detecta patrones puede también fabricar ficciones o alucinar.
¿Un discurso alternativo de Nixon si el Apolo 11 hubiera fracasado? Ya existe, en vídeo.
¿Conversaciones con Aristóteles en un chatbot? También.
El problema no es solo la creación de deepfakes o textos artificiales, sino la mezcla inadvertida de verdad y ficción en archivos masivos que nadie puede revisar uno por uno.
Lo difícil de estos modelos probabilísticos es que muchos no explican cómo llegan a sus conclusiones, el determinismo no aplica en todos los modelos de la IA.
Para los historiadores, esto es una caja negra peligrosa. El análisis crítico no puede delegarse en un sistema que no entendemos ni controlamos del todo.
Como indica Abraham Gibson, profesor en la Universidad Texas, “cuando un historiador usa una IA que no comprende, ya no está interpretando el pasado: está externalizando esa interpretación”.
La IA no viene a sustituir al historiador. Pero sí a ampliarlo. ¿Cómo será el historiador del futuro?
Más que una amenaza, es una invitación: a que las humanidades colaboren en el desarrollo ético, interpretativo y técnico de estas herramientas. Porque los datos no hablan por sí solos: necesitan contexto, mirada crítica… y propósito.
“El historiador del mañana será programador, o no será.” — Emmanuel Le Roy Ladurie (1968)
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD 1: Si te interesa este cruce entre historia e IA, explora Historia de la Inteligencia Artificial, un tratado sobre la evolución de esta tecnología.
PD 2: Y si te ha picado la curiosidad, puedes ver el “discurso alternativo” de Nixon sobre un aterrizaje lunar fallido aquí.
PD3: Aquí tienes el artículo original de MIT Technology Review que ha inspirado este artículo.
Gracias por acompañarme en un nuevo Diario de Innovación, ¡y te espero mañana en Innovation by Default 💡!