Fabricio Gaviña Licenciado en Bibliotecología y Documentación – Argentina
https://orcid.org/0009-0007-1776-791X Correo electrónico: gavinafabricio@gmail.com
Introduzione editoriale
Il rovescio del tessuto
Introduzione a «Todo está ahí, pero no está todo» di Fabricio Gaviña
Ogni tessuto ha due facce. Quella esterna è stirata e ordinata, ed è quella che si vede quando il capo è appeso in vetrina. Quella interna ha i fili sciolti, le cuciture a vista, i nodi che nessuno ha progettato per essere mostrati — sembrano imperfezioni, e sono ciò che tiene insieme il capo.
Con questa immagine si apre il numero 19, e il contributo che la porta arriva da un bibliotecario argentino che lavora nella provincia di Río Negro.
La sua tesi si riassume in una riga: l’intelligenza artificiale non discrimina i saperi che lascia fuori — semplicemente non li trova.
In un archivio di radio comunitaria c’è una scatola di nastri con interviste ad anziani della regione, registrate decenni fa da qualcuno che poi se n’è andato. Nessuno le ha più ascoltate, nessuno le ha trascritte. Quell’archivio esiste. E per qualunque sistema, non esiste.
Da qui una distinzione che chi lavora in biblioteca conosce da sempre e che il resto di noi dimentica: esistere, essere registrato ed essere trovabile sono tre cose diverse. Una storia può essere tramandata per generazioni senza figurare in alcun catalogo; una parola può ricorrere in centinaia di conversazioni e mancare da ogni linguaggio controllato.
Rendere qualcosa trovabile non è mai stata un’operazione automatica: qualcuno ha dovuto decidere, ogni volta, con quale parola nominare ciascuna cosa.
La novità, dice l’autore, non è l’assenza. I saperi fuori dai sistemi c’erano anche prima.
È la velocità con cui quell’assenza torna sotto forma di risposta — e di una risposta convincente, coerente, sicura di sé. «Un vuoto che non suona come un vuoto.»
Il contributo porta nella rivista due strumenti che dalla biblioteconomia arrivano intatti: la garanzia culturale, il principio per cui un sistema di organizzazione della conoscenza dovrebbe rispondere alla cultura che lo usa, e l’estrattivismo epistemico, che nomina che cosa accade quando un sapere viene preso senza le condizioni che lo rendevano vivo.
L’autore dichiara in calce l’uso di un sistema di intelligenza artificiale per la correzione linguistica e per la traduzione dell’abstract. Nessuno gliel’aveva chiesto.
Resumen
La inteligencia artificial no discrimina los saberes que deja afuera, simplemente no los encuentra. Este texto recorre esa ausencia sin dramatismo ni inocencia, desde la memoria oral de una comunidad que nunca se transcribió hasta la palabra de un territorio que un buscador aplana en sinónimo genérico, para preguntarse qué vale, todavía hoy, el trabajo silencioso, muchas veces comunitario y precario, que decide qué puede ser encontrado y qué queda afuera.
Palabras clave: garantía cultural · extractivismo epistémico · organización del conocimiento · inteligencia artificial · patrimonio oral
Abstract
Artificial intelligence rarely discriminates on purpose. It just fails to find what never took a form it can read. This article follows that failure through a community’s oral memory that nobody got around to transcribing, and a regional word a search engine quietly swaps for something more generic. Behind both cases sits the same undervalued labor, often communal, often unpaid, of deciding what gets a chance to be found and what stays outside the map.
Keywords: cultural warrant · epistemic extractivism · knowledge organization · artificial intelligence · oral heritage
Toda tela tiene dos caras. La de afuera es la que se muestra, planchada, prolija, la que uno ve cuando está colgada la prenda en la vidriera. La de adentro tiene los hilos sueltos, las costuras a la vista, los nudos que nadie diseñó para lucirse, se ven como imperfecciones pero que son los que sostienen todo lo demás. Cuando alguien se sienta a consultar algo en un sistema de inteligencia artificial y recibe, en unos segundos, una respuesta amplia, completa, está viendo la cara de afuera. Lo que ese sistema no puede mostrarte, porque nunca tuvo acceso a eso, es la cara de adentro. Ahí vive buena parte de lo que las comunidades llaman patrimonio.
Entre la tierra acumulada, en el archivo de una radio comunitaria hay una caja con cintas de entrevistas a adultos mayores de la región, grabadas hace décadas por alguien que después se fue del lugar. Nadie las volvió a escuchar ni fueron pasadas a texto. Están etiquetadas a mano, en una superficie inadecuada y con una letra que ya cuesta descifrar, esperando que alguien decida qué hacer con ellas antes de que el cassette se arruine del todo. Ese archivo existe. Esos saberes existen. Para un modelo cuyo aprendizaje se basa prioritariamente en el texto, sin embargo, es como si nunca hubiera existido, sencillamente porque nunca llegó a convertirse en algo que pudiera ser leído por una máquina. Y conviene decirlo así, crudo, de entrada, esas cintas no están ausentes porque ningún algoritmo las haya excluido. Están ahí, en la caja. Lo que falto y falta es trabajo, alguien que las conserve, las identifique, las transcriba, las contextualice, las describa, las vuelva encontrables. Antes de caer en el cliché ultra repetido de qué hace la inteligencia artificial con el patrimonio, habría que mirar qué hicimos nosotros con él. Está lejos de ser un caso aislado ni nuevo. La bibliotecología viene documentando este mismo esfuerzo, el de rescatar tradición oral antes de que el silencio se la lleve, desde hace casi veinte años (Civallero, 2007).
Cuando un conocimiento nunca se separó de la persona que lo acumuló, cuando vive únicamente en su cabeza y en su forma de contarlo, esa persona puede convertirse en el único sistema de representación que existe para ese saber. El día que esa persona ya no está, puede no perderse solamente una fuente. Puede perderse el sistema entero. La cinta puede seguir siendo perfectamente audible, pero probablemente ya nadie sepa a quién nombraba esa voz, ni quizás por qué importaba lo que decía para ese pueblo. El sentido de lo que eso significaba se fue con la persona, no con el cassette. Un modelo entrenado exclusivamente con texto no tiene manera de escuchar esa voz, y antes que él tampoco tenía manera de hacerlo nadie que no hubiera decidido convertirla en algo legible.
La máquina no discrimina. Tampoco es que alguien, en algún ecosistema de servidores, haya decidido que la voz de esa gente mayor vale menos que la de un autor traducido a quince idiomas. Nadie firmó ese desprecio. Alcanzó con que ese saber nunca tomara la forma que el sistema necesita para encontrarlo. La desigualdad no entró por la puerta de la mala intención. Entró por la de la ausencia, que es mucho más difícil de señalar con el dedo porque no deja huella, no genera error, no dispara ninguna alarma. Simplemente, no está.
Lo verdaderamente nuevo no pasa por que existan saberes o voces ausentes. Es la velocidad con la que esa ausencia ahora vuelve convertida en una respuesta, y en una respuesta que incluso es convincente y lógica. Antes de que se popularizaran los modelos generativos, ya había saberes que quedaban afuera del circuito, ya había bibliotecas y archivos peleándola con vocabularios pensados en otra parte, muchas veces en un español que se entiende perfectamente pero que no es el nuestro, esa jerga rara de manual traducido en otro país, ya había un trabajo silencioso de gente que decidía, sin que nadie los aplaudiera, dónde iba a vivir cada pedazo de conocimiento que no encajaba en ningún casillero de los previstos por ese vocabulario globalizado. Esa desigualdad ahora nos llega con la seguridad de una respuesta automática, sin que nada en el tono delate que del otro lado hay un vacío.
Este texto se mete justo ahí, en ese vacío que no suena a vacío. Para entender por qué pasa, hay que mirar primero cómo aprende una máquina como esta.
Un modelo de lenguaje aprende de lo que tiene disponible, no de lo que existe. De lo disponible, escrito, digitalizado, indexado y presente en los corpus utilizados para su entrenamiento, tal como han mostrado distintos estudios sobre sesgo algorítmico en modelos de lenguaje generativo (Ortiz de Zárate et al., 2024). No podemos pretender que unas cintas sin transcribir en una radio de la periferia dejen más rastro que un escritor con quince traducciones, tampoco seamos ingenuos. No porque uno merezca más lugar que el otro. Porque uno dejó huellas que un sistema entrenado con texto puede pisar, y el otro no llegó a dejar ninguna. De ese mecanismo se desprende una consecuencia que conviene mirar.
Hay una diferencia sustancial que solemos pasar por alto porque en el mundo físico en el que vivimos parece no importar demasiado. Que algo exista no significa que esté registrado. Y que esté registrado tampoco quiere decir que alguien pueda encontrarlo.
Una historia sumamente importante para el lugar donde se cuenta puede haber sido transmitida durante generaciones y no figurar en ningún catálogo. Una palabra puede aparecer en cientos de conversaciones y no estar en ningún lenguaje controlado. Un documento puede estar digitalizado y, sin embargo, ser prácticamente invisible si nadie decidió cómo describirlo, con qué términos asociarlo o en qué sistema ponerlo, o sencillamente si lo hizo mal y lo guardó con algo como “pdf final 2017”.
Hacer encontrable algo nunca fue una operación automática. Alguien tuvo que decidir, cada vez y con un criterio muchas veces propio, con qué palabra se iba a nombrar cada cosa y por dónde iba a poder llegar una pregunta hasta la respuesta que buscaba. Eso no era meramente ordenar papeles. Era construir caminos entre una pregunta y un objeto que, sin ese camino, podía quedar perfectamente conservado y perfectamente perdido.
Una paradoja bastante extraña se introduce con la inteligencia artificial. Tenemos sistemas capaces de recorrer cantidades ingentes de información que seguramente ningún profesional podría revisar en toda su vida, pero aunque muchas veces lo olvidemos, seguimos dependiendo de las huellas que otros dejaron antes. La máquina puede recorrer bibliotecas enteras en segundos, pero no puede recorrer aquellos saberes que nunca se llegó a representar. Puede establecer relaciones probadas entre millones de términos, pero nunca podrá recuperar una diferencia que fue eliminada antes de llegar al conjunto de datos. La velocidad del buscador no está preparada para corregir la pobreza del mapa.
Por eso quizás es momento de dejar de hablar solamente de información disponible y empezar a hablar de información encontrable. No son sinónimos y nunca lo serán. Entre una y otra hay una cantidad de trabajo humano que tiende a desaparecer cuando la búsqueda parece funcionar bien. Y justamente porque desaparece, parece lamentablemente que nunca hubiera existido. Pero esa condición tampoco alcanza. Algo puede estar al alcance de una búsqueda sin ser comprendido, es decir, un sistema puede devolver un documento sin entender una palabra de lo que dice. Y puede quedar completamente desprotegido, disponible para cualquiera que sepa qué hacer con lo que encuentra.
Nadie inventó esta desigualdad y mucho menos la IA. Se heredó, se comprimió, y ahora vuelve con la seguridad que parece de quien nunca dudó de nada. Y ahora es momento de cambiar la pregunta, ya no centrarnos solamente en qué falta, sino en quién decide qué se hace con aquello que falta. Si nadie decidió nada, entonces nadie es responsable. Y si nadie es responsable, ¿quién tiene que arreglarlo? Reconocer el mecanismo no alcanza. Falta preguntarse quién viene todos los días a llenar ese hueco a mano.
La respuesta está en un trabajo humano que rara vez se muestra en sociedad, el de conservar, describir y volver, por decirlo de alguna forma, encontrable lo que de otro modo se pierde. Mientras los focos tendían a irse hacia la discusión sobre qué tan rápido podía contestar una máquina, alguien seguía decidiendo, en una biblioteca, en un archivo, en la trastienda de una radio, bajo qué término (hoy escuchamos decirle metadato) iba a poder encontrarse un documento que no encajaba en ningún casillero armado de antemano. Ese trabajo nunca tuvo vidriera. Es un trabajo invisible, pero es el que permite hacer algo con esa ausencia.
Si el sistema dijo algo falso o sesgado y lo reemplazamos por algo verdadero, lo señalamos como un error. Llenar un vacío es otra cosa totalmente diferente. Es tomar ese saber que nunca tuvo forma de entrar y construirle, a mano, la puerta. Ponerle un término. Escribir la nota que lo justifica. Decidir bajo qué categoría va a poder ser encontrado alguna vez, aunque esa categoría sea una solución imperfecta armada con lo que hay.
Cuando hablo de curaduría humana, me refiero a la que puede hacer un bibliotecario, pero también un archivista, una radio comunitaria, un docente que arma su propio glosario, un investigador que decide cómo nombrar lo que estudia. No hablo de mirar lo que hizo la máquina para corregirle los errores después. Estoy hablando de ese criterio acumulado durante años de trabajar bajo restricción, en instituciones que nunca tuvieron el presupuesto adecuado ni un sistema pensado para su realidad, y que por eso mismo desarrollaron un criterio que no aparece espontáneamente por más capacidad de tratamiento de la información que se le sume a un modelo.
El extractivismo, en esta región, nunca fue una sola cosa. Primero fueron los recursos del territorio. Después fue el conocimiento que se producía sobre y desde este territorio. Ahora, sin que nadie lo haya anunciado con flashes en ningún tratado, también pueden extraerse las condiciones mismas que hacen que ese conocimiento sea encontrable, el criterio, el vocabulario, la decisión de dónde va a vivir cada cosa. Grosfoguel (2016) lo llamaría extractivismo epistémico. Nadie decide robarlo. Alcanza con que siquiera nadie se moleste en nombrarlo.
Y antes de seguir, conviene hacer una aclaración. Es una corrección de rumbo y vale la pena hacerla ahora. Ese trabajo invisible tampoco es inmaculadamente puro. Durante una buena parte del siglo pasado, quienes organizaron el conocimiento existente clasificaron, por ejemplo, pueblos originarios bajo epígrafes netamente coloniales, ordenaron saberes ajenos con categorías hechas para otra cosa o para otras latitudes, y llamaron neutralidad a esa violencia, algo que la propia crítica documental terminó señalando desde adentro (Civallero, 2005). Ningún vocabulario controlado nació virtuoso. Ni se volvió más honesto a fuerza de que alguien, adentro de cada disciplina, señalara sus propios cadáveres en el placard. Fingir que ese trabajo siempre fue reparación pura sería tan cómodo como la excusa de la industria tecnológica de que sus sesgos son meros accidentes de ruta.
Estoy esperando que alguien levante la mano con la objeción obvia. Si el problema es que esas cintas nunca se transcribieron, transcribámoslas, digitalicemos todo, alimentemos al sistema con lo que le falta y el problema se resuelve solo. Suena a solución técnica y hasta es tentadora.
Debo decir que no alcanza. El hecho de transcribir una cinta no se limita a solo copiar sonido a texto. Se trata de decidir cómo se escribe una palabra que nunca tuvo ortografía oficial, elegir qué parte de una pausa cargada de sentido se pierde en el pasaje al papel, resolver si una expresión se traduce o se deja como está. Y es importante aclarar que ninguna de esas decisiones es neutral y que no pueden resolverse adecuadamente sin conocer el contexto del que salió esa voz o el momento particular en que se grabó. El verdadero salto ocurre entre la voz y el dato, no entre un formato y otro, del cassette al papel. Una máquina puede acumular muchísimos registros. Lo que queda en juego es todo aquello que rodea a esas voces: la memoria contextual que hace que un registro sea patrimonio. Sin la persona que vivió esa historia, digitalizar puede no rescatar el saber o terminar traduciéndolo mal, e irnos a dormir con esa sensación tranquilizadora de misión cumplida que a veces es peor que admitir que todavía falta todo.
Tampoco alcanza con pensar en la forma simplista de que el problema se resuelve con más presupuesto para escanear más rápido. El cuello de botella nunca fue el escáner. Fue, y sigue siendo, la persona que sabe qué hacer con lo que el escáner no puede leer solo. O por decirlo de forma humorística y esto no es de mi autoría sino algo que circula en internet, el problema está en la interfaz entre el teclado y la silla.
Pero conseguir que algo sea encontrable abre otro problema, casi inverso al anterior, ahora el dato puede ser encontrado por cualquiera, incluso por sistemas que no necesitan comprenderlo para apropiárselo.
Hay una vuelta que suena más incómoda aún. Una vez que ese material digitalizado se sube a algún repositorio abierto, no necesariamente lo leen para entenderlo. Pueden rasparlo para tragarlo. El scraping automatizado entra a los repositorios, desarma el contexto y convierte la voz singular de quien la pronunció en materia prima de entrenamiento, sin autoría y sin marca territorial. Es la misma lógica que la investigación latinoamericana sobre datos ya viene señalando desde otro ángulo, la de una colonialidad que no conquista territorio sino epistemologías (Ricaurte, 2019).
Este problema muestra otra cara, quizás muy distinta, pero dentro de la ausencia total de la que veníamos hablando. Un documento puede existir, estar digitalizado, estar disponible y, aun así, no ser encontrado, porque la información puede estar perfectamente disponible y, aun así, quedar fuera de alcance cuando se la busca bajo una categoría que no le corresponde.
Una palabra no solo nombra algo que ya existe, nos dice cómo lo estamos mirando. También es una puerta de entrada. Elegir un término, establecer una equivalencia o decidir que dos expresiones significan lo mismo puede hacer que una diferencia permanezca visible o que desaparezca dentro de una categoría más amplia, que la leamos y suene perfectamente correcta y, sin embargo, insuficiente. Cualquier forma de organizar el conocimiento necesita legitimarse también frente a las culturas que pretende representar, y no solamente frente a la frecuencia estadística de sus propios términos, una idea que ya tiene nombre propio, garantía cultural (Barité, 2011).
Un sistema puede incorporar millones de documentos de una región y seguir ofreciendo una representación empobrecida de ella si las categorías con las que organiza ese material fueron construidas en otro lugar, para otras instituciones y otras necesidades.
Pensar que una equivalencia siempre mejora la búsqueda, es una trampa en la que se cae frecuentemente. Si dos palabras llevan a documentos parecidos, parece lógico tratarlas como si fueran lo mismo. Para el sistema, eso puede hacer más fácil encontrar información. Para una comunidad, en cambio, puede significar que una diferencia que antes estaba a la vista desaparezca dentro de una categoría más amplia, o que se haga más evidente justamente aquello que las separa. Porque esas palabras no solamente nombran qué es una cosa. También pueden decirnos desde dónde se la está mirando. Dos términos pueden referirse a objetos similares y, sin embargo, cargar historias distintas, usos distintos y formas distintas de relacionarse con aquello que nombran. Reemplazar uno por otro puede mejorar la coincidencia estadística y lo que no es menor empeorar la memoria.
Ese es uno de los problemas más habituales que aparecen cuando confundimos interoperabilidad con uniformidad. Que dos catálogos puedan dialogar entre sí no exige necesariamente que hablen exactamente el mismo idioma o usen las mismas palabras. Una cosa es construir puentes entre vocabularios. Otra, bastante distinta, es demoler las diferencias existentes para que el puente sea más fácil de construir.
Quizás una buena parte del trabajo futuro consista justamente en hacer eso, no en conseguir que todas las palabras digan lo mismo, sino en conseguir que los sistemas sepan que no dicen exactamente lo mismo aunque suene similar.
Conservar un documento no siempre es conservar una diferencia. A veces significa conservar la palabra con la que una comunidad decidió nombrar aquello que el documento contiene. Y cuando esa decisión se reemplaza por una equivalencia más frecuente, puede ocurrir algo paradójico. El saber sigue estando allí, el documento sigue estando disponible, pero una parte de su identidad dejó de ser encontrable. En la crianza ovina o caprina patagónica, cuando las familias suben el ganado a pastar en las alturas durante el verano, ese movimiento tiene nombre propio, la veranada. Preguntale a un buscador o a un sistema generativo, y puede devolverte el término genérico, trashumancia estival, que describe la misma práctica en cualquier punto del planeta pero le saca el territorio, la ruta puntual que cada familia conoce de memoria, la palabra con la que ese arreo se nombra desde siempre en esa zona. No está mal del todo. Tampoco está bien. Está aplanado, que es peor que estar mal, porque no dispara ninguna alarma. No se trata solamente de un problema de catalogación. Es la pregunta de quién decidió, alguna vez, las palabras con las que ese mundo puede ser encontrado, y qué pasa cuando esa decisión se toma lejos, con otro idioma y otra geografía en la cabeza. Y hay algo más que pasa con el correr del tiempo, no una vez sino muchas. Si cada vez que alguien busca su propia palabra el sistema le devuelve la genérica, en algún momento deja de buscar la propia y empieza a usar la del sistema. El borramiento se convierte en una costumbre, no en una cuestión estadística.
Y acá se cierra un círculo incómodo. Si esa persona empieza a usar la palabra que el sistema le devolvió, esa es la palabra que va a quedar registrada la próxima vez, en algún comentario, en alguna consulta, en algún texto nuevo. El sistema que se entrene con eso va a encontrar menos de la palabra original, no porque alguien la haya borrado, sino porque quienes la usaban aprendieron, sin darse cuenta, a dejar de nombrarla.
Un nuevo problema comienza justo ahí, cuando la respuesta de la máquina deja de describir el mundo y empieza a enseñarnos cómo nombrarlo. Y esto tiene todavía un costado más incómodo. Para que un saber local no quede afuera del mapa, alguien tiene que traducirlo primero al término que el sistema sí reconoce, aunque ese término le quede grande, le quede chico o directamente no le entre.
La comunidad que quiere sobrevivir a la ceguera del sistema termina, ella misma, limando su propia palabra hasta que entre en el casillero disponible. El sistema borra por omisión, pero también consigue algo más profundo: que, por miedo a quedar afuera, empecemos a borrar nosotros mismos aquello que no entra.
Ese trabajo ya no solo sostiene el sistema sin que nadie lo aplauda, también puede terminar entrenándolo. El trabajo humano, ese que corrige, contextualiza y mejora esos datos, puede terminar generando valor para sistemas comerciales sin que quienes lo hicieron reciban reconocimiento ni compensación.
La inteligencia artificial no inventó ese problema, le agregó una vuelta de tuerca. Ahora ni siquiera hace falta subir el material a propósito. Y no se trata solo de Argentina ni solo de la Patagonia. Es cualquier institución que acumuló conocimiento y desarrolló un criterio que no se improvisa.
Y todavía falta la vuelta más filosa, la misma pregunta de quién produce el valor y quién termina capturándolo para lucrar, mirada esta vez desde el acceso abierto. Esa idea fue, durante años, la promesa de que la barrera se caía para siempre. No era una promesa menor. Costó años de repositorios institucionales, de convencer a autores reticentes de que subir su trabajo no era regalarlo sino hacerlo circular, de pelear para que el conocimiento producido en universidades públicas no quedara secuestrado detrás de una suscripción impagable, sino que fuera democrático y estuviera al alcance de todos.
El conocimiento, una vez subido, quedaba disponible sin peaje. Funcionó, hasta cierto punto. Lo que nadie avisó es que la barrera no desapareció, se mudó. Antes estaba a la entrada, en forma de suscripción a plataformas especializadas. Ahora el “paywall” puede estar al final del camino, en la licencia que se paga para acceder a la versión más completa de sistemas que pueden haberse alimentado, directa o indirectamente, del mismo conocimiento abierto que tantos pelearon por liberar. El peaje ya no se cobra a la entrada del conocimiento. Se cobra a la salida, y lo cobra alguien que no puso nada de lo que hizo falta para que ese conocimiento existiera.
Y quizás lo peor del caso ni siquiera queda registro de nada de esto. Cuando un investigador cita mal el trabajo de otro, hay una nota al pie que lo delata. Cuando un sistema generativo devuelve una idea que salió, en algún punto de su entrenamiento, del trabajo de un investigador y del trabajo de alguien que pasó años armando ese criterio, no queda ningún rastro que lo demuestre. En muchos casos, la cadena se vuelve imposible de reconstruir desde afuera del sistema que lo entrenó. La trazabilidad es, en el fondo, la base de la cita, de la autoridad de una fuente, de la posibilidad de decir de dónde viene una información y quién la produjo. Un sistema generativo que devuelve conocimiento sin ofrecer trazabilidad de su origen tensiona, en su forma misma de funcionar, un principio que se defendió durante siglos. Nadie necesita hacerlo a propósito, basta con que el diseño del sistema no contemple la pregunta o no sepa de dónde se originó la respuesta.
Falta nombrar a quién queda parado en el medio de todo esto. El criterio que un profesional acumula durante años, y que aunque es real nunca tuvo demasiado reconocimiento institucional propio. No hay premio para el mejor metadato del año, ni un paper que se escriba solo con eso. Ahora, además de invisible dentro de la propia institución, ese criterio se vuelve invisible también puertas afuera, disuelto en el entrenamiento de un sistema que nunca va a decir de dónde lo sacó. Se pierde dos veces. Adentro, porque nunca se valoró. Afuera, porque ya ni siquiera se puede rastrear.
Nombrar el mecanismo seguramente sirve para entender el problema. Pero no alcanza para resolverlo, y aparece una tensión más, todavía sin resolver, que se desprende directamente de todo esto. Detrás de cada respuesta que llega en un segundo hay una cantidad enorme de trabajo humano, comunitario y territorial que nadie factura. Ese trabajo no solo puede volverse invisible. Puede haber sido hecho, además, desde lugares históricamente subordinados, con categorías heredadas y discutibles, sin que nadie reconozca después cómo terminó convertido en dato. La pregunta que sigue no refiere a pedagogía, es bastante más incómoda. Si todo eso genera valor para sistemas tecnológicos que después cobran por una respuesta mejor, ¿por qué seguimos tratándolo como una donación espontánea? Nombrar el mecanismo sin pedir nada a cambio es, en el fondo, otra forma de la misma generosidad gratuita que este texto lleva rato cuestionando.
Queda, sin embargo, una última vuelta. Durante décadas aprendimos casi como un apostolado que conservar era, en principio, una forma de proteger. Si una fotografía estaba guardada, una cinta estaba preservada o un documento había sido digitalizado, había una posibilidad de que alguien pudiera volver sobre eso más adelante. El acceso era una promesa de futuro.
Ahora esa misma promesa tiene una sombra. Lo que hacemos encontrable también puede ser extraído a una escala que ninguna biblioteca imaginó. Lo que ponemos en circulación puede terminar alimentando sistemas sobre los cuales no tenemos control, y lo que una comunidad decidió preservar puede reaparecer convertido en una respuesta sin contexto, sin autor, sin territorio y sin ninguna obligación de devolver algo a quienes hicieron posible que ese conocimiento existiera. O puede ser borrado de a poco, hasta que el olvido termine haciéndolo inexistente.
Entonces la pregunta ya no puede ser solamente cómo conservar. Tampoco alcanza con preguntar cómo hacer accesible. Hay que empezar a preguntar qué significa poner algo a disposición cuando del otro lado existen sistemas capaces de apropiárselo a una velocidad y una escala que desbordan por completo las condiciones en que ese conocimiento fue producido.
Tal vez el desafío no sea elegir entre guardar y abrir. Tal vez sea aprender a distinguir entre hacer encontrable y entregar sin condiciones.
Y en este punto volvemos, inevitablemente, a la tela.
Al principio de este texto hablábamos de las dos caras de una tela. La de afuera, planchada, la que se ve. La de adentro, con los hilos sueltos, la que sostiene todo sin que nadie la mire. La inteligencia artificial no inventó esa costura escondida, la encontró ya hecha y la usó sin preguntar de dónde salía. El patrimonio que de verdad importa no va a desaparecer porque un sistema conteste rápido. Puede terminar, eso sí, donde terminan los saberes que ya nadie nombra con su propia palabra. Y nombrar algo con la palabra propia, hoy, empieza a parecerse a un gesto casi clandestino, la última soberanía que le queda a quien se niega a traducirse con tal de ser encontrado.
Referencias
Barité, M. (2011). La garantía cultural como justificación en sistemas de organización del conocimiento, aproximación crítica. Palabra Clave (La Plata), 1(1), 2-11. https://palabraclave.fahce.unlp.edu.ar/article/view/PCv1n1a02
Civallero, E. (2005). Espinas ocultas: Lenguajes documentales, ideologías negativas y revisiones. Fuentes del Congreso. Boletín de la Biblioteca y Archivo Histórico del H. Congreso de Bolivia, 4(20), 212-213. https://www.aacademica.org/edgardo.civallero/54
Civallero, E. (2007). Tradición oral indígena en el sur de América Latina: los esfuerzos de la biblioteca por salvar sonidos e historias del silencio [Ponencia de conferencia]. World Library and Information Congress, 73rd IFLA General Conference and Council, 19-23 de agosto, Durban, Sudáfrica. https://www.aacademica.org/edgardo.civallero/102.pdf
Grosfoguel, R. (2016). Del extractivismo económico al extractivismo epistémico y ontológico. Revista Internacional de Comunicación y Desarrollo, 4, 33-45. https://revistas.usc.gal/index.php/ricd/article/view/3295
Ortiz de Zárate, J. M., Dias, J. M., Avenburg, A., y Gonzalez Quiroga, J. I. (2024). Sesgos algorítmicos y representación social en los modelos de lenguaje generativo (LLM). Fundar. https://fund.ar/publicacion/sesgos-algoritmicos-y-representacion-social-en-los-modelos-de-lenguaje-generativo/
Ricaurte, P. (2019). Data epistemologies, the coloniality of power, and resistance. Television & New Media, 20(4), 350-365. https://doi.org/10.1177/1527476419831640
Nota sobre el uso de inteligencia artificial
Para la elaboración de este artículo se utilizó Claude (Anthropic) como corrector gramatical y ortográfico de escritura, edición de estilo y apoyo en la traducción al inglés. El contenido, los ejemplos y las decisiones finales son responsabilidad exclusiva del autor.
BIO
Fabricio Ernesto Gaviña
Licenciado en Bibliotecología y Documentación por la Universidad Nacional de Mar del Plata. Cuenta con amplia trayectoria en el ámbito educativo y bibliotecario en la provincia de Río Negro; se ha desempeñado como profesor de la Tecnicatura Superior en Bibliotecología en el IFDC Luis Beltrán, como bibliotecario en el CEAER (Centro de Especialización en Asuntos Económicos Regionales) de Choele Choel y en la Biblioteca Provincial del Maestro de Viedma, entre otras instituciones. Ha dictado diferentes capacitaciones y talleres sobre alfabetización digital, mediática e informacional destinados a docentes y estudiantes. Posee diplomaturas superiores en Bibliotecología (UNCa), Alfabetización Digital (FASTA), Tecnologías de la Información y las Comunicaciones (ISALUD) e Inteligencia Artificial en Educación (YMCA). Actualmente se encuentra preparando la edición de su libro “La próxima discusión bibliotecaria” a través de la Editorial de la UNRN (Universidad Nacional de Río Negro).