La inteligencia artificial ha demostrado que puede escribir, resumir, reformular, traducir y responder preguntas con una velocidad difícil de igualar. Pero cuando el objetivo no es producir más texto, sino evaluar críticamente un manuscrito académico, las reglas cambian.
Una tesis, un artículo científico o un manuscrito destinado a publicación no necesita simplemente una respuesta plausible. Necesita algo bastante más exigente: saber qué parte del documento presenta un problema, por qué lo presenta, qué evidencia permite sostener ese diagnóstico y qué debería revisar el autor antes de enviar el trabajo.
Esa diferencia fue una de las razones principales por las que empecé a desarrollar Philologica.
No quería construir otro cuadro de chat al que subir un PDF y preguntarle: «¿Qué te parece mi tesis?».
Quería construir un sistema de revisión.
Un entorno en el que el documento pudiera tratarse como un proyecto completo, donde distintas herramientas especializadas analizaran aspectos concretos del manuscrito y donde los resultados no desaparecieran dentro de una conversación, sino que pudieran convertirse en hallazgos estructurados, localizables y revisables.
Ese es, en esencia, el problema que Philologica intenta resolver.
Un manuscrito puede parecer terminado y no estarlo
Hay un momento especialmente peligroso en la escritura académica: cuando el documento ya parece acabado.
La estructura está cerrada. Las páginas están numeradas. La bibliografía ocupa varias hojas. Las tablas están colocadas. El texto se ha releído tantas veces que el autor ya conoce prácticamente cada párrafo de memoria.
Y precisamente por eso ciertos errores se vuelven difíciles de detectar.
No siempre hablamos de faltas ortográficas o de problemas evidentes. Muchos de los defectos que pueden debilitar un trabajo académico son mucho más sutiles.
Por ejemplo:
- una cita aparece en el texto, pero no existe una entrada correspondiente en la bibliografía;
- una fuente figura en las referencias finales, pero nunca llega a citarse en el cuerpo del documento;
- un concepto central cambia ligeramente de significado entre capítulos;
- una conclusión formula una afirmación más fuerte de la que permiten sostener los argumentos anteriores;
- el estilo cambia bruscamente entre distintas secciones;
- una premisa importante se da por supuesta sin haber sido desarrollada;
- dos capítulos utilizan vocabularios diferentes para describir aparentemente la misma idea.
Estos problemas no significan necesariamente que el trabajo sea incorrecto. Pero sí pueden afectar a su coherencia, su trazabilidad o su preparación editorial.
Y tienen una característica en común: no siempre aparecen donde uno espera encontrarlos.
Una inconsistencia terminológica puede comenzar en el capítulo 2 y hacerse evidente únicamente al compararla con el capítulo 6. Una conclusión débil puede depender de una premisa introducida cuarenta páginas antes. Una referencia ausente exige contrastar dos estructuras distintas: el cuerpo del texto y la bibliografía.
La revisión de documentos largos es, por tanto, un problema de relaciones.
No basta con leer frases individuales. Hay que examinar el documento como sistema.
El límite de utilizar un chatbot como revisor académico
Los modelos conversacionales son extraordinariamente útiles. Yo mismo los considero una de las tecnologías más importantes de los últimos años.
Pero una interfaz conversacional introduce una determinada manera de trabajar.
El usuario pregunta.
El modelo responde.
Después se formula otra pregunta.
Después otra.
Es un flujo excelente para explorar ideas, comprender conceptos, generar hipótesis o trabajar de manera iterativa.
Pero la revisión editorial plantea necesidades diferentes.
Imaginemos que subimos una tesis de 250 páginas y preguntamos:
«Revísala y dime qué problemas encuentras».
Incluso suponiendo que el modelo pueda procesar todo el documento, todavía quedan varias preguntas importantes.
¿Se ha revisado realmente todo el manuscrito?
¿Se ha aplicado el mismo criterio a cada capítulo?
¿Dónde se encuentra exactamente cada problema?
¿Podemos distinguir una observación estilística de una inconsistencia bibliográfica?
¿Se puede recuperar posteriormente el hallazgo?
¿Existe una clasificación por gravedad?
¿Puede verificarse la fuente externa?
¿Se conserva la relación entre el comentario y el fragmento que lo originó?
¿El resultado puede exportarse y revisarse fuera de la conversación?
Cuando estas preguntas empiezan a acumularse, el problema deja de ser únicamente lingüístico.
Se convierte en un problema de arquitectura de revisión.
Y esa fue una de las decisiones fundamentales del proyecto:
Philologica no debía organizarse alrededor de prompts. Debía organizarse alrededor de tareas editoriales.
De la conversación al flujo editorial
En lugar de presentar al usuario una gran caja vacía para preguntarle a la IA cualquier cosa, Philologica separa el trabajo en objetivos.
Actualmente, el sistema se organiza alrededor de cinco grandes áreas de revisión.
1. Revisión y diagnóstico del documento
El primer objetivo es observar el manuscrito como una unidad.
Aquí interesa estudiar cuestiones como:
- coherencia estructural;
- riesgos del documento;
- fragmentos concretos;
- consistencia entre secciones;
- preparación general para una revisión más profunda.
Dentro de esta área se encuentran herramientas como Document Analysis y Fragment Review.
La idea no es pedirle al sistema una opinión genérica sobre el texto, sino aplicar un procedimiento determinado a un documento determinado.
2. Investigación y verificación de fuentes
La bibliografía representa otro problema completamente distinto.
Aquí el manuscrito necesita conectarse con fuentes académicas externas.
Philologica incorpora herramientas orientadas a trabajar con servicios y catálogos como:
- Crossref;
- OpenAlex;
- DataCite;
- DOAJ;
- Open Library.
Esto permite plantear operaciones que van más allá de «leer» una referencia.
Por ejemplo:
¿Existe realmente este DOI?
¿Los metadatos coinciden?
¿La obra citada puede identificarse correctamente?
¿Hay referencias bibliográficas sin correspondencia clara?
¿Existen citas dentro del texto que no están representadas en la bibliografía?
La diferencia es importante.
Una IA puede reconocer que una cadena de texto «parece una referencia». Otra cosa distinta es contrastarla con una infraestructura bibliográfica externa.
Por eso esta parte del sistema me parece especialmente relevante.
La IA académica necesita relacionarse con fuentes verificables siempre que sea posible.
3. Argumentación y estabilidad terminológica
Una de las áreas que más me interesaban desde el principio era la estructura lógica del manuscrito.
Los trabajos académicos contienen tesis, premisas, evidencias, conceptos, definiciones y conclusiones.
Y todos esos elementos mantienen relaciones entre sí.
Una conclusión puede estar correctamente redactada y, sin embargo, no derivarse de las premisas anteriores.
Un concepto puede estar bien definido en la introducción y utilizarse con un significado ligeramente distinto cien páginas después.
Una argumentación puede contener todos sus componentes y aun así presentar un vacío lógico entre ellos.
Philologica intenta hacer visibles algunas de estas relaciones mediante herramientas como Dialectical Assistant y Editorial Thesaurus.
No se trata de que una máquina decida si una tesis es verdadera.
Eso sería una pretensión muy distinta.
Se trata de ofrecer al autor instrumentos para preguntarse:
¿Mi argumento mantiene la misma estructura que creo que mantiene?
Esa pregunta, por sí sola, puede ser extremadamente útil.
4. Estilo y autoría
Los documentos extensos también tienen una dimensión estilística.
Especialmente cuando intervienen varios autores, múltiples fases de escritura o textos producidos a lo largo de periodos prolongados.
La estilometría permite observar características como:
- densidad léxica;
- patrones sintácticos;
- consistencia del tono;
- variaciones en la voz;
- cambios de registro.
Philologica incorpora esta lógica mediante Stylometry Radar y otras herramientas de comparación textual.
Aquí conviene hacer una precisión importante.
Una variación estilística no demuestra automáticamente un cambio de autoría.
La escritura de una misma persona puede cambiar por innumerables razones.
Por tanto, estas señales deben tratarse como indicadores para revisar, no como sentencias.
Esta distinción entre señal y conclusión es una de las ideas que intento mantener en todo el sistema.
5. Preparación y control de calidad final
La revisión no termina cuando se detectan problemas.
En algún momento el documento tiene que prepararse para su entrega, publicación o evaluación.
Por eso Philologica también incluye herramientas relacionadas con:
- evaluación editorial;
- auditoría de contenido;
- historial de proyecto;
- simulación de revisión;
- exportación de informes.
El objetivo es que el proceso no termine con una sucesión de mensajes de chat.
Debe producir un resultado que pueda revisarse.
El flujo completo en cuatro pasos
Aunque el sistema contiene muchas herramientas, el flujo conceptual es sencillo.
1. Subir el documento
El usuario introduce su manuscrito en un espacio de trabajo.
El documento deja de ser simplemente un archivo aislado y pasa a formar parte de un proyecto.
2. Elegir el objetivo de revisión
No todas las preguntas requieren el mismo procedimiento.
Puede interesarnos revisar la estructura completa, comprobar la bibliografía, estudiar la terminología o analizar el estilo.
El usuario selecciona el objetivo.
3. Recibir hallazgos
El sistema procesa el documento y devuelve resultados organizados.
Siempre que la herramienta lo permita, estos hallazgos intentan conservar información como:
- tipo de problema;
- nivel de importancia;
- ubicación;
- contexto;
- evidencia;
- recomendación.
4. Verificar, editar y exportar
Este último paso es esencial.
La revisión humana sigue siendo necesaria.
El objetivo de Philologica no es producir una versión «correcta» del manuscrito de forma automática.
Es facilitar una revisión más informada.
El investigador, autor, editor o director de tesis sigue tomando la decisión final.
Qué significa realmente «IA trazable»
La palabra trazabilidad se utiliza mucho en sistemas de inteligencia artificial, y a veces de forma bastante vaga.
En Philologica intento darle un significado bastante concreto.
Si el sistema marca un problema, debería ser posible acercarse a una cadena como esta:
hallazgo → ubicación → fragmento → evidencia → recomendación
Cuando interviene una fuente externa, la cadena puede ampliarse:
hallazgo → cita → referencia → fuente académica
Esto cambia bastante la naturaleza de la interacción.
Compárese:
«La argumentación parece débil».
con:
«La conclusión de esta sección introduce una afirmación que no está desarrollada en las premisas anteriores. Revisa este fragmento y comprueba si necesitas aportar evidencia adicional o moderar la conclusión».
La segunda formulación no es necesariamente correcta por el simple hecho de haberla producido un sistema.
Pero es revisable.
Y eso es mucho más importante.
El resultado no debería ser una conversación
Otra decisión fundamental de diseño fue pensar en el resultado final como un artefacto editorial.
Después de una revisión, el usuario debería poder disponer de algo parecido a un informe.
Ese informe puede incluir elementos como:
Resumen ejecutivo
Una visión general del estado del documento y de las principales prioridades.
Hallazgos clasificados
No todos los problemas tienen la misma importancia.
Un sistema útil debe ayudar a distinguir entre cuestiones críticas, problemas medios y oportunidades de mejora.
Ubicación exacta
Cuando sea técnicamente posible, el hallazgo debe estar ligado a una parte identificable del manuscrito.
Evidencia y recomendaciones
El comentario debe intentar explicar qué se ha detectado y qué debería revisar el autor.
Esta diferencia aparentemente pequeña cambia bastante la experiencia.
No recibes simplemente una respuesta.
Recibes una estructura de trabajo.
Por qué no quiero que Philologica sustituya al revisor humano
Existe una tentación bastante frecuente cuando se habla de IA: describirla como sustituto.
En el ámbito académico creo que esa narrativa es especialmente problemática.
Un sistema puede localizar patrones.
Puede comparar estructuras.
Puede contrastar metadatos.
Puede identificar inconsistencias.
Puede ayudar a representar relaciones argumentales.
Puede priorizar puntos de revisión.
Pero ninguna de esas operaciones elimina la necesidad de juicio.
El contexto de una investigación importa.
La disciplina importa.
La metodología importa.
La intención del autor importa.
La interpretación de la evidencia importa.
Y existen decisiones que no deberían delegarse únicamente a un modelo.
Por eso una de las ideas centrales de Philologica es mantener una separación entre:
evidencia detectada
y
sugerencia de revisión.
No son lo mismo.
La IA puede señalar.
La decisión sigue perteneciendo al investigador, al autor, al editor o al revisor.
Privacidad e integridad académica
La utilización de IA sobre manuscritos académicos introduce además otra cuestión importante: el documento puede contener información sensible, investigación inédita o material que todavía no ha sido publicado.
Por tanto, la privacidad no puede tratarse como un añadido posterior.
Forma parte del diseño del sistema.
La arquitectura conceptual de Philologica se apoya en cuatro principios:
Trazabilidad.
Los resultados deben poder relacionarse con el documento.
Privacidad.
Los documentos necesitan un tratamiento compatible con su carácter potencialmente confidencial.
Límites claros.
Debe distinguirse entre una observación producida por el sistema y una decisión académica.
Seguridad.
El tratamiento del contenido requiere controles técnicos y políticas de retención adecuadas.
No considero que estos principios sean accesorios.
Si la IA va a intervenir en procesos académicos, deberían formar parte de la conversación desde el principio.
¿Para quién estoy construyendo Philologica?
Inicialmente es fácil imaginar este tipo de herramienta únicamente para estudiantes.
Pero el problema de revisión aparece en diferentes etapas del ecosistema académico.
Estudiantes y doctorandos
Pueden utilizar una revisión estructurada antes de entregar una tesis, trabajo final o disertación.
No como sustituto de su tutor, sino como una capa adicional de comprobación.
Investigadores
Pueden revisar estructura, referencias y terminología antes de enviar un paper a una revista.
Editores y editoriales
Pueden utilizar herramientas específicas como primera evaluación de manuscritos extensos o colecciones.
Universidades y equipos de investigación
Pueden establecer ciertos procedimientos preliminares comunes sin convertir la IA en árbitro del contenido académico.
Son escenarios diferentes, pero todos comparten una necesidad:
reducir el coste cognitivo de revisar documentos complejos sin renunciar al juicio humano.
El problema que realmente intento resolver
Después de trabajar en Philologica durante bastante tiempo, cada vez tengo más claro que el proyecto no trata únicamente sobre inteligencia artificial.
Trata sobre estructura.
En los últimos años hemos conseguido modelos capaces de producir cantidades enormes de texto.
Ahora aparece otro problema.
¿Cómo verificamos ese texto?
¿Cómo comprobamos su relación con las fuentes?
¿Cómo hacemos visibles sus contradicciones?
¿Cómo evaluamos documentos que pueden contener cientos de páginas?
¿Cómo distinguimos una sugerencia generada por IA de una evidencia verificable?
¿Cómo construimos herramientas en las que el usuario pueda revisar el razonamiento del sistema en lugar de limitarse a aceptar una respuesta?
Estas preguntas me parecen más interesantes que la simple generación de contenido.
Y son, probablemente, las preguntas alrededor de las cuales seguirá evolucionando Philologica.
De varias herramientas a un ecosistema editorial
Una de las cosas que más ha cambiado durante el desarrollo del proyecto es mi forma de entender el producto.
Al principio muchas funciones podían verse como herramientas independientes.
Un analizador.
Un catálogo bibliográfico.
Un asistente dialéctico.
Una herramienta estilométrica.
Un sistema de revisión editorial.
Pero poco a poco apareció otra idea.
Todas estas herramientas trabajan sobre el mismo objeto:
el manuscrito.
Y ese manuscrito tiene historia.
Tiene versiones.
Tiene bibliografía.
Tiene conceptos.
Tiene argumentos.
Tiene decisiones editoriales.
Tiene revisiones.
Cuando todas esas capas se conectan, deja de tener demasiado sentido pensar en aplicaciones independientes.
Empieza a aparecer un ecosistema.
Ese es el camino que estoy intentando seguir con Philologica: convertir diferentes procesos de revisión académica en partes de un mismo espacio de trabajo.
La tesis detrás de Philologica
Si tuviera que resumir el proyecto en una sola idea, probablemente sería esta:
La inteligencia artificial académica no debería limitarse a producir texto. Debería ayudarnos a verificarlo.
No creo que la siguiente etapa de la IA aplicada a la investigación consista únicamente en modelos que escriban más rápido.
Creo que también necesitaremos sistemas que ayuden a inspeccionar, contrastar, organizar y cuestionar aquello que escribimos.
Philologica es mi intento de explorar esa dirección.
Todavía seguirá evolucionando.
Cambiarán herramientas, interfaces y modelos.
Pero hay una idea que quiero mantener estable:
el resultado de una IA aplicada a la revisión académica debe poder ser revisado también.
Porque, en última instancia, una herramienta académica no debería pedirnos confianza ciega.
Debería ayudarnos a formular mejores preguntas sobre nuestro propio trabajo.
Philologica
Philologica está disponible en:
La plataforma permite realizar una primera revisión y explorar las diferentes herramientas de análisis académico y editorial.
La revisión humana continúa siendo esencial: los resultados generados por el sistema deben utilizarse como apoyo para la evaluación del autor, investigador, editor o revisor.
