5 áreas donde las competencias bibliotecarias son clave para la inteligencia artificial

La conversación sobre inteligencia artificial se acelera, y cada semana aparecen nuevos roles en empresas, universidades y administraciones. La buena noticia para nuestro sector: muchas de esas funciones encajan con lo que ya sabemos hacer en bibliotecas. Un trabajo de Corey Harper y Paul Groth (The Librarian Skillset and the Needs of Artificial Intelligence) mapea competencias ALA (y marcos RUSA y CCCMPL), junto con asignaturas de iSchools, con un inventario de competencias de la AI Alliance. El resultado identifica cinco áreas donde el perfil bibliotecario aporta valor directo a la inteligencia artificial.

El interés no es teórico. En 2022, Hugging Face abrió una vacante de “Machine Learning Librarian” con foco en curación de documentación y conocimiento sobre modelos, datasets y contextos de aplicación. Desde entonces han surgido más puestos de “AI Librarian” (especialmente en la biblioteca academia), y consultoras como Korn Ferry apuntan a oportunidades en el ámbito corporativo. Es una señal clara: organizar información, describir recursos y facilitar acceso son habilidades críticas para la IA.

Para hacerlo práctico y fácil de aplicar, los autores estructuran su análisis en cinco ámbitos: recuperación de información, catalogación de modelos y datos, ingeniería del conocimiento, IA responsable y justicia social, e ingeniería y evaluación de datos. A continuación presento qué implica cada área y qué tareas concretas puede asumir el personal bibliotecario desde hoy.

1. Recuperación de información y RAG

Muchas aplicaciones con modelos de lenguaje dependen de la búsqueda. RAG (Retrieval-Augmented Generation) recupera fragmentos de contexto fiables y los incorpora al prompt para «anclar» la respuesta y reducir alucinaciones. El desarrollo actual combina técnica vectorial con enfoques léxicos y basados en taxonomías; incluye embeddings, métricas de similitud (coseno, producto punto) y bases de datos vectoriales. Aquí la experiencia bibliotecaria en metadatos, navegación facetada y desarrollo de colecciones por dominio es diferencial.

Funciones concretas:

• Diseñar marcos de búsqueda que alimenten a la IA con datos fiables y mitiguen alucinaciones.
• Usar campos de metadatos para filtrar y acotar (como en la navegación facetada).
• Crear metadatos específicos que soporten esas operaciones de filtro y navegación.
• Diseñar y estructurar los corpus que usan los sistemas RAG.
• Construir RAG por dominio y por tarea con cobertura de casos de uso reales.
• Combinar recuperación léxica, basada en taxonomías y vectorial (enfoque híbrido).
• Trabajar con embeddings, métricas de similitud y bases de datos vectoriales.
• Aportar especialización temática para colecciones, taxonomías y clasificación del corpus.

2. Catalogación de modelos y datos

La inteligencia artificial necesita transparencia y trazabilidad. Iniciativas como Dataset Nutrition Labels, Model Cards, el marco CLeAR y el formato Croissant definen requisitos de documentación y metadatos para garantizar sistemas más justos, explicables y auditables. Croissant se apoya en DCAT (W3C), familiar en nuestra formación. Además, localizar datasets de dominio para ajuste y evaluación es difícil: están dispersos en repositorios, artículos y “leaderboards”. También conviene describir endpoints de APIs y herramientas que los sistemas usarán.

Funciones concretas:

• Documentar datasets, modelos y sistemas con Dataset Nutrition Labels, Model Cards y CLeAR.
• Aplicar formatos y estándares como Croissant y DCAT.
• Mantener sistemas de catalogación, metadatos, indización y clasificación.
• Identificar, catalogar y dar acceso a datos de entrenamiento y evaluación por disciplina.
• Describir endpoints de APIs, herramientas y módulos que emplearán los sistemas de IA.

3. Ingeniería del conocimiento

La ingeniería del conocimiento ayuda a entender y conectar tecnologías y contenidos. Las taxonomías y ontologías sirven para explicar relaciones, similitudes y diferencias, y para consensuar vocabularios. La literatura de revisión en IA organiza técnicas mediante jerarquías temáticas. Los knowledge graphs (KGs), cercanos a la Web Semántica y los Linked Open Data, aportan estructura relacional que el texto libre no capta bien y mejoran la puesta a tierra de las aplicaciones.

Funciones concretas:

• Desarrollar taxonomías y ontologías que apoyen catalogación y metadatos.
• Explicar tecnologías y ordenar tendencias con jerarquías por características compartidas.
• Construir y poblar KGs como representaciones formales de entidades y relaciones.
• Basarse en Web Semántica y LOD para esos KGs y usarlos para «anclar» aplicaciones.
• Aplicar gestión de identidades, control de autoridades y vocabularios controlados en KGs de dominio.

4. IA responsable y justicia social

Los marcos ALA enfatizan ética y justicia social, en línea con el foco de la industria en Responsible AI: evaluación, privacidad y gobernanza de datos, transparencia y explicabilidad, seguridad y equidad. Entender impactos en colectivos, especialmente infrarrepresentados, es clave para el despliegue responsable de aplicaciones.

Preguntas guía sencillas para evaluar riesgos:

• ¿Quién podría verse perjudicado por esta aplicación?
• ¿Puede haber usos indebidos, accidentales o intencionales?
• ¿Qué sesgos hay en los datos de entrenamiento?
• ¿Son interpretables y transparentes los resultados?

Funciones concretas:

• Tratar cuestiones legales: uso justo, licencias de datos y modelos, leyes de privacidad, normativa (p. ej., EU AI Act).
• Apoyar la auditoría de IA, cada vez más relevante, desde documentación, organización de la información y gobernanza de datos.
• Actuar como human-in-the-loop en sistemas agentic: asesorar, ajustar planes de consulta y flujos, y verificar información; participar en sistemas multiagente con especialidades diversas.

5. Ingeniería y evaluación de datos

Otra familia de tareas se centra en gestión del ciclo de vida, preparación y evaluación de datos. Aquí caben Identifying Data Limitations y la competencia fundacional Training Data de la AI Alliance, muy cercanas a funciones bibliotecarias sobre formatos, estructuras y mantenimiento de información registrada.

Funciones concretas:

• Trazar errores hasta el dataset de entrenamiento o el prompt para mejorar fiabilidad.
• Recoger, limpiar y preprocesar datos para garantizar entradas de calidad.
• Evaluar resultados y modelos (rendimiento, precisión) y conocer límites de librerías de ML.
• Detectar sesgos humanos, identificar limitaciones de datos y comprobar respuestas, buscando fuentes alternativas.
• Reconocer alucinaciones y sus implicaciones para la organización.
• Usar visualización para interpretar resultados y dar transparencia.
• Distinguir entre datos estructurados y no estructurados y aplicar clasificación y clustering.
• Considerar data augmentationy el manejo de conjuntos desbalanceados cuando proceda.

La IA necesita corpus curados, metadatos sólidos, taxonomías claras, catálogos de modelos y datos, evaluación con mirada ética y procesos de limpieza y verificación constantes. Todo esto forma parte del ADN bibliotecario. El propio artículo cierra señalando que estándares, nuevas técnicas de indización y ontologías serán críticos, y que las bibliotecas pueden jugar un papel importante en definirlos y en formar a profesionales para estos roles.