Diferencias entre automatización básica y sistemas de IA

Diferencias entre automatización básica y sistemas de IA
Por: Lic. Carmen Marín con la colaboración de Grok y Gemini

Imagen generada por Gemini

La gestión documental: diferencia entre automatización básica y sistemas de IA

Desde una perspectiva archivística profesional, a continuación se presenta información relevante y actualizada, basada principalmente en los documentos del Observatorio de Inteligencia Artificial en Archivos (OBINAR) del Ministerio de Cultura de España (guías y modelos de octubre de 2025), así como en literatura especializada en ciencia archivística y fuentes técnicas sobre gestión documental.

1. Diferencia entre automatización básica y sistemas de IA

La automatización básica (incluida la Automatización Robótica de Procesos o RPA) se basa en reglas predefinidas y deterministas: «si ocurre X, entonces haz Y». Ejecuta tareas repetitivas y estructuradas de forma fiable (por ejemplo, mover archivos según una estructura de carpetas o formatos fijos, aplicar flujos de trabajo rígidos o validar campos exactos). Funciona adecuadamente con datos estables y estructurados, pero falla o requiere reprogramación cuando cambian los formatos, diseños o canales de entrada, o bien cuando surgen excepciones. No aprende ni se adapta por sí misma (Normadat).

Los sistemas de IA (aprendizaje automático, procesamiento del lenguaje natural, modelos de lenguaje, visión por computador, entre otros) emulan capacidades de razonamiento y aprendizaje. Detectan patrones, se adaptan a variaciones documentales (formatos heterogéneos, documentos no estructurados o semiestructurados procedentes de múltiples canales), mejoran con el uso y pueden clasificar, extraer, validar o generar propuestas de forma contextual. La diferencia clave no radica en la denominación comercial, sino en la capacidad adaptativa, el reconocimiento de patrones y el aprendizaje continuo.

Desde el OBINAR se distingue explícitamente entre las tecnologías de IA y las técnicas de RPA. Estas últimas son útiles para tareas repetitivas, pero carecen de la capacidad de establecer modelos de razonamiento y aprendizaje propios de la IA; por ello, solo se consideran en propuestas archivísticas cuando van asociadas al uso de inteligencia artificial (OBINAR, 2025).

En la práctica profesional archivística, la combinación de ambas —frecuentemente denominada automatización inteligente o IDP (Intelligent Document Processing)— es habitual: la IA interpreta y extrae la información, mientras que la automatización por reglas ejecuta las acciones posteriores de forma controlada. La IA no sustituye el criterio archivístico (procedencia, orden original, valoración, autenticidad e integridad), sino que lo potencia bajo supervisión humana.

2. Usos cotidianos, dilemas en el entrenamiento de modelos y gobernanza de riesgos

Usos cotidianos en procesos archivísticos

Según el repertorio del OBINAR y las experiencias documentadas en la literatura archivística, los usos más extendidos y prometedores incluyen:

• Clasificación y extracción: Clasificación automática de documentos y expedientes, segmentación y extracción de metadatos. 

• Descripción y enriquecimiento: Generación de borradores de descripción, indexación y enriquecimiento de metadatos.

• Digitalización avanzada: Procesamiento mediante OCR/HTR (reconocimiento de texto impreso y manuscrito) y transcripción de documentos orales o audiovisuales.

• Búsqueda y valoración: Búsqueda semántica inteligente, detección de duplicados o versiones, y formulación de propuestas de valoración, selección, conservación o eliminación.

• Seguridad e integridad: Gestión de la trazabilidad y autenticidad, así como detección de contenido sensible o datos de carácter personal.

• Difusión y acceso: Asistentes virtuales, sistemas de recomendación de contenidos, traducción contextual, accesibilidad y reconstrucción de contextos (OBINAR, 2025).

En el día a día de los archivos y unidades de gestión documental, la IA permite además reducir los backlogs de descripción (volumen de documentos custodiados que aún no han sido procesados según las normas archivísticas), apoyar la revisión de privacidad y facilitar la recuperación de información. Las investigaciones indican que la IA automatiza tareas rutinarias e incrementa la capacidad operativa del personal, sin que exista evidencia de una sustitución generalizada de puestos de trabajo a corto plazo (Springer, 2026).

Dilemas en el entrenamiento de modelos

Desde la óptica archivística, los principales desafíos éticos y técnicos son:

• Calidad y representatividad de los datos: Los modelos heredan los sesgos, vacíos y perspectivas de las colecciones documentales de origen (por ejemplo, terminología colonial o sesgos de género y raza). Un entrenamiento deficiente reproduce y amplifica la discriminación.

• Descontextualización: Tratar los documentos como «datos» aislados pone en riesgo principios fundamentales como la procedencia, el orden original y el vínculo archivístico. Diversos experimentos actuales descuidan la explicabilidad y la rendición de cuentas algorítmica.

•  Privacidad, propiedad intelectual y autenticidad: Existe riesgo al utilizar documentos personales o protegidos para entrenar modelos, así como la posibilidad de que los resultados generativos alteren la integridad o fiabilidad del documento original.

• Opacidad («caja negra»): La dificultad para explicar cómo un modelo toma una decisión de clasificación o descripción choca directamente con las exigencias de transparencia y trazabilidad pública.

•  Dependencia de proveedores y datos externos: Genera riesgo de «alucinaciones», pérdida de control sobre el conocimiento institucional y vulneración de la soberanía de datos.

 El OBINAR y la literatura científica coinciden en que la fase de entrenamiento exige una selección rigurosa de documentos, control de calidad, supervisión humana y evaluación continua (OBINAR, 2025).

Gobernanza de riesgos

El enfoque recomendado se fundamenta en una archivística basada en la gestión de riesgos, articulada bajo el principio de gobernanza by design:

• Evaluación de Impacto Algorítmico (EIA): Elaboración de planes preventivos y de contingencia.
•  Principios rectores: Aplicación estricta de transparencia, explicabilidad, trazabilidad, supervisión humana y rendición de cuentas.
•  Políticas institucionales específicas: Adopción de marcos de gestión documental adaptados a la IA que definan roles, principios éticos, metadatos de origen automatizado, formación y auditorías.
•  Cumplimiento normativo: Alineación con el RGPD, las leyes de transparencia y el Reglamento Europeo de IA (EU AI Act).
•  Capacitación profesional: Fortalecimiento de competencias para que los archivistas puedan auditar, evaluar y gobernar los sistemas de IA, más allá de ser meros usuarios.
•  Supervisión humana obligatoria: Intervención humana indispensable en decisiones de alto impacto (valoración, eliminación o acceso a información sensible).

La IA debe considerarse una tecnología habilitadora que complementa —y no sustituye— la competencia técnica del archivista. El éxito de su implementación depende más del diseño de procesos, la calidad de los datos y el marco de gobernanza que del algoritmo en sí.

3. Marcos normativos: Gobernanza de IA y gestión del sesgo

¿Qué es la gobernanza de IA?

La gobernanza de la IA (AI Governance) es el conjunto de políticas, procesos, estructuras, estándares, roles y mecanismos de supervisión que guían el diseño, desarrollo, implementación, uso, monitoreo y retiro de los sistemas de inteligencia artificial. Su propósito es garantizar que la IA sea segura, ética, transparente, equitativa, fiable, auditable (accountable) y conforme a la normativa, minimizando riesgos y optimizando sus beneficios (Avahi, 2025).

 No se trata de un documento estático ni de una lista de verificación puntual, sino de un sistema dinámico que abarca todo el ciclo de vida de la tecnología e incluye:

• Definición de responsabilidades: Establecimiento claro de quién decide, supervisa y responde por el sistema.
• Gestión de riesgos: Identificación, evaluación, mitigación y monitoreo continuo.
• Principios éticos: Garantía de equidad, privacidad, no discriminación y supervisión humana.
• Transparencia: Capacidad de justificar e interpretar las decisiones del sistema.
• Cumplimiento normativo: Alineación con el EU AI Act, el RGPD y estándares internacionales como ISO/IEC 42001 o el marco NIST AI RMF.
• Auditoría y trazabilidad: Control permanente de la calidad de datos y modelos.

Marcos de referencia destacados:

• Reglamento Europeo de IA (EU AI Act): Enfoque estructurado según el nivel de riesgo (prohibido, alto riesgo, limitado o mínimo).
• NIST AI Risk Management Framework: Estructurado en las funciones Govern, Map, Measure y Manage.
• ISO/IEC 42001: Norma certificable sobre sistemas de gestión de inteligencia artificial.

 ¿Qué es el sesgo en la IA?

El sesgo en la IA (AI bias o sesgo algorítmico) es una desviación sistemática en los resultados de un sistema que genera decisiones injustas, inexactas o discriminatorias hacia determinados grupos o situaciones. No constituye un error aislado, sino un patrón constante (Avahi, 2025).

El sesgo suele originarse en los datos y en el diseño humano:

• Sesgo en los datos de entrenamiento: Reflejo de desigualdades históricas, vacíos de información o muestras no representativas.
• Sesgo cognitivo o humano: Prejuicios implícitos de quienes diseñan, etiquetan o seleccionan las fuentes.
• Sesgo algorítmico o estadístico: Decisiones de diseño del modelo o uso de variables proxy desequilibradas.
• Sesgo sistémico: Estructuras desiguales de la sociedad codificadas en el software.

 Ejemplos en gestión documental:

• Modelos de clasificación entrenados con fondos documentales de una sola época o región, incapaces de procesar adecuadamente otros contextos.
• Herramientas de descripción automática que reproducen terminología colonial o sexista heredada de catálogos antiguos.
• Algoritmos de extracción que disminuyen su precisión ante formatos o dialectos de comunidades minoritarias.

En conclusión, la gobernanza de la IA proporciona el marco organizativo para orientar el uso responsable de la tecnología, mientras que la mitigación del sesgo es uno de sus compromisos técnicos y éticos fundamentales para evitar resultados discriminatorios o lesivos.

Referencias y Fuentes Consultadas

Documentos oficiales del OBINAR (Ministerio de Cultura, España)

• Guía para el diseño, implementación y uso de la IA en la Gestión de Documentos y Archivos (PDF)

•  Aplicación de la IA a los procesos de gestión de documentos y archivos (PDF)

•  Modelo de Política de Gestión de Documentos y Archivos mediante el uso de la IA (PDF)

 Fuentes especializadas

• Normadat: Diferencia entre automatización e IA real en gestión documental
•  Albadoc: Aplicaciones de IA en gestión documental y centros de documentación
•  Archival Science: Archivists’ use of AI: practices and impacts
•  ACM Digital Library: Archives and AI: An Overview of Current Debates
• arXiv: AI in Archival Science – A Systematic Review
•  Avahi Glossary: Gobernanza de la IA y Sesgo en la IA