Durante años, la gran pregunta de las humanidades digitales fue material: ¿cómo digitalizamos esto? Esa generación hizo un trabajo inmenso. No solo trasladó archivos al entorno digital — construyó condiciones nuevas de acceso, consulta y circulación del conocimiento. Gracias a ese esfuerzo, hoy buscamos, comparamos y citamos volúmenes de material que antes exigían viajes, permisos y semanas de archivo.
Sería un error tratar ese logro como algo superado. De hecho, todo lo que sigue solo es posible porque esa infraestructura existe.
Pero la pregunta ha cambiado.
El archivo ya está, en gran medida, digitalizado. Y además han aparecido sistemas capaces de hablar con fluidez sobre él. Por eso la cuestión decisiva ya no es cómo digitalizamos, sino qué significa que esto ya esté digitalizado. El salto no es técnico. Es epistemológico.
El problema contemporáneo no es solo que los modelos puedan equivocarse. Es que pueden equivocarse con una elocuencia extraordinaria. Pueden sonar convincentes justo allí donde no distinguen entre lo que un texto sostiene, lo que sugiere y lo que directamente inventan. Y lo hacen porque priorizan la fluidez — lo estadísticamente probable — frente a la verdad, que casi siempre es disruptiva. La fluidez sintáctica no garantiza conocimiento: a veces solo garantiza una ilusión de comprensión. Un saber supuesto donde no hay saber.
La primera generación resolvió el acceso. La segunda enfrenta el problema más difícil: el criterio.
Y «criterio» no significa actitud escéptica ni moralina. Significa algo más concreto: la capacidad de distinguir entre una cita verificable y una paráfrasis; entre la localización documental y la inferencia; entre lo que puede presentarse como evidencia y lo que solo puede ofrecerse como orientación. En el fondo, el problema es si todavía somos capaces de responder por lo que afirmamos cuando la producción de lenguaje se ha vuelto trivial.
Eso cambia también el papel de las herramientas. Una herramienta intelectualmente seria ya no se define solo por cuánto recupera o cuánto produce, sino por cómo organiza la relación entre salida, fuente y límite. No vale por hablar mucho, sino por saber en qué capa está hablando. Y por saber callar cuando el soporte no alcanza.
Tal vez esa sea la verdadera oportunidad del momento. No usar la IA para abolir la lectura, sino para obligarnos a pensar mejor qué significa leer. No usarla para reemplazar el criterio, sino para volver visible cuánto dependía nuestro trabajo de él. Piglia decía que un lector es también el que lee mal, distorsiona, percibe confusamente — que en la clínica del arte de leer, no siempre el que tiene mejor vista lee mejor. Lo que un buen lector aporta no es corrección, sino fricción. Exactamente lo que un modelo estadístico no puede producir por diseño.
Porque cuando el archivo ya está digitalizado y la máquina ya puede hablar sobre él, el problema decisivo deja de ser cómo acceder.
Pasa a ser cómo responder por lo que se afirma.