Cuadernos con IA: el Espacio de Investigación de tus Usuarios

Los usuarios de las bibliotecas académicas llevan años conviviendo con una tensión difícil de resolver: la información de calidad, rigurosa y verificada, está en los catálogos y repositorios institucionales, pero las herramientas que les permiten trabajar con ella de forma fluida —resumir, comparar, preguntar, conectar— no existen dentro del ecosistema de la biblioteca. Para eso, el usuario sale del portal, va a herramientas de IA generales entrenadas sobre la web, y obtiene respuestas que no tienen ninguna relación con el acervo que su institución ha construido durante décadas.

Los Cuadernos IA de LibraryStack cierran esa brecha. Son espacios de investigación personales donde cada usuario puede reunir fuentes de la colección institucional y trabajar con ellas usando inteligencia artificial que responde citando exactamente los documentos seleccionados, no la web abierta. El resultado es una experiencia de investigación asistida que mantiene la trazabilidad académica que la institución exige.

El problema: la IA que usa el investigador no conoce tu colección

Cuando un estudiante de posgrado usa un asistente de IA general para preparar su marco teórico, el asistente responde con fluidez pero con una limitación fundamental: no sabe qué documentos tiene disponibles la biblioteca de su institución. No puede citar la tesis doctoral de la facultad que es exactamente relevante para su problema. No conoce el artículo que publicó el director del departamento y que es la referencia central del campo en la región. No tiene acceso al fondo histórico que hace única a la colección de esa institución.

La consecuencia es que el investigador trabaja con dos mundos paralelos: el de la IA general, que le ayuda a pensar pero no puede citar recursos verificados, y el del catálogo, donde están los recursos verificados pero sin la capa de inteligencia que le ayudaría a trabajar con ellos. Los Cuadernos IA colapsan esos dos mundos en uno solo.

Reunir fuentes de tu colección

El primer paso en cualquier proyecto de investigación es seleccionar las fuentes relevantes. En el flujo de trabajo del Cuaderno IA, ese proceso ocurre directamente desde el portal de la biblioteca: mientras el usuario navega el catálogo, el repositorio institucional o las revistas de la institución, puede agregar cualquier documento a su cuaderno con un clic.

Los documentos que se pueden incluir abarcan todo el acervo institucional: tesis de grado y posgrado del repositorio DSpace, artículos de las revistas gestionadas en OJS, monografías y recursos del catálogo Koha, y cualquier otro material indexado en el descubridor. El cuaderno actúa como una carpeta de trabajo donde el investigador acumula las fuentes que considera relevantes para su proyecto.

Esta selección manual es deliberada. A diferencia de los sistemas que intentan seleccionar automáticamente las fuentes relevantes, el Cuaderno IA parte del criterio del investigador. Es el usuario quien decide qué documentos forman parte de su espacio de trabajo, con pleno conocimiento de por qué cada uno es relevante para su proyecto. La IA opera sobre esa selección consciente, no sobre un corpus genérico.

Conversar con la colección: preguntas con respuestas citadas

Una vez que el cuaderno tiene fuentes, el usuario puede hacer preguntas en lenguaje natural sobre el conjunto de documentos seleccionados. La IA responde basándose exclusivamente en el contenido de esos documentos, citando con precisión qué documento, qué fragmento y qué página respaldan cada afirmación de la respuesta.

Este mecanismo —RAG aplicado al corpus del cuaderno— tiene consecuencias importantes para la práctica investigadora. Una pregunta como "¿qué metodologías de análisis cualitativo utilizaron los autores de estas tesis?" genera una respuesta que no inventa ni infiere: extrae, sintetiza y cita. El investigador puede verificar cada afirmación volviendo al documento original. La IA no reemplaza la lectura crítica; la hace más eficiente al orientar la atención hacia los fragmentos más relevantes de un corpus que de otro modo llevaría días revisar completo.

Las preguntas pueden ser de distintos tipos:

• De extracción: "¿Cuáles son las conclusiones principales de cada documento sobre el tema X?"
• De síntesis: "Resume los enfoques metodológicos usados en estos trabajos."
• De comparación: "¿En qué coinciden y en qué difieren los autores respecto al concepto Y?"
• De identificación de brechas: "¿Qué preguntas quedan sin responder según estos documentos?"

En todos los casos, la respuesta incluye las referencias a los documentos del cuaderno que la sustentan, manteniendo la trazabilidad que cualquier trabajo académico requiere.

Descubrir conexiones entre documentos

Una de las capacidades más valiosas y menos visibles de los Cuadernos IA es la detección de conexiones semánticas entre los documentos seleccionados. Los documentos que el usuario agrega a su cuaderno raramente son homogéneos: provienen de disciplinas distintas, fueron escritos en períodos diferentes, abordan el problema desde perspectivas diversas. Las conexiones no evidentes entre ellos son precisamente donde pueden aparecer las ideas más originales.

El Atlas semántico de LibraryStack, que opera sobre los embeddings vectoriales de todos los documentos indexados, puede identificar qué documentos del cuaderno comparten conceptos, metodologías o marcos teóricos aunque no los mencionen explícitamente con las mismas palabras. Una tesis sobre aprendizaje colaborativo en entornos digitales y un artículo sobre comunidades de práctica en organizaciones pueden tener una conexión teórica profunda que ninguno de los dos documentos hace explícita, pero que la similitud vectorial de sus representaciones semánticas revela.

Estas conexiones se presentan al usuario como sugerencias de relación: "estos dos documentos comparten un enfoque metodológico que podría ser relevante para tu marco teórico". El investigador decide si la conexión sugerida es pertinente para su trabajo o si se trata de una similitud superficial. En cualquier caso, tiene la oportunidad de considerar relaciones que de otro modo podría haber pasado por alto.

Rutas de aprendizaje

El cuaderno no es solo un repositorio estático de fuentes: puede sugerir rutas de lectura ordenadas según la lógica del proyecto. A partir de los documentos seleccionados y de las preguntas que el usuario ha formulado, el sistema puede proponer un orden de lectura que va de los fundamentos conceptuales hacia las aplicaciones específicas, o de los trabajos más citados hacia los más recientes, o de lo general hacia lo particular.

Esta funcionalidad es especialmente útil para estudiantes de posgrado que están construyendo su marco teórico y necesitan orientación sobre cómo abordar un corpus de literatura que puede ser extenso. La ruta de aprendizaje no impone un orden: lo sugiere, con la lógica explicitada, y el investigador lo adapta según su criterio.

Exportación académica verificada

Todo el trabajo acumulado en un cuaderno —las fuentes seleccionadas, las síntesis generadas, las conexiones identificadas— tiene valor solo en la medida en que puede salir del sistema y materializarse en el trabajo académico real del usuario. Los Cuadernos IA ofrecen varias modalidades de exportación:

• Referencias bibliográficas en formatos RIS y BibTeX, compatibles con los gestores de referencias académicos más utilizados (Zotero, Mendeley, EndNote).
• Lista de fuentes en CSV o JSON con todos los metadatos disponibles para cada documento.
• Informe PDF que incluye las fuentes seleccionadas, las síntesis generadas por la IA y las referencias a los fragmentos que las sustentan, listo para ser entregado como anexo de un trabajo o como documentación de un proceso de revisión bibliográfica.

La exportación no es solo conveniente: es parte de la propuesta de valor. El trabajo realizado en el cuaderno no queda atrapado en la plataforma; sale en formatos estándar que el investigador puede integrar en sus herramientas habituales.

La diferencia con las herramientas de IA generales

Vale la pena ser explícito sobre lo que hace diferente a los Cuadernos IA respecto a los asistentes de IA que cualquier usuario puede usar fuera del entorno bibliotecario.

La diferencia fundamental no es tecnológica: es de fuentes. Cuando un investigador usa un asistente de IA general, ese asistente responde con información que proviene de su entrenamiento sobre textos públicos de internet, sin ninguna garantía de que esos textos sean los más rigurosos, los más actualizados o los más relevantes para el contexto institucional del usuario. La respuesta puede ser fluida y aparentemente convincente, pero no está anclada en los documentos que la institución ha seleccionado, curado y puesto a disposición de su comunidad.

Los Cuadernos IA operan exclusivamente sobre el corpus que el usuario selecciona de la colección institucional. Cada respuesta cita su fuente. Cada afirmación puede verificarse contra el documento original. La institución sabe que sus usuarios están trabajando con el acervo que ha construido, no con contenidos de origen indeterminado. Y el investigador tiene la certeza de que las referencias que incluirá en su trabajo académico están respaldadas por documentos reales, accesibles y citables.

En un contexto académico donde la integridad de las fuentes es un valor central, esa garantía no es un detalle: es la condición para que la IA sea un aliado del rigor académico y no una amenaza para él.