Los humanos reportan, la IA remezcla

Cuando las fábricas recibieron electricidad por primera vez, muchas cambiaron la máquina de vapor por un gran motor eléctrico y mantuvieron la vieja disposición de ejes y correas. Según el artículo de 1990 del historiador económico Paul David ”The Dynamo and the Computer” (“La dinamo y la computadora”), las verdaderas ganancias llegaron décadas después, cuando las fábricas se rediseñaron en torno a lo que la energía eléctrica hacía posible.

La mayor parte de la IA en las redacciones sigue en esa primera fase: la misma línea de montaje, funcionando un poco más rápido y, a menudo, un poco peor. Un informe de campo de la Escuela Cronkite de ASU catalogó 160 proyectos de IA en 101 organizaciones de noticias y encontró que las redacciones han pasado los últimos años “usando la IA principalmente para hacer lo que ya hacían, pero más rápido”.

Ayudamos a lanzar un proyecto en Cleveland que intenta, en cambio, reorganizar la planta de producción. Para ver la diferencia, empecemos por otra redacción de Cleveland.

Atornillar un motor a la vieja máquina

Chris Quinn, editor de cleveland.com y The Plain Dealer, contrató en enero a un “especialista en reescritura con IA” que usa una versión interna de ChatGPT para convertir las notas de los reporteros en artículos. En una carta a los lectores en febrero, Quinn explicó la lógica: “Como queremos que los reporteros reúnan información, estos puestos son 100 por ciento reporteo”, escribió. “Al quitar la escritura de la carga de trabajo de los reporteros, en efecto les liberamos un día de trabajo adicional cada semana”. También acusó a las escuelas de periodismo de estar “décadas atrasadas” después de que un candidato a un puesto se retiró por el uso de IA en la redacción.

En abril, cleveland.com empezó a publicar promociones generadas con IA para sus pódcasts, incluida una protagonizada por una versión de caricatura de Quinn. Fueron ampliamente criticadas. En un mensaje de texto que compartió el reportero de Axios Sam Allard, Quinn dijo que la redacción estaba “usando IA porque no tenemos recursos para hacerlo de otra manera”.

Y en septiembre, la reportera de cleveland.com Kaitlin Durbin dijo que la IA escribió un artículo con su firma mientras estaba de luna de miel. En declaraciones a Futurism, Quinn lo calificó de “un simple error, resultado de una mala comunicación”.

Quinn dice que “los humanos —no la IA— controlan cada paso”. Suena bien, ¿no? Enredos como la firma falsa de Durbin desmienten esa afirmación, pero aunque fuera cierta, el producto es la misma noticia, pero peor. La fuente son las mismas notas de reporteo. El personal sigue siendo un grupo relativamente pequeño (y cada vez más pequeño) de periodistas profesionales. El trabajo del reportero es el mismo, menos la escritura, que, como señaló el profesor de periodismo de Northeastern Dan Kennedy, es donde los reporteros le dan sentido a lo que han reunido.

El tiempo ahorrado se va en producir más de lo mismo con menos humanos. El mismo eje, un motor más grande: más rápido, más barato y, a juzgar por el Quinn de caricatura, un poco peor. Quinn liberó un día de trabajo, pero no cambió el trabajo.

Reorganizar la fábrica

Parte de lo que hace tan decepcionante este modelo es que es posible mucho más.

Signal Cleveland, Cleveland Documenters y Recovered Factory acaban de lanzar Cleveland Police Discipline, una base de datos con más de 1,700 casos disciplinarios que involucran a más de 1,000 agentes, despachadores, supervisores y otro personal de la policía de Cleveland, desde 2016.

El departamento de policía de Cleveland lleva más de una década bajo un decreto de consentimiento del Departamento de Justicia de EE. UU. Una parte importante de esa supervisión es cómo se disciplina a los agentes tras quejas de civiles, violaciones de las normas del departamento, investigaciones internas y más. Los registros de esa disciplina son públicos, pero no son fáciles de buscar ni de digerir. La ciudad los publica en grandes archivos PDF, más o menos cada mes, y los resultados quedan enterrados en jerga.

Cleveland Documenters se propuso que esta información le sirviera a la gente de Cleveland. La IA la hace accesible.

Dicho rápido, nuestro modelo se parece mucho al de Quinn: las personas reúnen la información y un modelo hace la escritura. También usamos el mismo argumento de los recursos. Ninguna redacción en 2026 va a pagarle a alguien para reescribir 1,700 notificaciones disciplinarias en lenguaje sencillo. La diferencia está en cómo se organiza el resto de la fábrica:

• Los residentes hacen la lectura. Los Documenters de Cleveland leyeron las notificaciones e ingresaron cada caso en Airtable: el agente, la fecha de la audiencia, los cargos, el resultado y un enlace al documento original.
• Los periodistas aportan el criterio. April Hirsh Urban, Rachel Dissell y Emma Sedlak pasaron años reuniendo estos registros e informando sobre ellos, y los reporteros siguen sacando las conclusiones y presentando los hallazgos. El equipo escribió un glosario de casi 400 términos para descifrar la jerga.
• El modelo hace el trabajo pesado de redacción. Para cada caso, escribe un titular y un resumen en lenguaje sencillo y clasifica el resultado y la gravedad.
• Las personas revisan al modelo. Una persona ha validado casi todos los resúmenes contra los registros originales.
• Los lectores reciben una herramienta duradera, no solo una noticia. Pueden buscar a un agente, seguir un término como “wearable camera system” (el sistema de cámara corporal) en los registros de más de 300 empleados, ver cuándo un despido fue revocado después y compartir un enlace a cualquier búsqueda.

Así se ve ese trabajo pesado en un caso. Los Documenters ingresaron la notificación así:

Procedimiento indebido: no resguardó ni aseguró el equipo divisional asignado (Wearable Camera System) confiado a su cuidado. El agente de patrulla [nombre] recibió una Carta No Disciplinaria de Reinstrucción (primera violación del Grupo I. Factores atenuantes: sin malicia ni intención y asumió la responsabilidad por la pérdida. Factor agravante: disciplina activa). Además, el agente de patrulla [nombre] debe reembolsar a la Ciudad de Cleveland.

Y el sitio muestra esto, seguido de la norma infringida y los factores agravantes y atenuantes en listas breves:

Carta no disciplinaria de reinstrucción por no resguardar el equipo del sistema de cámara corporal asignado

[Nombre] recibió una carta no disciplinaria de reinstrucción y se le exigió reembolsar a la Ciudad de Cleveland por no resguardar ni asegurar el sistema de cámara corporal que tenía asignado. Según la notificación divisional, esto se trató como una primera violación del Grupo I.

Eso no es un análisis profundo. Es una corrección de estilo cuidadosa, hecha de forma consistente 1,700 veces. Pocas redacciones podrían permitirse hacerla a mano, y ninguna elegiría hacerlo. Pero es un paso crucial para que información como esta le sirva a un lector común. Así como una persona promedio puede necesitar a un abogado para que le explique una ley, quien no domina la jerga policial necesita un traductor.

La versión de Quinn saca la escritura de la descripción del puesto de un reportero y mantiene el producto. La nuestra construyó un producto que no existía y usó una nueva división del trabajo para hacerlo. La escritura que maneja el modelo es trabajo pesado; darle sentido sigue en manos de personas. El tiempo y el dinero humanos van a donde cuentan: a pagarles a residentes para que lean los registros y a verificar el resumen que escribe el modelo. Un enfoque abarata el proceso y el producto. El otro mejora ambos.

Entregarle la escritura a un modelo suena al revés si uno cree que escribir equivale a inteligencia, y buena parte de la industria del periodismo lo cree. Incluso cuando las redacciones usan IA para hacer borradores o resumir, las palabras siguen apareciendo bajo una firma: un Nombre, idealmente un Gran Nombre, el autor singular responsable de la prosa.

La escritura de Cleveland Police Discipline no tiene un autor singular. Un modelo de lenguaje escribió los resúmenes, y el sitio lo dice. En cambio, hay una lista de las personas que lo construyeron: Documenters que leyeron las notificaciones, reporteros que pasaron años entendiendo los registros, el equipo que escribió el glosario e ingenieros que lo conectaron todo. El crédito va al reporteo y a la producción, no a la prosa.

Hacer el trabajo es como se aprenden los datos

¿Por qué dedicamos nuestros recursos a que personas extrajeran los datos?

Los periodistas suelen recurrir primero a la tecnología para extraer información, como hacer scraping de un sitio web o sacar datos estructurados de archivos PDF. Nosotros fuimos por el otro camino. La IA podría haber hecho la extracción, pero cuando calculamos el costo de un scraper confiable para el texto no estructurado de las notificaciones, quedó demasiado cerca del costo de pagarles a los Documenters como para marcar una diferencia. Y las personas que hacen el trabajo aportan algo que un scraper no puede.

La captura manual de datos crea un entendimiento compartido. Los Documenters aprenden el contenido a medida que lo extraen, lo que significa mejores preguntas después. Cualquiera que haya ingresado o limpiado datos a mano sabe que ahí es donde uno nota las características raras, problemáticas y útiles de un conjunto de datos. Un proceso construido por alguien que no ha pasado tiempo con los registros, o por una IA con una comprensión ingenua de ellos, pasará por alto algunas de esas características o no se verá obligado a hacer el reporteo necesario para entenderlas.

Invertir en una extracción de datos hecha por personas y arraigada en lo local también significa que aprendemos algo de lo que a la comunidad le parece confuso o le genera dudas, y de lo que la gente realmente quiere saber. Eso nos da dos tipos de retroalimentación antes de publicar nada: cómo resuena la información con la gente y qué tan bien responde a sus necesidades. También ayuda a que el proyecto no se reduzca a ideas impuestas desde arriba sobre lo que importa.

Es fácil ver la IA como una forma de exprimir algo de eficiencia automatizando el trabajo pesado, mientras se mantienen los roles y las estructuras de poder que heredamos. Es más interesante como un cambio en el proceso mismo y en quién puede dar forma al resultado.

¿Por qué confiar en un resumen hecho con IA?

La preocupación obvia es que los resúmenes con IA se equivoquen. Pueden equivocarse, y el informe de Cronkite señala la IA de cara al lector como un riesgo para la reputación de las redacciones. Por eso construimos todo el proceso y el diseño de la información en torno a ganarnos la confianza. Empieza y termina con personas, y el modelo queda en medio:

• Empieza con texto ingresado por personas. El modelo trabaja con el texto que los Documenters ingresaron y cotejaron con las notificaciones.
• Las instrucciones son estrictas. Al modelo se le indica que se limite a lo que el texto original respalda explícitamente, que atribuya a la notificación afirmaciones como “primera falta” en lugar de darlas por hechas y que omita todo lo que no encuentre en la fuente.
• Ante la duda, “desconocido”. Si una notificación no dice algo, como el grupo de gravedad de una violación o la fecha en que despidieron a alguien, los datos dicen “desconocido” en lugar de adivinar.
• Termina con una persona real que lee y valida los resúmenes. Cotejamos los resúmenes con los registros originales. Solo unos pocos casos nuevos aún no se han revisado.
• La fuente está a un clic. Cada caso incluye el texto original de la notificación y enlaces a los documentos fuente.
• Los lectores pueden objetar. Cada página tiene un formulario de comentarios que va directo a los editores de Signal.

Nada de esto es un atajo. Asegurarse de poder respaldar el resumen requiere mucho más trabajo que generarlo. La diferencia está en a dónde va el trabajo: a verificar los hechos, no a pulir la prosa.

A dónde van las ganancias

El punto de Paul David era que la electricidad rindió frutos solo cuando las fábricas se reconstruyeron en torno a ella. Este proyecto es una prueba de concepto de esa reconstrucción. La filosofía es sencilla: invertir en personas donde se necesita criterio, automatizar lo tedioso, mantener la tecnología ligera y hacer que los resultados se puedan llevar a cualquier parte.

Las personas en las que invertimos viven en Cleveland. Los Documenters son residentes a quienes se les paga por asistir a reuniones públicas y leer registros públicos. No necesitan escribir bien ni tener un gran nombre. Necesitan leer con cuidado y tener curiosidad por su ciudad. El trabajo les paga a personas de Cleveland, y el conocimiento se queda con ellas: los Documenters terminan sabiendo más sobre cómo funciona realmente la disciplina policial, y ese conocimiento permanece en los barrios que viven el impacto de la vigilancia policial.

Es un ciclo: los residentes leen los registros, la IA los vuelve legibles y los residentes los usan. La organización nacional Documenters está usando técnicas similares para ayudar a las personas en el terreno. En estos ejemplos, quienes sostienen la lente están en la foto.

Nada de esto es exclusivo de la disciplina policial. El mismo informe de Cronkite describe un pequeño grupo de experimentos con IA que tratan “el periodismo como un servicio público”, con herramientas que ayudan a la gente a orientarse en asuntos cívicos como los impuestos a la propiedad, los desalojos o las inspecciones de restaurantes. Muchos registros son públicos en teoría pero ilegibles en la práctica, y el mismo enfoque funciona para ellos: las personas que conocen el material hacen la lectura, y la IA convierte su trabajo en algo que las comunidades pueden usar.

Una vez que el reporteo es sólido, la escritura se vuelve arcilla. Hoy es un resumen en inglés sencillo. Mañana podrían ser traducciones, una interfaz de chat o de voz, o una app nativa. Los humanos reportan, la IA remezcla, y queda mucho por remezclar.

No hay firma en la escritura. Estas son las personas que lo construyeron: April Hirsh Urban, Rachel Dissell, Emma Sedlak, Cid Standifer, Hails Hoyat, Dan McLaughlin, Rosie Palfy, Mary Ellen Crowley Huesken, Frank W. Lewis y David Eads, con ilustraciones de John G.