Idea principal

Hacer que una máquina lea libros y normas y le haga producir notas funciona desde el primer intento. Es la parte fácil, y es la que se anticipa.

Lo que cuesta es el ajuste. Una primera versión permisiva detecta con demasiada amplitud: muchas notas, ruido, una calidad insuficiente. La versión siguiente endurece los filtros, la calidad se vuelve excelente — y notas pertinentes, que la versión permisiva sí había visto, desaparecen. Ninguna posición recoge todo lo que importa sin recoger nada más; ajustar es elegir de qué lado se equivocará el sistema.

Ese ajuste no se escribe en dos líneas de prompt. Toma la forma de varias decenas de líneas de instrucciones: definición precisa de cada tipo de nota, criterios de validez, reglas de detección de las referencias normativas, pasada terminológica final.

Por qué es importante

Esto invierte el reparto del esfuerzo que se prevé al arrancar. Se presupuesta la extracción y la relectura de las notas; en la práctica, la extracción está ganada de entrada y el presupuesto debe ir a las reglas.

Y señala dónde está el activo. Las notas se rehacen; el cuerpo de reglas que ha tardado semanas en estabilizarse, no — es a él al que hay que versionar, comentar y defender.

Matices y límites

El umbral correcto depende de lo que se vaya a hacer con la base. Una materia destinada a revisarse cada día tolera menos ruido que una materia consultada bajo demanda, donde una nota floja solo cuesta una línea de más.

Y un umbral calibrado sobre un corpus de normas no se traslada tal cual a un corpus de artículos de opinión: lo que las reglas aprenden es tanto el corpus como el criterio.

Preguntas abiertas

• ¿En qué momento un endurecimiento deja de ganar en calidad más de lo que pierde en cobertura?