Después del PDF: una nueva unidad de conocimiento para la era de la IA

por Steve Smith – Oxford Scholarship Online Archive

¿Cuál es la unidad atómica del registro académico?

Durante décadas, la publicación académica ha operado con una respuesta implícita: el PDF. Construimos toda nuestra infraestructura en torno a esa premisa. Creamos DOI para documentos. Vendemos colecciones de documentos. Medimos el impacto de las citas de los documentos.

El PDF era apropiado para su época: portátil, independiente de la plataforma y visualmente consistente. Supusimos que el conocimiento residía en el contenedor, y este era estable, portátil y suficiente.

Pero, como argumenté recientemente en «Información de investigación sobre el conocimiento como servicio» , la industria está pasando de una economía de acceso a una economía de respuestas. Esto plantea una pregunta urgente: si las «respuestas» son el nuevo producto, ¿cuál es la unidad esencial que realmente estamos empaquetando? No son documentos. Son algo más pequeño, más denso y computable.

En un mundo mediado por la IA, el PDF ya no es un vehículo de conocimiento. De hecho, a menudo es un obstáculo. Si los editores quieren ofrecer “respuestas” en lugar de “archivos”, necesitamos una unidad atómica de conocimiento diferente. Debemos pasar del artículo al objeto de conocimiento .

Por qué el PDF es un formato con “pérdida” de contexto

Cualquiera que haya intentado extraer información estructurada de un PDF conoce la experiencia. La figura que necesita está en la página 3. El título se encuentra justo debajo. El método que define las restricciones experimentales está oculto en la página 5. El conjunto de datos reside en un repositorio en otro lugar, con enlaces solo si tiene suerte. Y la procedencia, incluyendo el estado de revisión por pares, los roles de autoría y las licencias, es implícita o está dispersa en los campos de metadatos.

Los humanos pueden reconstruir esto porque la narrativa proporciona coherencia. Leemos la introducción, seguimos el argumento y reconstruimos las relaciones entre la afirmación y la evidencia a medida que avanzamos. Las máquinas pueden aproximarse a esto. Los modelos de visión-lenguaje extraen pistas espaciales de los diseños de página, y los modelos de lenguaje de línea (MLL) infieren relaciones estadísticamente del texto circundante, pero esta reconstrucción es probabilística, no determinista. El modelo adivina las conexiones basándose en asociaciones probabilísticas; no lee la estructura codificada explícitamente. Cuando esas inferencias son erróneas, pueden fallar silenciosamente. El resultado es una especie de compresión con pérdida: significado disperso en el espacio, relaciones críticas sin marcar y ninguna garantía de que lo que la máquina “entiende” coincida con la intención de los autores.

El resultado es predecible: valores alucinados, suposiciones incorrectas, diagramas malinterpretados, “respuestas” sintéticas construidas sin fundamento. Estos no son fallos de la capacidad de la IA, sino de la arquitectura del conocimiento . El rendimiento de la IA se degrada drásticamente cuando el contexto colapsa. Y el PDF, excelente para la lectura humana, es estructuralmente hostil a la preservación del contexto a escala de máquina.

La solución no son mejores PDF ni superposiciones de metadatos más sofisticadas. Se trata de una unidad de conocimiento fundamentalmente diferente, diseñada para la inferencia relacional , no para la narrativa lineal.

¿Qué es un objeto de conocimiento?

Si el PDF es un contenedor, el Objeto de Conocimiento es una molécula de conocimiento utilizable : un paquete autónomo que expresa una afirmación junto con su estructura de soporte. Tiene tres capas, cada una necesaria, ninguna suficiente por sí sola.

Capa 1: El Activo (el “Qué”).
El elemento clave en el núcleo: a menudo visual, a veces textual, siempre con una gran densidad interpretativa. Diagramas de circuitos. Estructuras cristalinas. Mapas de calor de expresión génica. Diagramas de flujo. En la era del PDF, estos son simplemente elementos en una página. En un mundo de objetos de conocimiento, son entidades digitales de primera clase: consultables, direccionables y con significado independiente al combinarse con su contexto.

Capa 2: El Contexto (el “Cómo” y el “Por qué”).
Aquí es donde los objetos adquieren significado , no solo información. Un Objeto de Conocimiento vincula el activo a su andamiaje interpretativo de forma explícita, semántica y legible por máquina.

El título importa, no como prosa, sino como metadatos estructurados que capturan restricciones, suposiciones y definiciones de variables. Los fragmentos de método importan, pero solo las partes relevantes para este recurso: condiciones de síntesis, reactivos, hiperparámetros, condiciones de contorno y enlaces a conjuntos de datos.

En un Objeto de Conocimiento, el título no está “cerca” de la figura en el espacio tipográfico; está adjunto, explícita y permanentemente. Las relaciones no se insinúan por proximidad; se codifican como parte de la estructura del objeto.

Capa 3: La Procedencia (el “Quién” y el “Cuándo”).
En un mundo impulsado por la IA, la confianza es la nueva escasez. Los Objetos de Conocimiento llevan su linaje internamente: el DOI del artículo original, los ORCID y los roles CRediT de los autores, los identificadores institucionales (ROR), los ID de concesión, el historial de versiones, los términos de licencia y el estado de revisión por pares como registro verificable.

Este linaje permite a los sistemas de IA justificar las respuestas, no solo generarlas. Cuando un modelo cita un Objeto de Conocimiento, propaga señales de confianza: esta estructura fue revisada por pares, estos autores tienen credenciales validadas, este conjunto de datos está disponible abiertamente. La procedencia no son metadatos decorativos; es el mecanismo por el cual las máquinas heredan el juicio humano.

Por qué la IA necesita objetos de conocimiento

Las máquinas pueden inferir el contexto estadísticamente. Un LLM adivinará qué representa una figura basándose en el texto circundante y los patrones en sus datos de entrenamiento, pero estas inferencias son probabilísticas, no fundamentadas. Para una IA, una figura sin pie de foto no carece de significado; está subespecificada .

Un LLM seguirá generando una interpretación, pero sin restricciones explícitas, dicha interpretación puede diferir silenciosamente de la intención del autor. Un método sin parámetros se convierte en una plantilla que el modelo completa con los datos de entrenamiento. Un conjunto de datos sin procedencia es utilizable, pero no verificable. El riesgo no es que las máquinas no procesen estos objetos, sino que los procesen con confianza y de forma incorrecta.

Los Objetos de Conocimiento transforman las relaciones implícitas en una estructura legible por máquina. Son autónomos, ricos en contexto, conscientes de la procedencia, con derechos claros, interoperables y listos para la inferencia , no solo para la recuperación. Este es el puente entre la búsqueda y la comprensión: de “encuéntrame un artículo sobre X” a “ayúdame a razonar si X se aplica al contexto Y”.

Consideremos tres ejemplos:

• Ingeniería : Una tarea de entrenamiento de modelos no requiere un artículo de 14 páginas sobre diseño de circuitos. Requiere un único objeto que contenga el diagrama de topología con sus ecuaciones reguladoras, restricciones operativas, parámetros ambientales, un conjunto de datos de validación y una cadena de procedencia que confirme la revisión por pares y la disponibilidad de los datos.
• Ciencia de Materiales: Un objeto de conocimiento sobre la estructura cristalina incluiría la imagen de la estructura, las condiciones de síntesis, los parámetros experimentales, los DOI del conjunto de datos para los datos de difracción sin procesar, enlaces al código de replicación y las afirmaciones de revisión por pares. Un científico de materiales que entrena un modelo predictivo necesita precisamente este paquete de estructura cristalina , no el artículo completo, sino las relaciones estructuradas entre la estructura, la síntesis y la validación.
• Biomedicina: Un investigador que consulta “Expresión de BRCA1 en cáncer de mama triple negativo” necesita un mapa de calor emparejado explícitamente con identificadores de reactivos, restricciones de métodos y metadatos versionados; no un artículo de 12 páginas donde la información relevante y las variables críticas están dispersas en tres secciones diferentes.

No se trata de fragmentos extraídos de documentos. Son unidades de conocimiento científico utilizable: los paquetes indivisibles más pequeños capaces de sustentar una inferencia válida.

La lucha que se avecina por la capa de contexto

Si las editoriales no definen ni proporcionan Objetos de Conocimiento, otros los reconstruirán de forma imperfecta, costosa y sin atribución. Esto ya está ocurriendo. Los creadores de modelos emplean multitud de anotadores para extraer figuras, analizar subtítulos mediante OCR y vincular manualmente métodos con resultados. Los equipos de I+D corporativos crean grafos de conocimiento propietarios a partir de contenido con licencia porque las conexiones estructuradas necesarias no están disponibles en formato comercial. Los motores de búsqueda generan respuestas sin procedencia, ocultando quién realizó qué trabajo y en qué condiciones.

El valor está cambiando de la propiedad del contenido a la gestión del contexto . Quien controla las relaciones (quién lo validó, qué métodos lo produjeron, los niveles de confianza) controla la respuesta. Los Objetos de Conocimiento son la forma en que los editores recuperan esa capa, no bloqueando el contenido tras muros de pago, sino convirtiéndose en la fuente autorizada de relaciones científicas verificadas y estructuradas .

La lógica económica es sencilla. Las empresas de IA pagan por datos de entrenamiento de alta calidad, pero se trata de una transacción estática y única. Investigadores, instituciones y corporaciones pagarán suscripciones continuas por capas de conocimiento confiables que resuelvan la crisis de verificación que no pueden resolver por sí solos. El modelo de Objeto de Conocimiento posiciona a los editores no como proveedores de materia prima, sino como guardianes del tejido conectivo que hace que la IA sea confiable.

Lo que se necesitaría en la práctica

Esto no requiere reconstruir todo de la noche a la mañana. El primer paso es conceptual: trate su contenido más valioso (cifras, conjuntos de datos, métodos) como productos de conocimiento de primera clase, no como subproductos de artículos.

Los desafíos operativos son reales, pero solucionables. Requieren cambios claros:

• Flujos de trabajo que capturan metadatos estructurados en el momento del envío, no como una ocurrencia posterior.
• Equipos de tecnología que exponen esa estructura a través de puntos finales utilizables y confiables.
• Estándares que permitan la interoperabilidad, no islas a medida.
• Los modelos de negocio están pasando de vender documentos a gestionar el contexto.

El manual para esta transición ya está surgiendo. Los componentes básicos existen actualmente en fragmentos: identificadores persistentes, esquemas de metadatos, API, marcos de derechos y estándares emergentes como el Protocolo de Contexto de Modelo , que ayudan a los sistemas de IA a descubrir y razonar sobre contenido estructurado.

Los detalles varían según la disciplina y el portafolio, pero el objetivo es claro: proporcionar conocimiento estructurado y contextualizado como un producto, y tratar el diseño de objetos de conocimiento como un programa estratégico continuo, no como un proyecto único.

La infraestructura del descubrimiento

El PDF se convirtió en la unidad académica en una época en la que los humanos leían linealmente y las máquinas no leían en absoluto. Se optimizó para un mundo donde el significado residía en la narrativa, donde la coherencia surgía del acto de leer y donde el principal reto de la distribución era hacer llegar los documentos a los escritorios de las personas. Ese mundo ya no existe.

El sucesor del PDF no será simplemente un formato multimedia más rico, como el vídeo o el código ejecutable. Debe ser algo más fundamental. Los Objetos de Conocimiento son la unidad de conocimiento utilizable en una nueva realidad: una donde humanos y máquinas razonan juntos ; donde la IA descubre patrones que los humanos pasarían por alto; donde los investigadores consultan grafos de conocimiento en lugar de buscar PDF por palabras clave; y donde la confianza no depende del prestigio de la revista, sino de la procedencia rastreable. Ya sea texto, código o vídeo, el Objeto de Conocimiento proporciona el tejido conectivo que lo hace computable.

Si la era anterior se centró en el acceso , abriendo puertas para que todos pudieran leer, la próxima se centrará en el contexto : preservar y distribuir las relaciones que dan sentido a la lectura. La infraestructura para esto ya existe en fragmentos (identificadores, metadatos, gráficos y flujos de trabajo). Lo que falta es el compromiso estratégico de tratar el conocimiento estructurado y relacional como el producto, no como un efecto secundario de la producción de artículos.

Comenzamos preguntando sobre la unidad fundamental del conocimiento de investigación. En la era del PDF, el documento servía como un proxy viable, ya que los humanos podían reconstruir el contexto al leer. En la economía de las respuestas, dicha reconstrucción debe ser explícita. Las afirmaciones necesitan su contexto de apoyo y su procedencia rastreable, adjuntas en un formato que las máquinas puedan usar de forma determinista, no de forma probabilística.

Los Objetos de Conocimiento son esa unidad. La era del Acceso se preguntaba: ¿Puede todo el mundo leerlo? La era de las Respuestas se pregunta: ¿Pueden las máquinas razonar con él? Las editoriales que respondan a esta pregunta definirán no solo la forma en que se comunica la investigación académica, sino también la infraestructura misma del descubrimiento.

Steven D. Smith, doctor en filosofía, es el fundador de STEM Knowledge Partners y consultor independiente. El autor agradece a Philip Carpenter, Ben Kaube, Bill Trippe y Jonathan Woahn sus comentarios sobre versiones anteriores de este artículo.

Fuente: https://www.researchinformation.info/analysis-opinion/after-the-pdf-a-new-unit-of-knowledge-for-the-ai-era/