Preguntas que encuentran

La biblioteca ardió cuando Nínive cayó, en 612 a.C. … y el incendio coció las tablillas y las conservó. Gracias a ese desastre podemos leer hoy el poema de Gilgamesh. La arcilla ya salía bien parada en el ala de los signos; aquí demuestra además que sobrevive a sus propias bibliotecas.

A muchos eruditos medievales les parecía casi impío ordenar el saber por la letra en lugar de por su jerarquía, que empezaba en Dios y bajaba. Ordenar la teología como quien ordena una lista de la compra era una falta de respeto al orden del mundo. Cuando ordenas tus archivos por nombre estás usando una tecnología que costó siglos de discusión teológica.

Para que las referencias sirvieran de algo hubo que inventar antes una forma de nombrar un sitio exacto dentro del texto: el capítulo y el versículo. La división en capítulos que todavía usamos se atribuye a Stephen Langton, del mismo París y de apenas una generación antes. Sin coordenadas no hay índice: primero hay que poder decir «aquí».

«Índice» viene del latín index, el dedo que señala: el índice de un libro y el índice de tu mano son la misma palabra porque hacen el mismo trabajo. Y tardó en cuajar: muchos incunables se imprimieron todavía sin numerar las páginas, con el índice remitiendo a la primera palabra de la hoja en lugar de a un número.

Gessner era sobre todo naturalista —su Historia animalium es de las grandes obras del siglo XVI— y para él catalogar el saber era otra rama de la historia natural: clasificar libros o clasificar animales, el mismo oficio. Murió de peste a los 49 años mientras seguía trabajando en el catálogo.

La instrucción no solo decía dónde escribir, decía cómo: copiar el título tal como aparece, con sus mayúsculas, y añadir formato, materia y estado de conservación. Es la primera norma de descripción bibliográfica, y su descendiente directo es el formato con el que hoy dos bibliotecas de países distintos intercambian catálogos sin hablar el mismo idioma.

Mira el reparto: de las diez clases, una entera es para religión, y de sus cien divisiones unas ochenta son cristianismo; todas las demás religiones del planeta caben en el 290-299. El orden nunca es neutral: lo escribe alguien, desde algún sitio y en algún año. Y el propio Dewey acabó expulsado de la asociación de bibliotecarias y bibliotecarios que él había fundado por acosar a sus compañeras: en 2019 la profesión le quitó su nombre a su medalla más importante.

En 1934 dibujó su mondothèque: una mesa de trabajo con pantallas para consultar el fichero a distancia y saltar de un documento a otro. Sesenta años antes de la web, y sin electrónica que lo hiciera posible. El final es amargo: el Mundaneum fue desalojado, parte de sus salas se usaron para exponer arte del Tercer Reich y miles de fichas acabaron en la basura. Lo que se salvó está hoy en Mons, y se puede visitar.

Bush había dirigido la investigación militar estadounidense durante la guerra, con miles de científicos a su cargo, y escribió el artículo preguntándose qué hacer con toda esa capacidad en tiempos de paz. Lo leyeron de jóvenes dos personas decisivas: Douglas Engelbart, que acabó inventando el ratón, y Ted Nelson, que en 1965 puso nombre a la idea —hipertexto— y arrancó Xanadu, un proyecto con enlaces de ida y vuelta que la web todavía no tiene.

El sistema se llevaba en fichas grandes, una por término, con los números de documento anotados en columnas. Para cruzar dos términos se ponían las dos fichas una al lado de la otra y se buscaban los números repetidos con la vista: un JOIN a ojo, con el dedo de guía. A los bibliotecarios clásicos les pareció una degradación —sin vocabulario controlado, cada uno etiqueta como quiere— y en eso no se equivocaban: es el mismo debate que hoy tenemos con las etiquetas de cualquier red social.

Esto ya se había inventado con papel: el códice del siglo IV cambió el rollo por hojas cosidas precisamente para poder abrir por la página 128 sin rebobinar. La informática empezó con cintas, o sea con rollos, y tardó otros mil quinientos años en recuperar el acceso aleatorio. Casi todos los inventos de este museo son la segunda vez que alguien tiene la misma idea.

Garfield copió la idea de un índice jurídico del siglo XIX que servía para saber si una sentencia seguía en vigor o la había tumbado otra posterior. Y la criatura se le escapó: el «factor de impacto», que él inventó como herramienta para decidir qué revistas indexar, acabó usándose para evaluar personas —contratos, plazas, sexenios— y pasó el resto de su vida protestando contra ese uso. Todo ranking acaba convirtiéndose en el objetivo de alguien.

Codd venía de la lógica matemática, y su álgebra —seleccionar filas, proyectar columnas, combinar tablas— es teoría de conjuntos aplicada a la contabilidad. Y era un hombre de principios incómodos: cuando IBM sacó SQL le pareció que se apartaba de su modelo, y publicó una lista de doce reglas (trece, contando la número 0) para decidir si un sistema era relacional de verdad. Casi ningún producto de la época las cumplía. Casi ninguno de hoy tampoco.

Se llamaba SEQUEL, y hubo que cambiarle el nombre porque una empresa aeronáutica británica ya tenía registrada la marca. De ahí las tres letras… y de ahí que media profesión lo pronuncie «síquel» y la otra mitad «ese-cu-ele», discusión que lleva cincuenta años sin resolverse y que no va a resolverse aquí.

Ingres se distribuía por correo, en cinta magnética, a cambio de poco más que el coste del soporte. Aquella costumbre de universidad —te mando el código y haz con él lo que quieras— acabó siendo una de las grandes normas de la industria. Cuando instalas PostgreSQL estás usando la descendiente de una cinta que salía de Berkeley por unos dólares.

Bricklin lo imaginó en una clase de gestión en Harvard, viendo al profesor borrar y recalcular a mano una tabla en la pizarra: si cambiaba un número, había que rehacerlo todo. Y no pudo protegerlo: en 1979 el software apenas se patentaba en Estados Unidos, así que Lotus 1-2-3 copió la idea y en tres años se llevó el mercado. El invento que creó una industria no dio ni para conservar la empresa que lo hizo.

Emtage lo escribió porque estaba harto de buscar programas a mano para sus compañeros: era una herramienta doméstica que se le fue de las manos. Decidieron no patentarlo, y él ha contado sin ningún drama que no ganó dinero con el primer buscador de internet, porque en 1990 a nadie se le ocurría que internet pudiera ser un negocio. Los buscadores que vinieron detrás se llamaron Veronica y Jughead: todos, chistes sobre el mismo cómic.

AltaVista no era un negocio: era un escaparate técnico para demostrar lo rápidos que eran los servidores Alpha de DEC. Nadie en la empresa pensó que el buscador fuera el producto. La web tenía cuatro años y ya no se podía leer entera; la respuesta fue mirarla con una máquina, y a partir de ahí ya nunca hemos visto internet directamente: la vemos siempre a través de un índice que alguien construye.

La iteración tiene una lectura muy visual: la puntuación de una página es la probabilidad de que alguien que va pulsando enlaces al azar acabe allí. Y el nombre de la empresa es una errata: querían escribir gúgol, el número 1 seguido de cien ceros. La patente quedó a nombre de la Universidad de Stanford, que años después vendió sus acciones por cientos de millones: el mayor beneficio económico de la historia de una oficina de transferencia tecnológica.

En Wikipedia la página de discusión es tan interesante como el artículo: ahí se ve cómo se negocia un hecho. Y hay una asimetría que da vértigo: casi todos los modelos de lenguaje se han entrenado con Wikipedia, y a la vez la gente entra menos porque ya se lo cuenta el chatbot. El pozo del que todos beben se está quedando sin quien lo llene, y ese es hoy uno de los problemas abiertos de este museo.

Google publicó los artículos con todo el diseño, pero no el código. Una comunidad los reimplementó desde cero y de ahí salió Hadoop, que sostuvo el big data de toda una década. Publicar la idea y guardarse el código acabó creando la competencia: la mayoría de las empresas que usaron Hadoop nunca pagaron nada a Google, pero tampoco habrían sabido qué construir.

De aquí salió la etiqueta «NoSQL», que es un nombre malísimo: no dice qué hacen esas bases de datos, solo qué no son. Y tiene un final irónico: quince años después casi todas han acabado añadiendo un lenguaje de consultas… parecido a SQL. Resulta que la gente quería seguir preguntando igual.

El concurso acabó en un problema de privacidad de manual. Dos investigadores demostraron que cruzando las valoraciones «anónimas» con las públicas de IMDb se podía identificar a personas concretas —y con ellas, lo que veían—. Netflix canceló la segunda edición tras una demanda. La lección vale para cualquier conjunto de datos: anonimizar es mucho más difícil de lo que parece, porque nadie tiene tus mismos gustos.

Shazam no compara la canción: compara una huella, unos pocos picos de frecuencia colocados en el tiempo, que sobreviven al ruido de un bar y a un altavoz malo. Es el mismo truco que la función resumen del ala de los signos: reducir algo enorme a algo diminuto que sirva para comparar. Cuando entiendes un truco, lo empiezas a ver en todas partes.

La idea es vieja y es de lingüistas: «una palabra se conoce por la compañía que tiene» (Firth, 1957). Y arrastra un problema conocido: los primeros embeddings colocaban «enfermera» cerca de «mujer» y «programador» cerca de «hombre», porque eso es lo que decían los textos con los que se entrenaron. Es el sesgo de Dewey otra vez, con una diferencia incómoda: ahora nadie lo ha escrito a mano y no hay una tabla que se pueda corregir.

La alucinación no es una avería: es la consecuencia de cómo funciona. El modelo produce lo que suena bien, y la mayoría de las veces lo que suena bien es verdad —lo justo para que confiemos—. Y hay un problema de fondo del que se habla poco: si todos preguntamos al modelo y nadie visita la fuente, ¿quién escribirá la fuente de la que aprenda el modelo siguiente?