Cómo la IA sintetiza fuentes y cita en APA/MLA/Chicago

Paso uno: recuperar el documento correcto, no adivinarlo

Todo empieza con la búsqueda, no con la redacción. El sistema convierte la pregunta del investigador —hecha en lenguaje natural, como se le hablaría a un colega— en consultas especializadas contra las fuentes conectadas a la biblioteca: catálogo, repositorio institucional, revistas propias en OJS, bases de datos suscritas y agregadores académicos abiertos. El resultado de ese paso es un conjunto de documentos reales, con sus metadatos completos —autor, título, año, publicación, DOI cuando existe—, y no un texto generado a partir de lo que el modelo recuerda haber leído durante su entrenamiento.

Esta es la técnica que en la literatura técnica se conoce como retrieval-augmented generation (RAG, generación aumentada por recuperación): en vez de que el modelo responda directamente desde su memoria parametrizada, primero se le entrega el texto real del documento y se le pide que trabaje sobre eso. La evidencia de investigación sobre esta técnica es consistente en que reduce sustancialmente la fabricación de citas frente a un modelo sin recuperación, porque ancla cada afirmación a un texto que existe. También es honesta en su límite: no la elimina del todo, porque el sistema puede malinterpretar o distorsionar el contenido de una fuente incluso cuando la tiene delante, sobre todo si el documento es largo o la pregunta es ambigua. Por eso la recuperación es una condición necesaria para una síntesis confiable, pero no una garantía absoluta.

Paso dos: extracción de puntos clave, no un resumen genérico

Con el documento recuperado, el siguiente paso es identificar qué partes responden a la pregunta del investigador: el problema que plantea el artículo, la metodología, los hallazgos principales, las limitaciones que el propio autor reconoce y, cuando aplica, cómo se relaciona con otras fuentes recuperadas en la misma búsqueda. No es un resumen de todo el documento por igual —eso ya lo hace, de forma mucho más pobre, el resumen que trae la propia publicación—, sino una lectura orientada a la pregunta concreta que se está investigando.

Esta orientación es lo que distingue un resumen útil de uno decorativo. Si la pregunta es sobre metodologías de evaluación, el sistema debe priorizar esa sección del artículo aunque no sea la más extensa; si la pregunta es sobre resultados, debe priorizar la sección de hallazgos. Ese ajuste de foco es, en la práctica, la diferencia entre un asistente que ahorra tiempo real y uno que solo reformula el abstract.

Paso tres: la síntesis a la medida

El asistente ofrece distintos niveles de profundidad, porque no todo momento de una investigación necesita lo mismo. En una fase exploratoria, cuando el investigador todavía está decidiendo qué tan amplio es su tema, sirve un resumen breve por documento que permita descartar rápido lo que no aplica. En una fase de escritura, cuando ya se seleccionaron las fuentes que van a citarse, sirve una síntesis más detallada, que compare posturas entre varios documentos o identifique dónde hay consenso y dónde hay tensión en la literatura. El nivel de detalle lo elige el usuario según en qué punto de su revisión se encuentra, no el sistema por defecto.

Cuando la pregunta involucra varias fuentes a la vez, el asistente puede además señalar coincidencias y diferencias entre ellas: qué autores llegan a conclusiones similares, cuáles se contradicen, y qué vacío queda sin cubrir en el conjunto de lo recuperado. Esa lectura cruzada es, en rigor, el corazón de lo que significa hacer una revisión de literatura, y es la parte del trabajo que más tiempo consume cuando se hace a mano documento por documento.

Paso cuatro: la cita automática en APA, MLA y Chicago

Una vez identificada la fuente, generar la referencia es, en principio, un problema mecánico: tomar los metadatos del documento —autor, año, título, publicación, editorial, DOI o URL— y darles el formato que exige cada estilo. El sistema produce automáticamente la cita en los tres formatos más usados en el mundo académico:

• APA (7.ª edición, vigente desde 2019 y todavía la versión de referencia en 2026), con formato autor-año en el texto y exigencia de DOI cuando el documento lo tiene. Es el estilo dominante en psicología, educación, ciencias de la salud y ciencias sociales en general, y su énfasis está en la vigencia de la publicación.
• MLA (9.ª edición, publicada en 2021), con formato autor-página en el texto y su sistema de «contenedores», que permite citar de forma flexible fuentes no tradicionales —capítulos dentro de libros, artículos dentro de revistas, contenido dentro de plataformas—. Es el estilo habitual en literatura, lenguas modernas y humanidades, y su énfasis está en la localización exacta del pasaje citado.
• Chicago, con sus dos sistemas —notas al pie o al final, y autor-fecha—, usado sobre todo en historia, artes y publicaciones editoriales. El sistema aplica el que la institución o la revista de destino requiera.

El punto que vale la pena subrayar es que la exactitud de la cita depende por completo de que los metadatos de origen sean correctos. Si el documento recuperado tiene un metadato mal cargado —un año equivocado, un autor incompleto—, la cita generada hereda ese error, con el formato correcto pero el dato incorrecto. Es la misma razón por la que, en los proyectos que hacemos, insistimos en que la calidad de los metadatos del repositorio y del catálogo no es un detalle técnico secundario: es la base sobre la que se sostiene cualquier capa de IA que se construya encima, incluida la de citación automática.

Qué revisión humana sigue siendo necesaria

Conviene ser explícitos, porque no hacerlo sería vender el servicio por encima de lo que puede sostener. Que una cita se genere automáticamente a partir de un documento real reduce el riesgo de fabricación frente a una IA genérica, pero no elimina la necesidad de tres verificaciones que siguen siendo responsabilidad del investigador:

• Que la fuente sea efectivamente pertinente para el argumento que se está construyendo, y no solo que coincida por palabras clave con la pregunta de búsqueda.
• Que el resumen represente fielmente lo que el documento original dice, especialmente en artículos largos o con hallazgos matizados, donde una síntesis automática puede simplificar de más.
• Que la cita generada se lea antes de incluirla en el trabajo final. Lo que se cita en un texto académico debe haberse leído; el asistente reduce cuánto hay que leer para decidir qué merece esa lectura completa, no sustituye la lectura de lo que finalmente se usa.

Cuando lo implementamos para una universidad, esta expectativa se incluye desde la capacitación inicial a estudiantes e investigadores: el asistente acelera el cribado y la síntesis, pero la responsabilidad académica sobre lo que se publica sigue siendo del autor, igual que si hubiera usado un gestor bibliográfico tradicional para armar sus referencias.

Por qué esto depende de tener un metabuscador conectado

Todo el mecanismo descrito —recuperación, extracción, síntesis, citación— depende de un primer requisito que suele pasarse por alto: que exista un índice real de las fuentes de la institución contra el cual buscar. Sin eso, no hay nada que recuperar y el sistema vuelve a comportarse como una IA genérica que responde desde su memoria. Por eso el asistente de investigación va integrado con BiblioMeta Académico, nuestro metabuscador para universidades, que unifica catálogo, repositorio, revistas OJS y bases suscritas en un solo índice consultable. Si tu biblioteca todavía no tiene esa capa de descubrimiento consolidada, ese es el paso previo antes de activar la síntesis y la citación automática; puedes revisar qué es un asistente de investigación con IA y cómo funciona en general en este artículo.

Nosotros implementamos las dos capas juntas —el metabuscador y el asistente de síntesis y citación— precisamente porque una sin la otra deja el servicio a medias: un metabuscador sin síntesis sigue exigiendo que el usuario lea todo a mano, y un asistente sin metabuscador no tiene de dónde leer con confianza.