La cobertura informativa de pequeñas comunidades plantea un problema recurrente para los medios locales: buena parte de las noticias que afectan directamente a sus habitantes se encuentra dispersa entre numerosas fuentes de difícil seguimiento. Actas de reuniones municipales, calendarios escolares, páginas de asociaciones, redes sociales y comunicaciones de organismos públicos contienen información potencialmente relevante, pero localizarla, examinarla y determinar su interés periodístico exige una dedicación considerable. La inteligencia artificial empieza a utilizarse para automatizar parte de ese trabajo de búsqueda, sin sustituir las decisiones editoriales sobre qué merece convertirse en noticia.
Para ayudar a gestionar estas dificultades, el diario estadounidense The Philadelphia Inquirer ha desarrollado Scrape, una herramienta de inteligencia artificial diseñada para identificar posibles noticias en fuentes hiperlocales y facilitar la elaboración de sus boletines informativos dirigidos a comunidades concretas del área de Filadelfia. El sistema permite transformar información dispersa en propuestas de cobertura que los periodistas pueden evaluar, seleccionar y desarrollar, reduciendo el tiempo dedicado a revisar fuentes y descartar contenidos irrelevantes.
La experiencia ha sido documentada por el Lenfest Institute for Journalism. El proyecto partió de una necesidad muy concreta: uno de los editores del periódico dedicaba aproximadamente 12 horas semanales a localizar informaciones para los boletines locales, lo que limitaba el tiempo disponible para redactar y trabajar en el enfoque editorial de las publicaciones.
De la búsqueda manual a un sistema de detección de noticias
El desarrollo de Scrape estuvo dirigido por Kevin Hoffman, especialista en inteligencia artificial incorporado a la redacción a través del programa del Lenfest Institute. En lugar de comenzar con una solución tecnológica general, el equipo tomó como referencia el procedimiento que ya utilizaba el editor responsable de los boletines. La herramienta se diseñó para resolver una necesidad concreta de la redacción, no como un experimento tecnológico independiente de su trabajo cotidiano.
Este periodista había elaborado una lista de fuentes locales y preparaba manualmente documentos diarios con posibles noticias. Hoffman convirtió ese trabajo previo en el punto de partida para desarrollar y evaluar el sistema. Cada día, Scrape analizaba las fuentes seleccionadas y generaba un resumen con informaciones potencialmente relevantes, que posteriormente se comparaba con el elaborado por el periodista.
Durante tres o cuatro meses, el editor proporcionó observaciones prácticamente cada dos días. Identificaba qué propuestas resultaban útiles, cuáles carecían de interés y qué informaciones relevantes habían quedado fuera. La mejora de la herramienta dependió de incorporar progresivamente el criterio periodístico del editor a las instrucciones utilizadas por la inteligencia artificial.
Este proceso permitió reducir la presencia de contenidos rutinarios que inicialmente aparecían entre las propuestas, como cambios menores en horarios de reuniones, cortes habituales de carreteras o promociones recurrentes de actividades. El objetivo era que el sistema distinguiera mejor entre información disponible e información con auténtico interés para los lectores.
La importancia de conocer a los lectores de cada comunidad
Uno de los principales aprendizajes del proyecto fue que establecer una delimitación geográfica no bastaba para identificar noticias relevantes. Las comunidades atendidas por The Philadelphia Inquirer presentan necesidades informativas diferentes, incluso cuando están relativamente próximas.
Por ello, el periódico comenzó a incorporar a Scrape descripciones editoriales específicas para cada boletín. Estas incluyen las características de sus lectores, los municipios y distritos escolares de interés, los asuntos que deben seguirse y los límites territoriales y temáticos de la cobertura. El sistema pasó de buscar noticias sobre un territorio a identificar informaciones relevantes para una audiencia concreta, con intereses y necesidades definidos por los editores.
En el caso del boletín de Chester County, por ejemplo, las instrucciones contemplan información sobre administraciones municipales, decisiones de las autoridades estatales con repercusión local y acontecimientos que afectan a la vida cotidiana, como aperturas de restaurantes o establecimientos comerciales. También especifican qué contenidos deben excluirse, entre ellos determinadas noticias económicas generales o cambios de personal en empresas sin relevancia para la comunidad.
Hoffman explica que las instrucciones no solo indican qué asuntos interesan a una comunidad, sino también qué zonas deben quedar fuera de la cobertura, cuáles son los distritos escolares pertinentes y qué perspectivas pueden resultar más próximas a los destinatarios de cada boletín. Los propios periodistas son quienes definen y perfeccionan esos criterios, de manera que la selección automatizada responde a las prioridades editoriales de cada publicación.
Una herramienta utilizada ya por cerca de veinte periodistas
Lo que comenzó como un experimento limitado se ha convertido en una herramienta habitual del trabajo editorial del periódico. Según el balance publicado por el Lenfest Institute, Scrape se utiliza para apoyar la elaboración de seis boletines hiperlocales, con la previsión de ampliar su aplicación a ocho. Cerca de veinte periodistas de la redacción siguen ya las informaciones que genera.
El sistema produce resúmenes de posibles noticias que llegan a los equipos editoriales por correo electrónico. A partir de ellos, los periodistas deciden qué asuntos merecen seguimiento, comprobación o desarrollo. La herramienta no sustituye la elaboración periodística de las informaciones, sino que facilita la detección de asuntos que podrían pasar inadvertidos entre numerosas fuentes locales.
El Lenfest Institute considera que esta integración está contribuyendo a que el equipo local pueda atender la demanda de sus boletines sin incrementar proporcionalmente la carga de trabajo. Sin embargo, el estudio no aporta una medición precisa del tiempo efectivamente ahorrado tras la implantación ni datos que permitan atribuir mejoras de audiencia o suscripciones directamente a Scrape.
Las dificultades de extender el modelo a más territorios
El desarrollo también puso de manifiesto limitaciones técnicas y organizativas. Una de las principales fue la dificultad de trasladar una solución inicialmente concebida para un editor y una zona geográfica a un conjunto más amplio de publicaciones.
En sus primeras versiones, Scrape recopilaba información relativa a un territorio determinado y después aplicaba instrucciones generales para decidir qué contenidos podían tener interés periodístico. Este procedimiento funcionaba de manera razonable para un número reducido de boletines, pero perdió eficacia cuando se intentó extender a otras comunidades. La solución fue reorganizar el sistema alrededor de las necesidades editoriales de cada boletín, en lugar de utilizar únicamente criterios territoriales.
Otra dificultad estuvo relacionada con los costes. Examinar numerosas fuentes pequeñas y dispersas puede requerir un volumen considerable de búsquedas y procesamiento mediante inteligencia artificial. El equipo comprobó que las instrucciones dadas a los modelos podían modificar tanto la profundidad de la búsqueda como los recursos necesarios para realizarla.
Hoffman considera que habría sido conveniente establecer desde el principio límites más explícitos sobre los costes asumibles y el nivel de calidad esperado. La experiencia mostró que la viabilidad de estos sistemas depende tanto de la precisión de sus resultados como del coste de mantener un seguimiento constante de numerosas fuentes. Esta conclusión llevó al equipo a revisar las instrucciones y la arquitectura de funcionamiento de la herramienta.
Un modelo de aplicación para otras redacciones locales
El caso de The Philadelphia Inquirer permite identificar algunas condiciones para aplicar este tipo de sistemas a la producción periodística.
La primera es partir de una tarea real y cuantificable, realizada previamente por periodistas, en lugar de desarrollar una herramienta de inteligencia artificial sin una necesidad editorial definida.
La segunda consiste en aprovechar los materiales que ya produce la redacción, como listas de fuentes, propuestas de cobertura y boletines anteriores, para establecer criterios de evaluación. En el caso de Scrape, estos documentos sirvieron para comparar los resultados automáticos con el trabajo humano. Disponer de ejemplos reales de lo que los periodistas consideran noticia permite evaluar la herramienta con criterios editoriales verificables, en lugar de limitarse a comprobar su funcionamiento técnico.
La tercera es mantener un procedimiento continuo de revisión editorial. El sistema no se consideró terminado después de su primera versión, sino que fue ajustándose mediante observaciones periódicas de los periodistas sobre la utilidad de sus resultados.
La experiencia también muestra que la aplicación de inteligencia artificial a la búsqueda de noticias locales requiere trasladar al sistema conocimientos que normalmente permanecen en la experiencia de los editores: qué fuentes son fiables, qué asuntos preocupan a los lectores, qué información es rutinaria y dónde se encuentran los límites de cada cobertura.
El proyecto se inscribe en una trayectoria más amplia de The Philadelphia Inquirer en la incorporación de inteligencia artificial al seguimiento de la información local. El diario también ha desarrollado Scribe, una herramienta destinada a examinar reuniones públicas municipales y escolares, resumir sus contenidos e identificar asuntos de posible interés periodístico.
Scrape amplía esta estrategia al seguimiento de fuentes hiperlocales más diversas, con una función delimitada: aumentar la capacidad de la redacción para descubrir posibles noticias sin automatizar la decisión final sobre su publicación. El caso ilustra una aplicación de la inteligencia artificial centrada en el trabajo previo a la producción de noticias, una fase especialmente exigente para las redacciones locales que deben cubrir numerosos municipios y comunidades con recursos limitados.
