Usa la IA para verificar la continuidad de los personajes en novelas
En una novela extensa, utiliza la IA como un detector de contradicciones a partir de una referencia de personajes breve y fechada, no como la autoridad sobre el canon. Mantén una única fuente de verdad, registra los datos con su alcance y sus evidencias, y pide al modelo que compare un pasaje específico del borrador solo con las entradas pertinentes. Revisa cada alerta antes de modificar el manuscrito. Este flujo de trabajo te ayuda a detectar errores de continuidad a la vez que preserva cambios intencionados, narraciones poco fiables y cuestiones no resueltas.
Por qué una ficha de personaje necesita más que una lista de rasgos
Una lista simple como «Mara es cautelosa, zurda y colecciona postales» mezcla diferentes tipos de información. «Zurda» puede ser un dato inmutable; «cautelosa» es una interpretación que puede variar según la situación; y su colección de postales podría cambiar a lo largo de la historia. Si la lista no especifica cuándo y cómo se aplica cada afirmación, un verificador de IA puede calificar una evolución significativa del personaje como un error, o pasar por alto un problema real de continuidad.
Estructura la referencia en torno a afirmaciones que puedan comprobarse. Para cada una, registra el personaje, la afirmación, su alcance temporal o de escena, y de dónde procede. Añade un estado como confirmado, previsto, incierto o reemplazado. Distingue lo que es un hecho en la historia de lo que un personaje cree, dice, recuerda o cuenta a otra persona. Esas categorías no son intercambiables.
Mantén entradas atómicas: una sola afirmación por fila. «Mara tiene 32 años, es zurda, cautelosa y tiene una bicicleta azul» resulta difícil de comprobar o actualizar de forma segura. Separar las afirmaciones garantiza que modificar su edad no sobrescriba accidentalmente si es zurda o un detalle de propiedad pendiente de resolver.
Un flujo de trabajo práctico para verificar una nueva escena
1. Congela el pasaje del borrador y recupera el canon relevante.
Antes de solicitar una comprobación, define qué versión del manuscrito estás revisando. Extrae las entradas de personajes pertinentes para el pasaje: detalles físicos utilizados en la escena, posesiones actuales, relaciones, conocimientos, ubicación y línea temporal. Incluye hechos anteriores solo si la escena depende de ellos. No envíes una novela entera en un prompt indiferenciado asumiendo que el modelo detectará cada restricción.
Esta precaución tiene base científica, pero sus limitaciones son importantes. El artículo de 2023 de Liu y colaboradores, [«Lost in the Middle: How Language Models Use Long Contexts»](https://arxiv.org/abs/2307.03172), describe experimentos en los que los modelos evaluados solían utilizar la información relevante con menor fiabilidad cuando aparecía en medio de entradas extensas que cuando se situaba cerca del principio o del final. Este hallazgo no es una prueba directa sobre la continuidad narrativa, ni determina cómo se comportará un modelo actual concreto. Sin embargo, respalda una decisión práctica sensata: recuperar y reformular los datos relevantes cerca de la pregunta en lugar de depender únicamente de un contexto amplio.
2. Pide comparaciones, no una corrección de estilo general.
Proporciona al modelo el fragmento de la escena y las entradas pertinentes del canon. Pídele que señale únicamente conflictos directos, que cite las líneas exactas de ambas partes y que explique si la discrepancia podría tratarse de un cambio deliberado, una creencia del personaje dentro de la historia o una diferencia temporal. Exige la respuesta «no se encontraron conflictos» cuando no pueda señalar una evidencia específica. Un prompt útil es:
«Compara el fragmento con las siguientes entradas del canon. Devuelve una tabla con: afirmación del canon y fuente, texto exacto del fragmento, tipo de conflicto, nivel de confianza y una pregunta para el autor. Señala únicamente afirmaciones incompatibles dentro del mismo marco temporal y punto de vista. Separa las contradicciones directas de la ambigüedad y de la posible evolución del personaje. No reescribas la escena ni inventes datos ausentes. Si la evidencia es insuficiente, indica 'incierto'».
Este es un procedimiento editorial propuesto, no una garantía de que el modelo seguirá las instrucciones con total exactitud. La [guía de ingeniería de prompts](https://developers.openai.com/api/docs/guides/prompt-engineering) de OpenAI recomienda especificar la tarea con claridad y organizar la entrada; dicha documentación ofrece pautas de redacción de prompts, no una certeza de que las respuestas serán exhaustivas o correctas. Considera la comparación como una lista de pistas que debes contrastar con el manuscrito.
3. Clasifica las alertas antes de revisar.
Para cada alerta, examina las escenas citadas y clasifícala. Una decisión práctica en cuatro categorías es:
No aceptes una corrección generada por IA sin comprobar la escena circundante. Una sugerencia que modifica un dato puede introducir una segunda contradicción; por ejemplo, cambiar un detalle de atrezo en una escena podría alterar la línea temporal en otra parte. Una vez que elijas una corrección, actualiza el manuscrito y la referencia al mismo tiempo, y luego vuelve a verificar las escenas posteriores afectadas.
Ejemplo práctico: un cuaderno cambia de color
Supongamos que la referencia confirmada dice: «Mara lleva un cuaderno de bolsillo color añil en los capítulos 2 a 12». En el borrador del capítulo 13, saca un cuaderno verde de su bolso y lee una anotación de la semana anterior. El verificador debería citar ambos pasajes y preguntar si se trata del mismo cuaderno, de un reemplazo o de una discrepancia intencionada en lo que percibe otro personaje. No debería declarar una contradicción basándose únicamente en que aparecen dos colores distintos.
El autor revisa el manuscrito. Si en el capítulo 12 Mara compra una funda verde para el cuaderno añil, la diferencia aparente tiene explicación, aunque el lector podría necesitar un pequeño indicio en el capítulo 13. Si no hay cambio de funda y la anotación antigua no puede estar en un segundo cuaderno, el borrador podría contener un error real de continuidad. El autor puede cambiar «verde» por «añil», añadir una escena justificada de cambio de cuaderno o decidir que el personaje cogió un cuaderno distinto; cada opción tiene consecuencias para los pasajes cercanos.
La prueba decisiva es si las afirmaciones hacen referencia al mismo objeto, en el mismo momento temporal y desde el mismo punto de vista. Si algún elemento queda sin resolver, márcalo como una pregunta pendiente. Un modelo puede señalar las dos frases, pero el autor es quien decide qué cuaderno existe en la historia y actualiza la referencia solo después de haber tomado esa decisión.
Control de revisiones: haz que el cambio en el canon sea rastreable
Tras resolver una alerta, registra la decisión editorial junto a la afirmación correspondiente: qué cambió, qué capítulo lo respalda y si las referencias anteriores quedan sin efecto. Conserva una versión previa o una nota fechada siempre que ayude a explicar por qué otras escenas aún podrían contener el detalle anterior. A continuación, busca en el manuscrito a ese personaje y el detalle relevante —como cuaderno, funda, añil o verde— y revisa cada aparición en su contexto. Una búsqueda literal puede detectar términos que la IA pasó por alto, aunque no pueda determinar si cada uso es coherente narrativamente.
Vuelve a realizar la comprobación sobre el fragmento corregido y sobre cualquier escena afectada por el cambio. Evita pedirle al modelo que edite de forma autónoma la ficha del canon: primero revisa la modificación propuesta y luego aplícala tú mismo o mediante un control estructurado de versiones del documento. Si utilizas un espacio de trabajo o una función de gestión documental, verifica sus instrucciones oficiales actuales antes de confiar en un comportamiento concreto de almacenamiento o recuperación; el método de continuidad funciona en un documento de texto simple y no depende de ninguna plataforma específica.
Límites: lo que la IA puede y no puede determinar
Un modelo puede comparar el texto que le proporciones, sugerir pasajes para inspeccionar y ayudarte a estructurar un informe de coherencia. No puede decidir cuál es el canon que pretendes a partir de borradores contradictorios a menos que resuelvas el conflicto. Puede pasar por alto un detalle, interpretar mal una cronología, confundir el subtexto con un hecho real o producir una explicación verosímil pero sin fundamento. Las investigaciones sobre contextos extensos son una de las razones para no considerar que «haber incluido el libro entero» demuestre que cada frase relevante fue tomada en cuenta; no obstante, esto tampoco significa que todos los sistemas fallen al procesar manuscritos largos.
El autor sigue siendo el responsable del canon, la voz y el significado. Emplea la salida de la IA como un registro de auditoría: cada posible contradicción debe remitir a pasajes concretos, cada corrección aceptada debe contar con una justificación explícita y los elementos no resueltos deben permanecer claramente identificados como tales. En una novela extensa, esta disciplina metódica resulta más fiable que pedirle al modelo que recuerde los datos de los personajes de forma implícita a lo largo de los capítulos.