María Jesús Zamora Calvo*
La irrupción de la Inteligencia Artificial (IA) en el ámbito de las Humanidades ha generado reacciones contradictorias, especialmente entre los especialistas en la Literatura del Siglo de Oro español. No son pocos los investigadores que perciben estas herramientas como una amenaza a los fundamentos filológicos, hermenéuticos y críticos que sustentan la tradición académica. Sin embargo, una aproximación reflexiva y metodológicamente rigurosa permite modular esa percepción inicial: lejos de sustituir las competencias intelectuales del investigador, la IA puede potenciar y enriquecer los modos de aproximación al texto áureo, ofreciendo nuevas vías para su análisis, preservación y transmisión. El objetivo no es automatizar la crítica literaria ni reducir la complejidad de las obras del Siglo de Oro a meros datos cuantificables, sino ampliar el campo interpretativo mediante herramientas que permiten visualizar estructuras con mayor profundidad, rastrear patrones más complejos a los que se pueden conseguir con la lectura lineal y conectar grandes volúmenes de datos que se tardarían décadas en obtener de manera eficiente y significativa.
En este contexto, el primer objetivo de la incorporación de la IA a la investigación en la Literatura áurea debe ser el fortalecimiento del trabajo filológico tradicional. La minería de textos y los análisis estilométricos, por ejemplo, permiten abordar con renovada precisión problemas clásicos de atribución de autoría, evolución estilística o circulación textual. Frente al modelo de investigación centrado en muestras limitadas, la IA permite trabajar sobre corpora amplios y comparables, sin perder la atención al detalle. Así, pueden detectarse regularidades sintácticas, recurrencias retóricas o variantes léxicas en la narrativa de María de Zayas, los cuentos tradicionales, los tratados sobre brujería o los procesos inquisitoriales, que iluminen aspectos hasta ahora marginales o difíciles de sistematizar.
Un segundo objetivo consiste en optimizar el acceso a las fuentes primarias a través del uso de modelos de reconocimiento de texto manuscrito (HTR, Handwriting Text Recognition), entrenados sobre caligrafías del Siglo de Oro. Esta tecnología permite transcribir de manera automatizada documentos inéditos conservados en archivos o bibliotecas, reduciendo los tiempos de edición crítica. Se trata, por tanto, de una herramienta que dinamiza considerablemente la producción de conocimiento, aunque la revisión del filólogo se hace fundamental para enmendar posibles errores y certificar la fijación de texto para su posterior análisis, estudio y comentario.
Un tercer objetivo relevante es el diseño de mapas intertextuales y redes conceptuales que visualicen las relaciones entre autores, géneros, tópicos y campos semánticos. La IA permite generar modelos de análisis que conecten motivos recurrentes —como el desengaño, la locura, la honra o la marginalidad— a lo largo de distintos textos, evidenciando constelaciones temáticas que enriquecen el enfoque comparatista. Estos mapas no reemplazan la interpretación, sino que la orientan, sugieren nuevas preguntas y permiten comprobar empíricamente intuiciones hermenéuticas.
Un cuarto objetivo, estrechamente vinculado con los estudios de género y de representación, es la recuperación y análisis de personajes secundarios, voces marginales y discursos soterrados. Los modelos de IA entrenados en clasificación temática o análisis del discurso pueden detectar patrones de aparición y representación de criadas, prostitutas, viejas, negras o cautivas en corpus amplios, facilitando una crítica más estructural de los sistemas de exclusión que operan en la literatura aurisecular. Este tipo de análisis, al que se accede a través de la extracción masiva de datos textuales, complementa el estudio y permite consolidar líneas de investigación feministas o subalternas con base empírica sólida.
Por último, debe señalarse como objetivo transversal la creación de entornos virtuales de lectura interactiva que integren múltiples capas de información textual, crítica y visual. Estos espacios permiten comparar ediciones, seguir anotaciones automatizadas, vincular glosas con fuentes originales y generar visualizaciones dinámicas que hacen más accesible —sin banalizarlo— el dilatado universo textual del Siglo de Oro
En definitiva, aspiramos a justificar cómo la integración de la IA en los estudios literarios del Siglo de Oro no implica una abdicación del rigor filológico ni una tecnificación del análisis literario. Supone, por el contrario, una ampliación de herramientas, un refuerzo del pensamiento crítico y una oportunidad metodológica para optimizar el tiempo para llegar a semejantes conclusiones. Mostrar estas potencialidades con claridad y sin triunfalismos tecnológicos constituye el primer paso para superar las resistencias legítimas de una comunidad académica cuya exigencia, precisamente, puede y debe guiar el uso responsable e inteligente de estas tecnologías, donde la inteligencia siempre es humana y lo artificial del cerebro electrónico.
1. Minería de textos y análisis estilométrico de corpus extensos
Uno de los campos donde la IA puede ofrecer un aporte significativo a la investigación literaria del Siglo de Oro es el de la minería de textos y el análisis estilométrico aplicado a corpus amplios. Se entiende por «minería de textos» el conjunto de técnicas automatizadas que permiten extraer información estructurada y patrones significativos a partir de grandes volúmenes de texto escrito. Estas técnicas incluyen la identificación de frecuencias léxicas, la detección de estructuras sintácticas, la clasificación temática y el análisis de coocurrencias semánticas, entre otros procedimientos.
Aplicada al estudio de la literatura áurea, la minería de textos permite analizar de forma sistemática conjuntos extensos de obras —novelas breves, autos sacramentales, poesía cancioneril, tratados inquisitoriales, etc.— que por su volumen y variedad resultan difíciles de abordar en su totalidad mediante una lectura convencional. La estilometría, en particular, se centra en la medición y comparación de rasgos estilísticos, como el uso de determinadas construcciones gramaticales, la elección léxica o el ritmo sintáctico, con el fin de establecer regularidades o contrastes entre textos.
Este tipo de análisis resulta especialmente útil en problemas de atribución de autoría. En un contexto como el de la tratadística antisupersticiosa, donde la circulación de textos fue masiva y las atribuciones no siempre claras, la IA permite comparar libros dudosos con los perfiles estilísticos consolidados de autores como Martín del Río, Francesco Maria Guaccio o Jean Bodin, por ejemplo. Los resultados no ofrecen certezas definitivas, pero sí indicios sólidos que pueden orientar el análisis filológico y reforzar argumentos ya existentes.
Además, la minería de textos permite observar cómo se transforma el estilo de un autor a lo largo del tiempo. Comparar estilométricamente las primeras discusiones mágicas de Martín del Río con sus obras tardías puede revelar cambios en su sintaxis, en el uso del lenguaje o en la estructura retórica de sus textos, en el uso de los exempla en ellos, etc. Este enfoque cuantitativo no reemplaza la lectura crítica, pero permite confirmar o matizar hipótesis sobre la evolución estilística a partir de datos observables y ver cómo se conecta con la madurez intelectual de este jesuita.
Otro aspecto destacable es la posibilidad de rastrear redes de influencia. Mediante algoritmos de detección de similitud, la IA puede identificar relaciones entre obras o autores que escapan a una aproximación exclusivamente inductiva. La emergencia de vínculos inesperados —por ejemplo, citas bíblicas o mitológicas o procedentes de la cultura oral— amplía el campo interpretativo y permite visualizar cómo circulan ciertos recursos retóricos o ideológicos en el interior del pensamiento mágico del Siglo de Oro.
Por supuesto, el uso de estas herramientas no está exento de exigencias metodológicas. La interpretación de los resultados exige una mirada crítica sobre los algoritmos utilizados, los criterios de segmentación y limpieza del corpus, y la representatividad de los datos. La minería textual no puede funcionar como sustituto de la filología, sino como apoyo a una lectura que sigue siendo contextual, histórica y lingüísticamente informada.
2. Reconstrucción de variantes y crítica textual asistida
La crítica textual o ecdótica, disciplina central en la filología, tiene como objetivo establecer el texto más fiel a la intención de su autor a partir de los diversos testimonios que han llegado hasta nosotros: manuscritos, ediciones antiguas, etc. En el ámbito del Siglo de Oro, donde la transmisión textual suele estar marcada por intervenciones autorales, errores tipográficos, censuras o reescrituras editoriales, el trabajo del filólogo es fundamental e imprescindible (para eso está formado y es conocedor de los métodos y procedimientos). La IA, aplicada a este campo, no sustituye el conocimiento histórico-lingüístico del investigador, pero ofrece herramientas de comparación automática que agilizan y enriquecen el análisis de variantes y la detección de errores en la fase de la collatio
Los modelos de IA entrenados para el reconocimiento y comparación de variantes y errores textuales pueden detectar de forma automatizada discrepancias significativas entre los distintos testimonios. Esta capacidad resulta especialmente útil en casos en los que existen divergencias entre ellos: primeras ediciones con erratas, reimpresiones modificadas, ediciones expurgadas o manuscritos con anotaciones marginales. En lugar de depender exclusivamente de la collatio tradicional, limitada en tiempo y alcance, la IA permite cruzar todas las versiones disponibles, identificar variantes y errores y visualizarlos de forma clara mediante herramientas gráficas.
Asimismo, la IA permite reconstruir la tradición textual de una obra, su stemma, a partir de la comparación de sus variantes y, sobre todo, de sus errores. Estas visualizaciones, basadas en técnicas de stemmatology computacional, ayudan a plantear hipótesis sobre la existencia de testimonios intermedios perdidos, relaciones entre talleres de imprenta o procesos de corrección y refundición no explícitamente documentados. En el caso de obras dramáticas, además, puede detectarse cuándo se introducen variantes para ajustarse a censuras, actores específicos o contextos de representación concretos.
Otro aspecto relevante es la detección automatizada de interpolaciones. Los modelos pueden ser entrenados para identificar rupturas sintácticas, anacolutos o disonancias métricas que sugieren adiciones o corrupciones del texto original. Estas irregularidades, que muchas veces se pasan por alto en ediciones impresas, pueden ser evidenciadas mediante el análisis lingüístico automatizado, proporcionando así indicios que orienten la intervención editorial.
En términos metodológicos, el empleo de IA en la ecdótica no implica renunciar al aparato erudito ni a las decisiones fundadas en el conocimiento histórico y literario, y mucho menos, por tanto, a las sabias lecciones de Lachmann con sus posteriores actualizaciones. La IA no «decide» cuál es la mejor lectura, pero ofrece al editor un abanico más completo y visible de variantes y errores, le permite documentar sus elecciones con mayor transparencia y facilita el acceso del lector a los procesos de conformación textual.
Finalmente, este tipo de tecnologías permite replantear la edición crítica misma como un espacio dinámico y multiforme, superando los actuales y en muchas ocasiones crípticos aparatos de variantes. Lejos de imponer una versión definitiva, la edición puede concebirse como un entorno digital que integre todas las variantes relevantes, accesibles mediante filtros, comparaciones paralelas o visualizaciones interactivas. De este modo, el lector especializado no accede a una lectura cerrada, sino a un sistema de decisiones razonadas, donde la autoridad del editor se ejerce desde las leyes de la ecdótica.
3. Visualización de redes intertextuales y dispositivos narrativos
Entre las potencialidades más útiles —y menos intrusivas— de la IA en el estudio de la literatura del Siglo de Oro se encuentra la posibilidad de representar gráficamente redes intertextuales complejas. A través de algoritmos de detección de similitudes léxicas, patrones retóricos o asociaciones temáticas, la IA no genera interpretaciones por sí misma, pero sí proporciona visualizaciones que permiten identificar de forma inmediata relaciones entre textos, autores, géneros y motivos que hasta ahora requerían un largo proceso de comparación manual o que, por su escala suponían un gran trabajo y tiempo por parte de la crítica tradicional.
Este tipo de visualizaciones no pretende reemplazar la lectura filológica ni la reconstrucción histórico-literaria, sino que ofrece un plano suplementario desde el que el investigador puede observar el funcionamiento de tópicos —como la honra, la locura, el engaño o la sangre— a lo largo de múltiples obras, autores y contextos genéricos. La IA permite cruzar automáticamente información de comedias, novelas, poesía, autos y tratados doctrinales, trazando líneas de recurrencia que, si bien no explican por sí mismas el sentido de los textos, abren nuevas vías para su análisis.
Estos modelos intertextuales basados en IA se construyen a partir de algoritmos que analizan coocurrencias léxicas, asociaciones sintácticas o estructuras narrativas recurrentes. Una vez procesados los datos, se generan grafos en los que los nodos representan textos o autores, y los enlaces indican grados de afinidad o contacto, medidos por criterios preestablecidos (léxicos, temáticos, métricos o estructurales). Esta metodología, utilizada con prudencia, permite observar cómo ciertos núcleos semánticos se redistribuyen, transforman o adquieren matices distintos en función del género, la cronología o la autoría.
Lejos de encerrar el texto en una lectura algorítmica, estos mapas intertextuales permiten situarlo dentro de una red más amplia de circulación cultural. La IA, en este caso, no dirige la lectura, pero sugiere correlaciones que el investigador puede confirmar, matizar o descartar a partir de criterios histórico-críticos. La principal virtud de esta herramienta, especialmente ante un público escéptico, es que no impone ningún marco interpretativo, sino que ofrece visualizaciones neutras desde las cuales el filólogo puede operar con plena autonomía. La IA no genera sentido, pero organiza datos de forma que permite observar regularidades no visibles en la lectura lineal.
Desde el punto de vista metodológico, estas herramientas se integran fácilmente con la labor crítica tradicional: los mapas son resultado de corpus definidos y parametrizados por el investigador, que conserva el control sobre las variables consideradas. Esta trazabilidad garantiza que la IA actúe como instrumento subordinado a la lógica de la investigación, y no como sustituto de sus fundamentos. El especialista puede así explorar, confirmar o refutar hipótesis a partir de un entorno visual que condensa información compleja sin renunciar a la interpretación cualitativa. En definitiva, para el investigador que no renuncia a la lectura atenta ni a la contextualización histórica, estas herramientas representan una forma eficaz de ampliar el horizonte interpretativo sin sacrificar el rigor del método.
4. Recuperación de voces marginales y análisis del discurso
Uno de los retos más complejos en la investigación literaria del Siglo de Oro consiste en abordar, con rigor filológico, las formas de representación de los sujetos situados en los márgenes del orden social, moral y narrativo de la época. Personajes como criadas, negras, viejas, moriscos, prostitutas, cautivas o locos no solo figuran con frecuencia en las obras del periodo, sino que encarnan tensiones fundamentales en torno al poder, la sexualidad, el lenguaje o la identidad. Sin embargo, su análisis sistemático resulta difícil debido a la dispersión del corpus, la subordinación estructural de estos personajes dentro del relato y la escasez de herramientas que permitan observar sus regularidades a gran escala. En este contexto, la I A—particularmente en su aplicación al análisis del discurso y la clasificación temática— puede ofrecer un apoyo técnico que amplíe el alcance de la investigación sin comprometer su rigor crítico.
El uso de modelos de IA entrenados para la detección de patrones discursivos permite rastrear con precisión cómo son representados estos personajes secundarios en distintos géneros y autores. A diferencia de la lectura puntual o la selección de casos ejemplares, este tipo de análisis permite trabajar con una base más amplia, rastrear en múltiples obras las recurrencias lingüísticas asociadas a determinados tipos sociales y detectar cambios en su configuración en función del contexto genérico (comedia, novela corta, auto sacramental) o cronológico. El objetivo no es uniformar el tratamiento de estas figuras ni reducirlas a etiquetas estadísticas, sino crear una cartografía de su presencia discursiva que ayude a interpretar su función dentro del sistema literario del Siglo de Oro.
Por ejemplo, puede compararse cómo se representa a la vieja en el teatro, en las novelas ejemplares y en los pliegos poéticos: si se asocia con sabiduría popular, con superstición, con sexualidad grotesca, o si su figura opera como catalizadora de la acción. Estos matices no se derivan directamente de la IA, sino que pueden articularse a partir de los datos que esta ofrece mediante técnicas de minería semántica, análisis de concordancias o clasificación por tópicos. Esta sistematización es especialmente relevante en estudios de género, donde el acceso a patrones estructurales permite reformular problemas clave: ¿cómo se configura la feminidad fuera del modelo cortesano? ¿Qué discurso adopta la obra literaria sobre el cuerpo femenino envejecido, racializado o no normativo? ¿En qué contextos se convierte la demencia senil en un espacio de resistencia o de exclusión? Estas preguntas, abordadas desde una lectura puntual, suelen quedar restringidas a casos aislados. El uso de IA permite proyectarlas sobre un conjunto textual más amplio, donde es posible observar tendencias, matices y excepciones que enriquecen la interpretación.
Además, la IA puede colaborar en la identificación de silencios estructurales. No se trata solo de lo que se dice, sino de qué personajes carecen sistemáticamente de voz propia, qué tipos de discurso se les asigna (directo, indirecto, paródico, estigmatizante), y cómo se organizan las relaciones de habla dentro de la obra. La modelización de turnos de palabra, niveles de subordinación sintáctica o distribuciones de léxico según personaje permite reconstruir la arquitectura verbal de un texto y observar cómo esta estructura refuerza, subvierte o matiza las jerarquías sociales que la obra escenifica.
Ante los recelos que suscita la aplicación de IA en el campo de las humanidades, es importante subrayar que estos modelos no ofrecen interpretaciones automáticas ni decisiones críticas. La IA no sabe qué es una criada ni cómo se articula la violencia simbólica contra un personaje racializado; lo que hace es permitir al investigador localizar más rápidamente los contextos en los que estas figuras aparecen, organizar cuantitativamente sus formas de enunciación y facilitar la comparación estructural entre textos. Se trata, en definitiva, de un trabajo previo al análisis, que ahorra tiempo, reduce el sesgo de selección y abre nuevas posibilidades de lectura.
5. Últimas consideraciones
La cuestión central en torno a la incorporación de la IA a los estudios de literatura del Siglo de Oro no es de orden técnico, sino epistemológico. Es decir, no se trata de debatir si estas herramientas «funcionan», sino de reflexionar sobre cómo pueden integrarse sin desvirtuar los fundamentos de una tradición crítica basada en la lectura atenta, la ecdótica, el conocimiento histórico-lingüístico y la contextualización hermenéutica. El temor, comprensible, es que la automatización reemplace la interpretación, que el algoritmo anule el juicio filológico. Pero este temor se disipa cuando la IA se concibe, no como un sustituto de la crítica, sino como una herramienta auxiliar que permite ver más, comparar mejor y formular preguntas más amplias.
El investigador especializado no pierde el control en este proceso; la gana. Porque ahora cuenta con instrumentos que le permiten procesar más información en menos tiempo, detectar patrones invisibles a la lectura lineal, contrastar hipótesis con una base de datos más sólida y visualizar relaciones textuales que, de otro modo, quedarían diluidas en el océano de fuentes disponibles. La IA no interpreta por el investigador, pero sí lo ayuda en la organización, la exploración y la ampliación del campo textual, facilitando una labor que, de seguir haciéndose exclusivamente a mano, corre el riesgo de quedarse estancada en dichos márgenes.
Esta ampliación implica una expansión del alcance. En un corpus tan vasto y heterogéneo como el de la literatura aurisecular, la posibilidad de sistematizar variantes, mapear redes intertextuales o analizar voces marginales a escala no debería percibirse como una amenaza, sino como una oportunidad. La IA no impone una interpretación ni ofrece conclusiones cerradas: lo que hace es organizar el campo de datos para que el juicio experto actúe con mayor claridad, rapidez y precisión.
La IA no clausura la interpretación; la incita. No desplaza la erudición ni la sustituye por resultados opacos: exige, al contrario, una filología más activa, más consciente de sus métodos, más dispuesta a justificar sus procedimientos y a dialogar con otras disciplinas. En este marco, las tecnologías no empobrecen la crítica: la desafían a reformular sus preguntas, a expandir sus métodos y a mantener viva su función investigadora. No se trata de elegir entre tradición y tecnología, sino de pensar cómo ambas pueden, juntas, seguir haciendo avanzar el conocimiento. ¿Quién se puede negar a este desafío tan increíble y mágico?
* María Jesús Zamora Calvo es Profesora Titular de Literatura Española en la Universidad Autónoma de Madrid y especialista en Siglo de Oro, con investigaciones centradas en magia, brujería, discursos antisupersticiosos y la representación de la mujer en la época. Es autora de obras como Ensueños de razón, Artes maleficarum y Espejo de brujas, y dirige el grupo de investigación “Mentalidades mágicas y discursos antisupersticiosos (siglos XVI-XVIII)”.