Visualización de información e Inteligencia Artificial generativa: funcionalidad, alcance y límites

En la última década, los medios han apostado por la incorporación intensiva de la visualización de información en sus productos comunicacionales. En un contexto de incertidumbre respecto a los modelos de negocio, la narrativa fundamentada sobre la representación de datos se ha convertido en un hecho diferencial frente a la competencia y, también, una manera de fidelizar a los consumidores de esos medios. Sin embargo, frente a esa tendencia, los profesionales responsables de la creación de esos contenidos no han sido formados de forma sólida para abordar con garantías esas competencias y han tenido que desarrollar esas nuevas habilidades recurriendo a cursos externos e incluso, en muchos casos, a la autoformación. La irrupción y generalización del uso de la Inteligencia Artificial (IA) generativa puede convertirse en una herramienta que ayude a paliar esos límites formativos y mejorar los productos narrativos que incluyen visualización de datos. En este trabajo vamos a abordar esta posibilidad analizando el alcance, pero también las limitaciones, de la aplicación de la Inteligencia Artificial en la producción de este tipo de piezas narrativas. Para cubrir ese objetivo, en primer lugar, se han identificado cada uno de los eslabones que conforman el proceso estándar de diseño y creación de una visualización de datos: búsqueda de datos, scraping, refinado, identificación de contenidos semánticos, selección de la representación y generación de la visualización. En un segundo movimiento, se ha desarrollado una metodología estandarizada para la implementación conceptual y tecnológica, sin recursos generativos, de todas esas operaciones señaladas. En tercer lugar, se ha generado un heurístico para tratar de desarrollar todas esas operaciones utilizando, esta vez sí, herramientas de IA generativas. En ese heurístico se incluye una propuesta metodológica basada en la experimentación que incorpora los prompts (instrucciones) más eficientes para la ejecución adecuada de esas operaciones. Por último, el trabajo termina analizando y comparando la calidad y la viabilidad de los resultados obtenidos a partir de los procesos de implementación alternativos (sin y con IA), mostrando en qué operaciones la propuesta desarrollada con tecnologías generativas es más eficiente que la estándar y en qué eslabones, en cambio, presenta limitaciones o problemas de implementación.