31.500 $. Es lo que habría costado la lectura que hay detrás de este artículo con la tarifa oficial de la API: al menos 25.000 millones de tokens. Yo pagué una suscripción mensual.
En agosto me fui de vacaciones con un solo documento: la inscripción de nacimiento de mi abuelo, número 418 de 1926, en el registro civil de Estremoz. Once semanas después puedo abrir un bautismo escrito el 10 de agosto de 1666 y leer los nombres de personas de las que desciendo.
No fui a ningún archivo. No aprendí paleografía. Casi todo lo hice desde el móvil.
Archivos abiertos, letra cerrada
Los archivos de Portugal son extraordinarios, y poca gente lo sabe. Los párrocos registraron bautismos, bodas y entierros a partir del siglo XVI. Los notarios guardaron sus escrituras. Los juzgados de huérfanos inventariaron los bienes de los difuntos que dejaban herederos. El ejército tenía una ficha de cada soldado, hasta el color de los ojos. Los archivos distritales y el archivo nacional han fotografiado una parte enorme de todo ello y lo han puesto en internet, de consulta gratuita.
Las imágenes están ahí. Lo que faltaba era una forma de leerlas a gran escala. Un bautismo de 1690 es la fotografía de un texto manuscrito, con abreviaturas, manchas de agua y una letra que cambia con cada párroco nuevo.
Lo que decían las páginas
Esta es la parte que parece un viaje en el tiempo. No nombres y fechas, sino habitaciones, rostros y silencios.
- Un teniente de artillería murió en Estremoz en 1796 sin testamento. El juzgado de huérfanos recorrió su casa y la puso por escrito a lo largo de ciento cincuenta páginas: cuatro habitaciones arriba y cuatro abajo, en la Rua do Mau Foro, viñas que pagaban un censo en mosto a la Casa de Braganza, una cadena de oro, seis cucharas de plata, una novilla de dos años. Él sabía escribir. Su viuda no, y pidió a un vecino que firmara por ella.
- El hijo de un carpintero se alistó a los diecisiete años, el 27 de enero de 1764. El registro militar anota su pelo, sus ojos y su estatura, cuatro pies y diez pulgadas en la medida antigua. También enumera sus guerras: las campañas del Rosellón y Cataluña de 1793 a 1795, contra la Francia revolucionaria. Se retiró como comandante en 1810, cuarenta y seis años después de su juramento.
- A las cinco de la mañana del 13 de septiembre de 1875, un bebé entró por el torno de expósitos de Alter do Chão, envuelto en un trapo viejo, sin nota y sin señal. Nunca se anotó padre ni madre. Esa línea se detiene en la puerta de una iglesia, y el registro lo dice.
- El 1 de noviembre de 1755, el gran terremoto destruyó Lisboa. Se leyeron los registros de aquel otoño de cuatro parroquias de la familia en el Alentejo. Ni un solo párroco escribió una palabra sobre él. Una ausencia, leída a gran escala, también es un hallazgo.
- Mi bisabuelo era un oficinista que componía. La sociedad portuguesa de autores tiene registradas 110 obras a su nombre, y el catálogo de la biblioteca nacional no recoge ninguna partitura publicada a su nombre. Siete manuscritos que conservó la familia se transcribieron a notación musical y se convirtieron en audio, y se pueden escuchar en el sitio. Nadie de la familia había oído una sola nota.
Las cifras
- 360 años: el registro fechado más antiguo del árbol es un bautismo del 10 de agosto de 1666.
- 12 generaciones en la línea directa, 479 personas en el árbol.
- 77.987 imágenes de página, 64 GB, de 727 unidades de archivo: libros parroquiales, procesos de tribunales eclesiásticos, inventarios de huérfanos, escrituras notariales, registros militares, registros civiles.
- 2.369 archivos de transcripción de las páginas que importaban, algunos de ellos de varias imágenes.
- Al menos 25.000 millones de tokens de lectura, en más de 132.000 peticiones.
- Unos 31.500 $ con la tarifa oficial de la API, aproximadamente 40 centavos por página. Con una suscripción mensual, costó la suscripción.
El stack, para los frikis
Claude Code se ejecutaba en un contenedor Docker en un pequeño VPS, dentro de una sesión de tmux a la que me conectaba por SSH desde el móvil. Sin IDE y sin notebook: una terminal, un repositorio git y mucho Markdown.
- Por qué basta con un móvil. En el móvil no se ejecuta nada. Abre una conexión SSH, con una clave, a una sesión de tmux en el servidor, envía una instrucción y lee la respuesta. Claude descarga, recorta, lee y escribe en el servidor. Los 64 GB de imágenes nunca pasan por el móvil.
- Que se corte la conexión no importa. Cuando se pierde la señal, en un túnel o en la playa, tmux mantiene la sesión y sus agentes en marcha. La siguiente conexión retoma justo donde se quedó la anterior.
- Trabajos largos, consultas cortas. Un barrido de los márgenes de un libro entero o un lote de cuatro agentes funciona solo durante una hora o más. Desde el móvil, el ciclo es: leer el informe, responder una pregunta, lanzar el siguiente lote.
- Descargar. Unos scripts de Python llaman a la API digitarq de los archivos nacionales portugueses y descargan libros enteros, imagen a imagen, en una carpeta por unidad de archivo. Las imágenes de FamilySearch llegan con el propio token de la sesión iniciada. El archivo histórico del ejército rechaza curl y los navegadores sin interfaz, así que un Brave con ventana visible se ejecuta con depuración remota, y un script de Node descarga cada hoja desde dentro de la página a través del websocket de DevTools.
- Leer. Nada de OCR: con estas letras no servía. ImageMagick recorta y amplía, el modelo lee la imagen con visión y escribe una transcripción en Markdown con las abreviaturas desarrolladas y las palabras dudosas marcadas con [?].
- Que el código recorte. Los tokens de visión son la factura, así que el modelo escribe código para no gastarlos. Los párrocos anotaban en el margen, junto a cada acta, el nombre del niño o de la pareja. Un script de shell recorta esa columna de margen de ambas páginas de cada doble página, normaliza el contraste y pega las tiras una junto a otra en una sola imagen. Así, una sola imagen leída indexa toda una serie de páginas, y no solo una. El acta completa se abre cuando un margen nombra a alguien que buscamos, y toda acta sin nota al margen se lee entera, porque el índice no permite descartarla. Se convirtió en norma permanente después de que un agente lector pasara tres horas con 147 imágenes completas de un solo libro.
- Calibrar primero. Antes de cualquier barrido se comprueban a ojo dos o tres entradas conocidas. Un margen que abrevia puede omitir justo el nombre que buscas, y un barrido que nunca se calibró fabrica un falso negativo: un libro entero declarado vacío por error.
- Repartir el trabajo. Las lecturas largas y mecánicas van a subagentes, de cuatro en cuatro. Con trece a la vez, once cayeron por el límite compartido de la sesión.
- Modelos. Opus 5 hizo la mayor parte de la lectura; Fable 5 y 5.1, las hojas más difíciles; Sonnet 5, los barridos masivos. Nueve de cada diez tokens son lecturas de caché: un único contexto largo, releído en cada paso, al que se añade una página nueva cada vez.
- Segunda opinión. Un modelo GPT relee las palabras discutidas. Su respuesta es un consejo, nunca un veredicto: cada afirmación vuelve a la imagen.
- Una única fuente de verdad. Un solo archivo GEDCOM contiene el árbol, y cada dato cita su fuente. FINDINGS.md es el cuaderno de laboratorio, con 18.574 líneas. NEGATIVES.md, con 7.564 líneas, registra cada búsqueda que no encontró nada, para que nada se busque dos veces.
- Publicar. Un script de Python convierte el GEDCOM en un sitio estático en cuatro idiomas, desplegado en Cloudflare Pages. La música pasa de notación ABC a MIDI, por timidity y ffmpeg, hasta MP3, con un archivo de marcas de tiempo para que la partitura siga al sonido.
Una regla sostuvo todo el conjunto. Cada dato del árbol cita su fuente, y la mayoría remite a una imagen de página que se puede abrir. El resto dice en qué se basa: una descripción de catálogo, una estimación o el testimonio de la familia.
Por qué importa el segundo modelo, y dónde se detiene
En un par de bautismos, de 1875 y 1878, los dos modelos coincidieron en dos nombres y discreparon en otros dos. La coincidencia da una confianza barata. Las discrepancias fueron lo útil: señalaban las palabras exactas a las que había que volver. En las dos, el segundo modelo se equivocó. Y la propia conclusión de Claude sobre una de ellas, basada en una escritura de 1916, resultó ser al revés: un tercer bautismo, de 1883, mostró que el apellido era del marido, no de la esposa.
Vale la pena tener un segundo lector. No es un oráculo. El árbitro siempre es otro documento.
Los archivos tienen sus propias trampas, y un modelo por sí solo cae en ellas. En Barbacena, en 1747, hay dos hombres llamados Manoel Gomes, ambos casados con una Isabel Lopes, a tres dobles páginas de distancia en el mismo libro. Una coincidencia de nombres elige al hombre equivocado. El bautismo de una hermana menor, con los abuelos nombrados, resolvió cuál era el nuestro.
Lo que esto hace posible
Mi familia es un caso de prueba, y el método tiene límites: algunos libros no tienen índice al margen, o tienen uno que engaña, y hay que leerlos página a página. Pero los archivos ya están en internet, y las mismas herramientas se pueden aplicar a otras parroquias y localidades.
- Leer un pueblo entero, no una familia. Los bautismos, bodas y entierros de una parroquia a lo largo de tres siglos, como conjunto de datos: población, epidemias, migración, la edad al casarse, los expósitos.
- Medir la alfabetización por las firmas. Las escrituras y los inventarios registran quién firmaba y quién pedía a otro que firmara por él. Tres siglos de quién sabía escribir, calle a calle.
- Unir archivos que nunca se hablaron. Registros militares, libros parroquiales, escrituras notariales y procesos judiciales describen a las mismas personas desde cuatro ángulos. Por el lado de mi madre trazan una línea de diez mujeres, y un solo registro de nacimiento echó por tierra un candidato que el árbol había mantenido durante meses.
- Dar a la diáspora un camino de vuelta. Millones de personas descienden de pueblos portugueses, en Francia, en Brasil, en todas partes. Muchas de las páginas de sus antepasados ya están en internet. Lo que les faltaba era un lector.
- Reconstruir escenas a partir de registros, no de la imaginación. Cada escena de la película que preparo para los niños de la familia parte de una página que existe. La narración son las propias frases de los párrocos. La banda sonora es la música de mi bisabuelo. No hay nada en la historia que no esté en un registro.
Qué ha cambiado
Los archivos se abrieron hace años. El cuello de botella era la lectura, y su coste se ha desplomado: las imágenes se consultan gratis, y la lectura me costó una suscripción y mis noches. Al humano le queda la parte que siempre fue la más valiosa: comprobar identidades, resolver contradicciones y decir con claridad lo que no se sabe.
Si trabajas en patrimonio, archivos o datos abiertos en Portugal, me gustaría intercambiar impresiones. El árbol, los documentos y la música están en family.aiteklabs.com.
Imágenes de archivo: Arquivo Distrital de Évora y Arquivo Distrital de Portalegre (DGLAB).