Cada media hora leemos los feeds RSS públicos de 33 medios: 15 cabeceras españolas, de El Salto a OK Diario, y 18 fuentes de Estados Unidos y Reino Unido que alimentan ediciones internacionales todavía en preparación.

De cada artículo guardamos únicamente lo que el propio medio publica en abierto en su feed: el titular, el extracto, el enlace, la fecha y la imagen. No almacenamos el texto completo; para leer la noticia, el clic te lleva siempre al medio original.

Antes de que ninguna inteligencia artificial toque el texto, un analizador clásico (código convencional, reproducible, sin modelos de por medio) extrae tres cosas de cada titular y extracto: las entidades que aparecen (personas, partidos, lugares, organizaciones), las cifras que se citan y una huella digital del texto.

La huella sirve para detectar teletipos de agencia: cuando varios medios publican casi literalmente el mismo despacho de EFE o Europa Press, el sistema lo sabe. Que cinco periódicos digan lo mismo con las mismas palabras no es consenso editorial, es una nota de agencia copiada, y conviene distinguirlo.

Las cifras se marcan con avisos automáticos cuando les falta contexto: un porcentaje sin decir sobre qué base, un «récord histórico» sin serie histórica que lo respalde, euros de hace veinte años comparados sin ajustar. Regla de la casa: la IA nunca extrae ni calcula un número. Los números salen de este analizador y son verificables.

Este es el corazón del sistema: detectar que dos titulares distintos hablan de la misma historia. Cada artículo se convierte en un vector de 1.024 números (lo que en el oficio se llama un embedding) que captura su significado. La gracia es que «crisis económica» y «recesión» quedan matemáticamente cerca aunque no compartan ni una palabra, y funciona igual en español que en inglés.

Cuando llega un artículo nuevo, se compara con las historias abiertas. La similitud de vectores sola no basta: medimos en datos reales que dos noticias sin relación pueden parecerse mucho matemáticamente, así que para unirse a una historia con el umbral normal (0,62 en una escala de 0 a 1) el artículo debe además compartir con ella alguna entidad o suficientes palabras clave; sin ese vocabulario común, el listón sube a 0,78. Para los artículos sin vector hay un plan B que compara palabras clave y entidades compartidas. Si con el tiempo dos historias resultan ser la misma, se fusionan; si una historia pasa 72 horas sin artículos nuevos, se cierra. Y como cortafuegos, ninguna historia puede crecer sin límite: al llegar a 60 artículos deja de aceptar, para que un grupo mal formado no se convierta en un agujero negro que lo absorba todo.

El resultado es lo que ves en portada: una historia, muchas versiones. Cada grupo reúne la cobertura de todos los medios que la trataron, y ahí es donde el contraste se vuelve visible.

Aquí toca ser honestos: sí, hay decisiones editoriales. La diferencia con un periódico es que las nuestras están escritas en código, son las mismas para todos los medios y no cambian según el día o el humor de un editor.

La primera decisión es la criba: Neotral se centra en la información con peso político. Cada artículo se clasifica por la sección de su propia URL, y las de ocio (deportes, corazón, televisión, horóscopos, recetas) se archivan sin entrar al pipeline. No hay un modelo decidiendo caso a caso: es una lista de secciones, fija y versionada. La segunda: para llegar a portada, una historia necesita al menos dos medios. Un solo medio no es una historia comparable, es un artículo suelto.

El orden de la portada sale de una puntuación de importancia de 0 a 100 con tres señales: la amplitud (cuántos medios la cubren, con escala logarítmica: pasar de 2 a 4 medios dice más que pasar de 8 a 10), la transversalidad (cuántos lados del espectro la cubren: si izquierda, centro y derecha coinciden, es objetivamente grande) y el rango institucional de quien protagoniza el titular (un presidente del Gobierno pesa más que un concejal). La puntuación decae con el tiempo: se reduce a la mitad cada 18 horas sin artículos nuevos.

Una decisión deliberada: el silencio no puntúa. Que una historia la cubra solo un lado del espectro no la sube en portada, porque eso premiaría la rareza editorial por encima de la importancia real. Se marca como punto ciego y tiene su propia sección.

Y si un medio no aparece en una historia, es porque no la cubrió o porque su artículo no superó los umbrales. Nadie lo quitó a mano: no existe ese botón.

Con la historia ya formada, un modelo de lenguaje redacta la capa comparativa: un titular neutro que no favorezca a nadie, la lista de hechos en los que coinciden todos los medios, la narrativa particular con la que cada cabecera cuenta la historia, y los puntos ciegos, lo que nadie está contando.

También examina los titulares uno a uno buscando siete técnicas de encuadre conocidas: el enfoque elegido, las omisiones, el etiquetado de personas, la voz pasiva que difumina responsables, el encuadre por consecuencias, la falsa equivalencia y la carga emocional del vocabulario.

Una advertencia que preferimos dejar por escrito: los modelos de lenguaje se equivocan. Su análisis es una ayuda de lectura, no un veredicto. Por eso los datos numéricos nunca salen del modelo (paso 02) y por eso los titulares originales están siempre a un clic.

Cada medio tiene asignada una posición en un espectro de siete niveles que en portada simplificamos a tres bloques. La lista completa, con cada cabecera y su etiqueta, está en la página de Medios.

Es una simplificación, y lo asumimos: un medio puede ser liberal en economía y conservador en lo social, y ninguna etiqueta captura eso. La usamos como orientación para leer el contraste, no como sentencia.

Estas etiquetas también nos permiten medir silencios: cuando una historia la cubren tres o más medios de un lado del espectro y ninguno del otro, aparece en Puntos ciegos. A veces lo más informativo de un periódico es lo que decide no contar.

Tomamos cientos de pares de artículos reales y los etiquetamos a mano con una regla estricta: dos piezas son la misma historia si un lector diría «es la misma noticia contada por otro medio». Dos pasos procesales del mismo caso judicial son historias distintas; la reacción de un partido a un hecho también. Ese conjunto etiquetado es nuestro banco de pruebas, y está publicado en el repositorio con los casos dudosos documentados.

Los umbrales de agrupación no se eligen a ojo: se barren contra el banco de pruebas y se publica la tabla completa. Nuestro primer umbral provisional habría mezclado historias distintas en 4 de cada 10 agrupaciones por palabras clave; el calibrado lo reduce a 1 de cada 4, a cambio de partir alguna cobertura de más. Elegimos ese intercambio a propósito y lo dejamos escrito: enseñarte dos historias mezcladas como si fueran una es peor que enseñarte una historia en dos trozos.

La vía semántica (por significado, no por palabras) se calibrará con el mismo método en cuanto acumule datos suficientes; hasta entonces su umbral está marcado como provisional en el propio código.

El banco de pruebas queda congelado en el repositorio y un test automático recalcula las métricas en cada cambio del código: si alguien toca el motor y la calidad cae, salta antes de llegar a producción. Y cada análisis generado por IA guarda qué modelo y qué versión de instrucciones lo produjo, para que cualquier resultado sea rastreable. Todo el proceso (datos, informe y scripts) es reproducible por cualquiera.